El Marketing Mix Modeling estima cuánto aporta cada canal a las ventas usando datos agregados, y hoy hay dos modelos open source serios para hacerlo: Meridian, de Google, y Robyn, de Meta. Para que un directorio pueda mover presupuesto con sus cifras, el modelo tiene que estar calibrado con experimentos en los canales donde se juega la plata grande.

UN ROI POR CANAL QUE EL DIRECTORIO QUIERE CREER

Cuando un gerente de Marketing lleva un MMM al directorio, lo que muestra es una tabla con un ROI por canal y una propuesta de reasignación. Es una pieza potente, porque cubre el mix completo con datos agregados, funciona sin cookies ni seguimiento de personas y contesta qué parte de las ventas se explica por cada peso invertido en cada medio. El punto es que esa tabla sale de un modelo que aprende de la historia, y en Cyber, en Navidad o en un lanzamiento todos los canales suben juntos, así que el modelo tiene que repartir el mérito con información que muchas veces no alcanza para separarlos.

La vuelta del MMM tiene fecha. El 29 de enero de 2025 Google abrió Meridian a todos los marketeros y equipos de datos, después de probarlo con cientos de marcas y con un programa de más de 20 socios de medición certificados. Meta mantiene Robyn, un paquete experimental y open source de su equipo de Marketing Science. Con dos herramientas de ese nivel en código abierto, construir un modelo se volvió accesible para equipos internos, y la pregunta de directorio pasó a ser cuánto de lo que dice el modelo se sostiene cuando uno lo pone a prueba.

En el artículo sobre modelos de medición: MMM, MTA, atribución e incrementalidad comparé las familias de medición desde arriba. Acá entro al motor: cómo funciona un MMM moderno, en qué se diferencian Meridian y Robyn según su documentación y por qué el experimento vuelve defendible lo que el modelo recomienda.

QUÉ ES UN MMM, EN UNA FRASE Y TRES CONCEPTOS

Un Marketing Mix Modeling es un modelo estadístico sobre datos agregados, normalmente semanales, que explica las ventas en función de la inversión por canal, la estacionalidad, el precio y variables externas, y separa la venta que habría ocurrido igual (la base) de la que aporta cada medio. Tres ideas sostienen esa separación.

La primera es el adstock, o efecto arrastre: un aviso de esta semana sigue vendiendo la próxima, con un efecto que se apaga, y Meridian lo modela como un promedio ponderado de la inversión de semanas anteriores. La segunda es la saturación, que tanto Meridian como Robyn representan con una función de Hill, la curva donde cada peso adicional rinde un poco menos. La tercera, la que más plata mueve, es la distancia entre el ROI promedio y el ROI marginal.

Google lo explica con un ejemplo en la documentación de Meridian: un canal de video que devuelve 2,5 dólares de venta incremental por cada dólar invertido, en promedio, cuyo próximo dólar podría devolver apenas 0,80 dólares si el canal está cerca de saturarse. El ROI promedio sirve para evaluar el pasado, y la decisión de presupuesto se toma con el marginal, porque lo que el directorio aprueba es dónde va el próximo peso. Hanssens y Pauwels (2016) llegan a lo mismo desde la academia: con rendimientos decrecientes, el ROI se maximiza con niveles de inversión por debajo del que maximiza la utilidad, así que perseguir el ROI más alto puede dejar crecimiento rentable sobre la mesa. Esa lógica de asignación la desarrollé en las siete decisiones del presupuesto de Marketing 2027; un MMM calibrado es la herramienta que entrega las curvas canal por canal.

MERIDIAN Y ROBYN, SEGÚN SU PROPIA DOCUMENTACIÓN

La forma rápida de contarlo es “Meridian es bayesiano y Robyn es frecuentista con optimización”, y sirve como primera aproximación. Meridian es un modelo bayesiano jerárquico a nivel geográfico, que entrega una distribución posterior e intervalos de credibilidad para cada ROI y recibe los experimentos como priors. Robyn usa regresión Ridge para manejar la correlación entre canales y busca sus hiperparámetros con Nevergrad, la librería de optimización evolutiva de Meta, persiguiendo varios objetivos a la vez. Su propia documentación aclara que Ridge equivale a una regresión bayesiana con prior normal, así que la frontera entre ambos enfoques es delgada y la etiqueta funciona solo como atajo.

