6 preguntas que debe plantear a su socio de modelización de la combinación de mercados

1. ¿Mostrarán las mediciones el aumento incremental de los medios de comunicación?

Si los modelos MMM miden los medios de comunicación pero no incluyen el impacto de otros factores -como Covid, estacionalidad, efectos económicos, etc.-, entonces no le proporcionarán una medida incremental y los efectos de los medios de comunicación estarán sobrevalorados.

Pregunte siempre qué factores distintos de los medios se incluirán en el modelo, y las fuentes de los datos que utilizan, para asegurarse de que sus resultados son lo más precisos posible.

2. ¿Qué periodo de tiempo abarca el modelo?

MMM necesita al menos dos años de datos, preferiblemente tres, para asegurarse de que obtiene una medición precisa de los medios de comunicación y no los confunde con factores como la estacionalidad u otras repercusiones a más largo plazo, como los movimientos económicos. Si obtiene resultados con una ventana retrospectiva de tres meses, es muy poco probable que se trate de MMM y, por tanto, no serán medidas incrementales las que reciba.

Pregunte cuántos datos históricos necesitará el proveedor.

3. ¿Cuál es el KPI que se está modelando?

Pregunte cuál será la "variable dependiente". Este es el KPI que se está modelando, y debe ser la métrica sobre la que se juzgue el éxito de su negocio. Una métrica de ventas -como adquisiciones, volumen de ventas, ingresos o similares- es ideal, ya que puede convertir los aumentos en ingresos y, a continuación, utilizar el margen para llegar al beneficio, lo que le permite evaluar la verdadera rentabilidad para el balance final de la empresa.

Si sólo se trata de visitas web o conversiones digitales, ¡debería saltar la alarma!

4. ¿Cómo se gestionan los efectos de los canales interactivos?

Cualquier modelo debe reflejar cómo funcionan las cosas en el mundo real. Por ejemplo, los medios de comunicación de marca pueden inducir a los consumidores a buscar sus productos o servicios, lo que a su vez impulsa la búsqueda de pago. Esto debe tenerse en cuenta correctamente en la especificación del modelo, así como cualquier efecto sinérgico entre canales y la capacidad de los medios para impulsar las ventas online y offline. Si no se tienen en cuenta, probablemente no se trate de un MMM adecuado.

Pregunte cómo se tienen en cuenta los efectos de los medios interactivos.

5. ¿Cómo se comprueba la causalidad, la colinealidad y la significación?

Parecen términos complejos, pero no dan tanto miedo como parecen

La causalidad indica la direccionalidad del impacto, es decir, en qué sentido algo influye en otra cosa. Por ejemplo, ¿los medios de comunicación de marca llevan a los consumidores a buscar una marca o el volumen de búsquedas influye en el rendimiento de los medios de comunicación de marca? Hay ciertas pruebas econométricas que ayudan a determinar esto y a validar los resultados.

Pida una lista de todas las posibles variables de datos que les gustaría incluir en el modelo, así como los procesos que utilizarán para determinar la causalidad.

La colinealidad se produce cuando dos factores se mueven de forma similar y resulta difícil separar su impacto; por ejemplo, si la televisión y la radio se planificaran con un peso constante durante las mismas cuatro semanas, un modelo MMM tendría dificultades para determinar el impacto de cada uno de ellos por separado. Los casos de colinealidad pueden someterse a pruebas y deben ser señalados por el modelador.

Pregunte qué tipo de pruebas utilizará el modelador para determinar la colinealidad.

La significación indica al modelizador la importancia de cada uno de los factores en el modelo. Hay que tener cuidado cuando la significación es baja (normalmente en canales de medios con poco gasto), ya que en este caso el modelador no puede confiar en el resultado, lo que debe señalarse al cliente.

Pregunte a qué nivel estadístico se consideran los medios de comunicación y cómo marcará el modelador las medidas inferiores.

6. ¿Cuál es el error de previsión verificado?

Para establecer un error de previsión verificado, la información sobre cómo se ha comportado el KPI durante un periodo de tiempo se "retiene" o no se revela al modelador. A continuación, el modelizador debe utilizar su análisis para "pronosticar" lo que espera que sean los resultados del KPI. La previsión puede compararse con las ventas reales para verificar la precisión del modelo.

El objetivo debe ser un error no superior al 8%, con un rango razonable entre el 2% y el 8%. Los modelos no incrementales (por ejemplo, el último clic o los modelos de atribución) no son buenos para hacer previsiones.

Pregunte si tienen previsiones validadas de clientes anteriores.

Esperamos que esto le haya servido para orientarse sobre lo que debe buscar. En caso de duda, confíe en estas sencillas preguntas para hacerse una idea de si su socio es sólido y fiable.

Para obtener más información sobre cómo podemos ayudarle con la medición de la eficacia del marketing o la modelización de la combinación de mercados, visite nuestra página de medición o póngase en contacto con nosotros.