Marketing Mix Modeling para marcas medianas: cuándo tiene sentido y cómo empezar

El Marketing Mix Modeling vuelve a estar de moda. Pero la mayoría de los casos de uso que circulan en conferencias y LinkedIn hablan de presupuestos de ocho cifras y equipos de data science de cinco personas. ¿Tiene sentido el MMM para una marca mediana que invierte entre 50.000 y 500.000 € al mes en media? La respuesta corta es sí, pero con matices importantes que conviene entender antes de empezar.

El contexto es el siguiente: la depreciación de las cookies de terceros, las restricciones de iOS y el ruido creciente en los modelos de atribución basados en clics han dejado a muchos anunciantes con una sensación incómoda. Los números de plataforma no cuadran, el last-click infravalora el branding y el modelo data-driven de Google es una caja negra que nadie audita. Ante eso, el MMM —que no depende de cookies ni de píxeles— ofrece algo distinto: una visión agregada y estadística de qué canales mueven realmente la aguja del negocio.

Qué es el Marketing Mix Modeling y en qué se diferencia de la atribución

El MMM es una técnica econométrica que modela las ventas —u otra variable objetivo— como función de las inversiones en medios, factores externos (estacionalidad, precio, competencia) y variables de control. A diferencia de la atribución basada en eventos, trabaja con datos agregados a nivel semanal o mensual y no necesita tracking a nivel de usuario.

Eso lo hace especialmente valioso en un entorno cookieless, pero también implica que necesitas suficiente historial de datos y varianza real en el gasto para que el modelo tenga algo que aprender. Con menos de 18-24 meses de historia o con un presupuesto relativamente constante mes a mes, las regresiones producen intervalos de confianza tan amplios que las conclusiones dejan de ser accionables.

El MMM ligero: opciones asequibles para presupuestos medianos

El MMM tradicional requería contratar una consultora especializada y esperar meses de proyecto. Hoy existen alternativas que democratizan el acceso sin necesidad de un equipo enorme:

• Meridian (Google): modelo open-source en Python basado en Bayesian MMM. Bien documentado, gratuito y con soporte activo de comunidad.
• Robyn (Meta): también open-source, en R, con optimización automática de hiperparámetros. Es el más maduro y ampliamente adoptado en agencias y equipos internos.
• Lightweight MMM (Google, vía JAX): más ligero que Meridian, útil para iteraciones rápidas cuando los datos son limpios.
• Plataformas SaaS: Northbeam, Rockerbox o Triple Whale ofrecen MMM simplificado con menor fricción técnica, aunque con menos control y transparencia metodológica.

Para una marca mediana, la combinación más pragmática suele ser Robyn o Meridian con datos en BigQuery: el coste es el tiempo de un analista o data scientist durante unas semanas, no el de una consultora durante meses.

Qué datos necesitas y cómo estructurarlos

El MMM se alimenta de series temporales. Como mínimo necesitas: inversión semanal desglosada por canal (Search, Social, Display, TV, etc.), variable objetivo (ventas, revenue, leads cualificados) y variables de control (precio medio de venta, promociones activas, días festivos, lanzamientos de producto). Cuanto más limpia y consistente sea la data histórica, mejores serán las estimaciones del modelo.

El MMM no te dice qué anuncio funcionó. Te dice qué palancas, a nivel de canal y periodo, han tenido contribución real en el negocio. Es una herramienta de estrategia, no de optimización táctica.

Un error frecuente es intentar que el MMM valide decisiones ya tomadas. El modelo es más útil cuando se usa de forma prospectiva: para calibrar la atribución de plataforma, detectar saturación en canales concretos, y orientar la reasignación de presupuesto entre canales en el planning del siguiente trimestre. No para justificar retrospectivamente por qué una campaña de awareness «funcionó».

Cuándo tiene sentido incorporarlo y cuándo no

El MMM tiene sentido cuando inviertes en al menos tres canales con varianza real de gasto a lo largo del tiempo, cuando tienes más de 18-24 meses de datos consistentes, y cuando el objetivo es tomar decisiones de planning estratégico, no de puja diaria. No tiene sentido cuando el presupuesto mensual es inferior a 30-50K €, cuando no existe historial de datos limpio, o cuando el equipo no tiene capacidad para interpretar y actuar sobre los resultados del modelo.

En Latitude trabajamos el MMM como una capa de validación sobre los modelos de atribución de plataforma: no los sustituye, pero los calibra. Cuando el data-driven de Google asigna el 80% del valor al último clic de Search y el MMM señala que Display tiene una contribución del 25% que el píxel nunca captura, tienes un argumento sólido para defender el presupuesto de branding ante el CFO. Eso es exactamente el tipo de decisión basada en datos que marca la diferencia entre escalar con control y escalar a ciegas.