Cuando en el mundo publicitario no se conocían ni se tenían al alcance tantas métricas como hoy en día, el media mix modeling (MMM) era aclamado una posible solución a la incertidumbre.

En la sociedad post-Covid, donde el destino de las cookies de terceros ha tenido a la industria en una montaña rusa emocional (ahora Google acaba de anunciar que ya no se eliminarán) y donde el tiempo es más importante que nunca, los nuevos intentos de mix de medios son más accesibles para el mercado y los clientes más pequeños, no sólo para las grandes corporaciones multinacionales.

Los avances en computación, soluciones cloud y machine learning han contribuido a democratizar la capacidad de los profesionales del marketing para utilizar el MMM. También existe la necesidad de que los profesionales del marketing dispongan de una mayor transparencia sobre la eficacia de la planificación y la medición de medios. Debido a la mayor presión a la que se ven sometidos los profesionales del sector para gastar de forma más eficiente y eficaz, las agencias deben garantizar que sus clientes puedan comprender con mayor claridad los resultados del trabajo que realizan.

Una de esas iniciativas, una herramienta de MMM llamada FutureSight, ha utilizado la computación en nube y el machine learning para crear un Saas (software as a service) para clientes centrada en la transparencia, tal y como recoge Digiday en un artículo. Esta herramienta, surgida de la agencia de medios independiente Mediastruction, es en gran parte obra de Marilois Snowman, fundadora y consejera delegada de Mediastruction. Snowman destacó la transparencia de FutureSight como un elemento muy importante para los clientes que lo utilizan. “La diferencia es que no es una caja negra, es una caja de cristal. Así que el modelo que se utiliza para atribuir los medios se crea de manera personalizada para la marca”, explicó Snowman. “Podría ser en realidad un modelo conjunto, que es como una combinación de múltiples tipos diferentes de modelos. El algoritmo para un concesionario de coches podría no ser apropiado para un retailer online, por lo que lo ajustamos. Esa es la parte de la caja de cristal”.

Según Jen Marino, un CMO que ha utilizado FutureSight para trabajar con varios clientes, explica que esta herrramienta permite prever lo que sucederá en el media mix modeling. “Es muy preciso en términos de lo que puede pronosticar”, dice. Marino dijo que su etapa como CMO de Rockland Trust se tradujo en ahorro y eficiencia gracias a la optimización que FutureSight permitió, pero también le ha ayudado a aumentar el gasto debido a la eficacia descubierta.

“Pudimos demostrar el impacto del marketing para ver qué canales funcionaban con mayor eficacia”, añadió Marino. “Tomamos decisiones sobre la inversión en los distintos vehículos basándonos en ese modelo y en lo que nos decía. Así que fuimos más eficientes con el presupuesto total año tras año en más de un 30% porque pudimos optimizar cada uno de esos canales con una atribución completa”.

La IA como aliada

En la agencia de medios estadounidense Media Matters Worldwide, el machine learning y la IA desempeñan un papel cada vez más importante en el desarrollo de métricas y media modeling. Su Agile Mix Modeling (AMM) proporciona a los clientes lecturas semanales del ROI de la campaña en todos los canales, ya que la atribución tradicional se vuelve menos útil con los walled gardens y la eliminación de las cookies de terceros.

En comparación con los métodos tradicionales, AMM utiliza la recogida automatizada de datos cada 24 horas en lugar de la recogida manual de datos, que suele hacerse trimestralmente. El tiempo necesario para procesar los datos recogidos manualmente también requiere una media de cuatro semanas y conlleva una alta probabilidad de errores, explica Sara Owens, vicepresidenta de análisis de Media Matters Worldwide. La previsión mediante AMM también es más precisa, y los modelos se entrenan solos en horas, frente a las semanas que se tarda con la MMM tradicional, que requiere un trabajo manual que tarda entre cuatro y seis semanas en entrenarse.

Uno de sus clientes, Sierra Nevada Brewing Company, que estaba invirtiendo mucho en redes sociales como Facebook, que no permite la medición third-party, no tenía una solución de medición única para las campañas que mostrara cómo cada canal y cada partner estaba impulsando las ventas o el ROAS.

Gracias a la utilización de AMM, así como a un modelo que se actualizaba mensualmente para ofrecer métricas más precisas y oportunas de los ingresos incrementales de la campaña y el ROAS por canal, la marca pudo obtener “una comprensión completa de la eficacia de sus medios, lo que llevó a una toma de decisiones más informada, una asignación presupuestaria optimizada y un mayor ROAS e incremento de los ingresos”, añadió Owens.

AMM demostró que uno de los canales de mayor rendimiento de la marca era la radio local, que antes formaba una pequeña parte de su mix de medios. También proporcionó información al cliente sobre el bajo performance de las redes sociales de pago, mientras que la música en streaming funcionaba bien. En última instancia, la herramienta llevó a este cliente a utilizar un mix de medios certero y adecuado, y a prever ingresos con el doble de ROAS.

Mientras tanto, Keen Decision Systems, una empresa especializada en marketing mix modeling, profundiza en el marketing mix más amplio y no abarca sólo los canales de medios de comunicación, sino que ofrece un uso de prueba gratuito por primera vez para su herramienta de marketing mix modeling SaaS de cinco años.

“Si ponemos en tus manos una herramienta que sea intuitiva y te ofrezca la capacidad de obtener información, puedes ver que, de hecho, aunque seas una marca que gasta 500.000 dólares al año, el modelo producirá resultados que son valiosos para tu negocio”, dijo Brad Keefer, Chief Revenue Officer de la empresa. “La gente con la que hablamos busca una herramienta que les ayude a hacer previsiones, que les ayude a responsabilizar a sus agencias, que pueda medir y demostrar su valor y que pueda hacerlo a un ritmo más rápido”, termina.