Desafíos de la industria en cuanto a medición

El fenómeno del Big Data genera que dispongamos de una mayor cantidad de datos para tomar decisiones Lo que en publicidad se traduce a que ahora tenemos mucha más información sobre la performance de nuestras campañas, pudiendo acceder a métricas muy detalladas a distintos niveles de agregación. Sin embargo, poder recolectar, entender y tomar decisiones es un gran desafío dado que muchos de los datos pueden no ser relevantes para responder la problemática de negocio que tengamos o la interacción entre distintas fuentes dificulten llegar a soluciones integrales.

Figura 2: Evolución anual de los datos generados en internet expresados en Zettabyte. Cada Zettabyte equivale a 1,000,000,000,000 Gb. Fuente: Statista.

Por otra parte, en los últimos años la privacidad de los datos pasó a estar en la agenda de todas las grandes organizaciones. Proteger y respetar a los usuarios, consumidores y posibles clientes debe ser una prioridad para cualquier empresa de la industria por lo que recursos como las cookies están desapareciendo para dar lugar a técnicas menos invasivas.

Las dos problemáticas descritas anteriormente se aplican a cualquier medio en que se quiera publicitar: en definitiva cada vez tenemos más datos, pero a la vez es más importante respetar la privacidad de quienes los generan por lo que la forma de gestionarlos para tomar decisiones de negocios se encuentra ante un enorme desafío. Sumado a que, en los últimos 15 años la cantidad de medios en los que anunciantes pueden aparecer creció exponencialmente con el auge del marketing digital, generando un efecto ‘bola de nieve’ que complejiza el problema.

Marketing Mix Models como solución

Vivimos en un mundo que cada vez genera más datos de diversas fuentes que, si los sabemos manejar y exprimir, nos permitirían tomar decisiones fundamentadas sobre nuestro negocio. La herramienta que nos permite sacar provecho de los datos de publicidad es el MMM - Marketing Mix Model. Se trata de un modelo estadístico que permite entender la influencia que tuvo cada una de nuestras acciones de marketing y poder trabajar sobre su eficiencia y eficacia a la hora de generar resultados.

Evolución de los MMMs

Los MMMs no son algo nuevo, las multinacionales de consumo masivo los utilizan hace décadas para optimizar sus presupuesto en publicidad y entender mejor la performance de los medios en los que invierten.

Pero entonces, ¿qué cambió? 

Los desafíos mencionados en la sección anterior ponen a prueba las metodologías tradicionales de MMM. Dado que el Big Data da acceso a datos más detallados, ahora los marketers quieren utilizarlos para responder preguntas más granulares que, por motivos técnicos que están fuera del alcance de este artículo, no pueden ser respondidas con los modelos tradicionales.

El Big Data también trajo algoritmos más potentes y modernos que comúnmente toman el nombre de Machine Learning o Inteligencia Artificial, que permiten manejar y extraer información de los grandes volúmenes de datos que disponemos y que están llevando a los estudios de MMM a un nuevo nivel de potencia.

Ventajas y Desventajas

Los MMMs son una herramienta poderosa para entender mejor el negocio y tomar decisiones basadas en datos. Sin embargo, de ninguna manera deben entenderse como la solución absoluta a una pregunta sino como un recurso más con el que cuentan los marketers.

A continuación elaboramos ventajas y desventajas de los MMMs tradicionales:

Ventajas

• Permite entender los efectos de la publicidad en las ventas o variable que se quiera medir.
• Interpretabilidad: los MMMs tradicionales son modelos sencillos que pueden ser interpretados fácilmente.
• Cantidad de variables: Se pueden incluir múltiples medios en el análisis, por lo que la proliferación de los mismos no sería un problema.
• Puede modelar efectos no-lineales de la publicidad transformando los datos previos al modelado.

Desventajas

• El modelo no sirve cuando se quieren responder preguntas más granulares dado que no maneja bien la colinealidad.
• Depende mucho de los datos con los que se cuenta. ‘No se puede confiar en ningún modelo si no confías en los datos que tenes’.
• Los proyectos tienden a extenderse durante varios meses (+6), dificultando tomar decisiones en el corto plazo.

Oportunidades

Desde Zenda creemos que los cambios en la industria nos fuerzan a innovar y crear herramientas mejores que nos permitan adaptarnos al entorno en el que nos toca trabajar. Es por eso que desarrollamos un MMM que utiliza Machine Learning que permite trabajar a un mayor nivel de granularidad y en un menor tiempo para buscar responder a esas preguntas que desafían nuestro negocio de manera más eficaz.

Si están ante una pregunta de negocio que no están pudiendo responder, de manera certera, probablemente haya una respuesta en modelos de predicción y tengan que plantearse ante el desafío de buscar la solución internamente, preguntas como:

¿Qué medios tienen mejor performance?

¿Cuáles son las métricas más importantes de mi negocio?

¿Estoy asignando de manera óptima el presupuesto?

¿Cuál es el impacto de distintas variables en las ventas?

¿Qué pasa si invierto más en un medio que en otro?

¿Cómo distribuir mi presupuesto para aumentar un X% mi ROAS?

Este tipo de preguntas son las que hoy deberían llevarlos a plantearse buscar un partner para desarrollar un modelo de predicción que destrabe el problema, o desarrollar un equipo interno con la capacidad de trabajar en esta línea. Y que si se encuentran dentro de la vertical de consumo masivo, retail y retail media, bancos o aseguradoras, entre otras seguramente haya muchas aplicaciones que puedan llevar su negocio a un siguiente nivel de comprensión y ejecución.