DimensiónMeridian (Google)Robyn (Meta)
Enfoque estadísticoBayesiano jerárquico por geografía, con intervalos de credibilidadRegresión Ridge con hiperparámetros optimizados por Nevergrad
Cómo entra un experimentoComo prior de ROI del canal, con CalibrationBuilder y geoexperimentos GeoXComo error de calibración (MAPE.LIFT) que penaliza a los modelos que se alejan del experimento
Efecto arrastreFunción Adstock con decaimiento geométrico o binomialAdstock geométrico o Weibull (CDF o PDF)
SaturaciónFunción de HillFunción de Hill
Selección del modeloUn modelo con su incertidumbre explícitaCandidatos Pareto óptimos; el analista elige
Historia mínima sugeridaDos años semanales (geográfico); tres años (nacional o mensual)Dos años semanales; con datos mensuales, 4 a 5 años
Optimización de presupuestoPresupuesto fijo (maximizar ROI o KPI) o flexible (ROI mínimo o ROI marginal objetivo)Asignador con solver no lineal restringido basado en gradiente

La diferencia que más pesa en la operación está en la fila del experimento. En Meridian entra antes de estimar, como una creencia previa que el modelo combina con los datos; en Robyn entra durante la búsqueda, como la vara contra la que se mide cada candidato. Ambos caminos terminan en ROI anclados a una medición causal, y las dos documentaciones lo piden de forma explícita: Robyn recomienda con énfasis calibrar con resultados experimentales considerados verdad de terreno, y Meridian describe los experimentos de incrementalidad como quizás la base más sólida para formar sus priors.

TRES TRAMPAS QUE TODO MMM TIENE QUE SORTEAR

La primera es la multicolinealidad. La documentación de Robyn la explica con el caso típico: las marcas suben la inversión en todos los canales a la vez, por ejemplo en Navidad, y el modelo produce coeficientes inestables y difíciles de interpretar. La regularización los estabiliza, y la variación que la historia nunca tuvo la aporta un experimento que mueva un canal por separado.

La segunda es el efecto halo. Una campaña de video sube las búsquedas de marca, y si el modelo ve la venta llegar por el buscador, le entrega el mérito al canal que cerró y le resta al que generó la demanda. Meridian permite incluir el volumen de búsquedas de Google como control de la demanda orgánica, justamente para este problema, y aun así el reparto entre canales de arriba y de abajo del embudo es donde un experimento aporta más claridad por peso invertido.

La tercera son los pocos datos. La regla que circula es “al menos dos años de datos semanales”, y calza con Robyn y con los modelos geográficos de Meridian, pero Google pide tres años para un modelo nacional o con datos mensuales. Para una marca chilena con ventas solo a nivel país, eso cambia el calendario. Meridian sugiere también combinar los canales con poca inversión y sacar las geografías con muy pocas observaciones.

LO QUE DICE LA EVIDENCIA: MODELO, EXPERIMENTO, MODELO

Hanssens y Pauwels (2016) revisaron cómo las empresas demuestran el valor del Marketing y partieron por una observación vigente: las dos herramientas dominantes para medir impacto, los modelos de respuesta de mercado y los experimentos, rara vez se combinan. Los modelos sobre datos históricos cubren todo el mix y el largo plazo, pero las decisiones de Marketing siguen reglas que sesgan la estimación (la endogeneidad). Los experimentos de campo comparan tratamiento y control de forma directa y eliminan ese sesgo, a cambio de ser caros, mover pocas variables a la vez y durar poco.

Su propuesta es una secuencia que bautizaron MEME: modelo, experimento, modelo, experimento. El caso es el de Inofec, una empresa de muebles que estimó un modelo de respuesta con datos históricos, simuló escenarios y decidió duplicar la inversión en búsqueda pagada y reducir a la mitad el correo directo. En el experimento de campo que siguió, la condición de tratamiento ganó 14 veces la utilidad neta del control. Al volver a modelar, la búsqueda pagada siguió rindiendo alto y el correo directo reducido empezó a quedar en punto de equilibrio, así que la empresa siguió probando con más búsqueda. Meridian y Robyn facilitan hoy ese mismo ciclo.

La razón por la que los métodos observacionales necesitan ese ancla está en el artículo sobre atribución y causalidad: cuando los datos vienen de decisiones tomadas con información previa, el modelo puede confundir la causa con la selección.

LA REGLA DE ORO CUANDO EL EXPERIMENTO Y EL MODELO NO CALZAN

Un MMM recién estimado, antes de calibrar, es una correlación sofisticada: una muy buena hipótesis para ordenar el mix, que gana estatus de evidencia causal en cada canal donde un experimento la confirma o la ajusta. Mi regla es simple. Si el experimento contradice al modelo, se le cree al experimento para ese canal y ese período, y el modelo se recalibra. La documentación de Meridian ayuda a aplicarla con criterio, porque advierte que experimento y MMM suelen definir el ROI de forma distinta: el experimento responde a su ventana, sus geografías y su configuración de campaña. Por eso el resultado entra como prior o como objetivo de calibración, con su incertidumbre, y el modelo se vuelve a estimar. Robyn llega a lo mismo: acepta el experimento como estimación puntual con fechas y respuesta incremental, porque cubre un período acotado.

La consecuencia práctica para el Negocio es una regla de asignación del esfuerzo de medición: experimentar donde la decisión es grande y reversible, en los canales que concentran la inversión y donde mover presupuesto unas semanas tiene un costo acotado, y modelar el resto con el modelo calibrado por esos experimentos. Un geoexperimento es la forma más accesible de producir esa primera medición causal, y la lógica del contrafactual está en el pilar de esta serie sobre qué ventas no habrían existido sin la campaña.

CÓMO APLICARLO MAÑANA

  1. Haz el inventario de datos: semanas por canal, si las ventas se abren por región y qué canales tienen poca inversión. Con historia nacional de menos de tres años, conviene partir por un geoexperimento sobre el canal más grande.
  2. Elige la herramienta por la forma de trabajar del equipo: Meridian encaja con datos por región y conocimiento previo como priors; Robyn, con un equipo que quiere explorar muchos candidatos y elegir con criterio de Negocio.
  3. Presenta el primer modelo como hipótesis y léelo en ROI marginal, porque la pregunta del directorio es dónde rinde el próximo peso.
  4. Calibra el canal que concentra la inversión con un experimento con ventana, geografías y criterio de decisión escritos antes de mirar datos.
  5. Recalibra y repite: cada experimento entra al modelo, y la reasignación que el modelo propone se vuelve el siguiente experimento.

Cuando un equipo corre su primer geoexperimento y lo convierte en prior del modelo, la conversación con Finanzas gana un ancla: cada ROI de la tabla trae al lado la prueba que lo sostiene, con su ventana y su margen de error. En los proyectos donde he trabajado la analítica y la medición de Marketing, ese es el momento en que el MMM pasa a ser una herramienta de gestión del presupuesto, revisada con la seriedad de un forecast de ventas.

PREGUNTAS FRECUENTES

¿Qué es el Marketing Mix Modeling?

El Marketing Mix Modeling (MMM) es un modelo estadístico sobre datos agregados, normalmente semanales, que estima cuánto aporta cada canal de Marketing a las ventas, controlando por estacionalidad, precio, promociones y variables externas. Incorpora el efecto arrastre de la publicidad (adstock) y los rendimientos decrecientes (saturación), y funciona sin cookies ni datos individuales.

¿Cuál es la diferencia entre Meridian y Robyn?

Meridian, de Google, es un modelo bayesiano jerárquico a nivel geográfico que recibe los experimentos como priors de ROI por canal y entrega intervalos de credibilidad. Robyn, de Meta, usa regresión Ridge con hiperparámetros optimizados por Nevergrad y trata los experimentos como un objetivo de error de calibración al elegir entre modelos candidatos. Ambos son open source, modelan adstock y saturación con una función de Hill e incluyen un optimizador de presupuesto.

¿Cuántos datos necesita un MMM?

La documentación de Meridian recomienda como mínimo dos años de datos semanales para modelos geográficos y tres años para modelos nacionales o con datos mensuales. La guía de Robyn pide al menos dos años de datos semanales y, si solo hay datos mensuales, más de dos años, por ejemplo cuatro a cinco.

¿Qué pasa si un experimento contradice al MMM?

Para ese canal y ese período se le cree al experimento, y el modelo se recalibra incorporando el resultado como prior (en Meridian) o como objetivo de calibración (en Robyn), con su incertidumbre. Conviene recordar que el experimento mide su propia ventana, sus geografías y su configuración de campaña, así que el ajuste se hace con criterio, traduciendo la cifra a la lógica del modelo.

REFERENCIAS

LA SERIE

Escrito por
Rodrigo Orellana.

Founder & CEO de Futture, Co-founder de Thinkr y Keynote Speaker de IA, Negocio, Transformación Digital y Marketing. Conoce sus conferencias en rodrigoorellana.net.