Los paquetes de código abierto y los agentes de IA han facilitado la construcción de un modelo de mezcla de marketing (MMM), pero no han hecho que sea más fácil saber si el modelo es correcto. La barrera pasó de construir el modelo a supervisarlo: calibrarlo frente a experimentos, comparar modelos y nombrar quién aprueba el número. El sudeste asiático, con un historial de datos breve y muchos canales por dólar de marketing, es el que tiene la mayor exposición.
Puntos clave
- Un agente de IA ahora puede extraer un paquete de código abierto, cargar datos de gastos e ingresos y producir un modelo de mezcla de marketing funcional casi sin antecedentes estadísticos.
- Robyn (Meta) pide lo mínimo al usuario, Meridian (Google) necesita codificación de ciencia de datos y PyMC Marketing necesita experiencia bayesiana; Los agentes borran la brecha de configuración pero no la brecha de interpretación.
- En quince grandes experimentos publicitarios estudiados por Gordon, Zettelmeyer, Bhargava y Chapsky, los métodos de observación fallaron en un factor de tres o más en aproximadamente la mitad de los estudios.
- Los modelos a menudo fallan en los datos antes de comenzar el modelado: referencias de asistentes de IA sin referentes, construcción de marca no remunerada y aportes obsoletos de la competencia y la audiencia.
- Supervisión significa calibrar frente a experimentos, tratar el desacuerdo entre modelos como un hallazgo y nombrar a la persona que aprueba el número.
¿Qué cambió en el modelado de la mezcla de marketing?
Construir un modelo de marketing mix se ha convertido en algo que casi cualquiera puede hacer. Saber si ese modelo dice la verdad sigue siendo poco común. AdExchanger cubrió recientemente el auge del modelado de mezclas de marketing de código abierto, acuñando la etiqueta OS MMM en el camino, y el entusiasmo detrás del artículo fue genuino. Simplemente no apuntaba al logro correcto.
Julian Runge, de la Escuela Medill de Northwestern, ha presentado una versión de este argumento que merece más atención de la que recibe. Ahora se puede pedir a un agente de IA que extraiga un paquete de modelado de código abierto, cargue los datos de gastos e ingresos de un cliente y produzca un modelo de mezcla de marketing funcional sin casi necesidad de conocimientos estadísticos. Cualquiera que haya pagado seis cifras por una consultoría y haya esperado una cuarta parte para obtener una respuesta a una pregunta tan simple como qué canal está funcionando realmente debería detenerse en eso por un momento.
Luego viene la parte del argumento que no viaja bien en una diapositiva resumida. Lo que se volvió barato es el acto de producir un modelo. Lo que todavía cuesta exactamente lo que siempre costó es tener razón en uno.
¿Qué parte del modelado de la mezcla de marketing realmente se volvió más barata?
Runge y Koen Pauwels publicaron una comparación práctica de los principales paquetes de código abierto este año , y es inusualmente clara sobre lo que exige cada uno. Robyn, construido por Meta, combina la regresión de crestas con un proceso de búsqueda evolutiva. Le pide lo mínimo al usuario y puede devolver un modelo funcional en menos de un día. Meridian de Google espera una capacidad real de codificación de ciencia de datos. PyMC Marketing espera experiencia bayesiana genuina y, a menudo, tarda un par de semanas en funcionar correctamente.
| Paquete | Qué le pide al usuario | Cómo se calibra frente a experimentos |
|---|---|---|
| Robyn (Meta) | Lo mínimo; Regresión de crestas con búsqueda evolutiva, un modelo funcional en menos de un día | A través de la optimización multiobjetivo, que Runge y Pauwels señalan como menos comprendida y menos probada |
| Meridiano (Google) | Capacidad de codificación de ciencia de datos real | Resultados del experimento como antecedentes bayesianos; Meridian GeoX permite que los experimentos geográficos anclen el modelo |
| Marketing PyMC | Experiencia bayesiana genuina; a menudo un par de semanas para funcionar correctamente | Resultados del experimento como antecedentes bayesianos. |
Un agente de IA borra la brecha de configuración entre estas tres herramientas. No hace nada para borrar la brecha de interpretación. En todo caso, lo amplía, porque ahora los tres enfoques pueden producir un gráfico que parezca seguro al final de la semana, y cada uno de esos gráficos parece igualmente confiable en una diapositiva.
¿Por qué no puedes confiar en el resultado de un modelo por sí solo?
Imagínese el escenario. Un agente corrió durante la noche y por la mañana ya había una plataforma limpia en la bandeja de entrada. Un canal regresa informando un retorno de la inversión publicitaria de 4.1. La búsqueda de marca arroja 0.9. Alguien en la sala quiere que se reasigne el presupuesto antes del final de la semana y hace la única pregunta que realmente importa. ¿Es correcto ese número?
Nadie en la sala puede responder eso basándose únicamente en los resultados, porque los resultados no dan ninguna indicación de su propia confiabilidad.
La magnitud de lo que puede salir mal aquí no es nueva. Los investigadores Gordon, Zettelmeyer, Bhargava y Chapsky realizaron quince experimentos publicitarios a gran escala que abarcaron aproximadamente 500 millones de observaciones de experimentos de usuarios y más de mil millones y medio de impresiones, y luego compararon los resultados con los métodos de observación en los que normalmente se basa la industria. En aproximadamente la mitad de los estudios, el aumento estimado se desvió en un factor de tres o más. Una campaña con un aumento real de alrededor del dos por ciento se estimó mediante métodos de observación en más del tres mil por ciento. Otra campaña con un aumento genuino cercano al setenta por ciento obtuvo un resultado estimado en más de cuatro veces esa cifra.
Esa investigación tiene ya varios años. Nada acerca de la IA agente cambia el problema subyacente que descubrió. Un proceso más rápido que funcione con los mismos datos de observación reproducirá el mismo sesgo. Simplemente lo hará antes y con un mejor formato.
¿Dónde se rompen los modelos de marketing mix antes de que comience el modelado?
La mayoría de los resultados deficientes del modelo de marketing mix no son realmente un fracaso del modelo. Es una falla de datos que el modelo luego presenta con una confianza inmerecida.
Comience con canales que el modelo no puede ver en absoluto. Si los clientes preguntan a un asistente de inteligencia artificial como ChatGPT o Perplexity qué producto comprar y llegan a un sitio sin un referente adjunto, ese tráfico simplemente no tiene ninguna columna en el conjunto de datos. El modelo lo incorpora a la demanda de referencia o lo atribuye silenciosamente a cualquier campaña que se estuviera llevando a cabo cerca. Esto ya se refleja en los datos. Touchigh, que trabaja en la optimización de motores generativos para vendedores transfronterizos que ingresan al mercado estadounidense, ha informado que el tráfico de referencias de IA aumentó cerca de setecientos por ciento durante la temporada navideña más reciente, con tasas de conversión de referencias de asistentes de IA que oscilan entre un treinta y un cuarenta por ciento por encima del promedio del sitio. Las cifras exactas pertenecen a aquel estudio. El punto estructural no. Un canal que crece a un ritmo cercano a ese ritmo y que está completamente ausente del conjunto de datos es un error de especificación más que un error de redondeo.
Luego está la línea de gasto que nunca aparece. Publicación fundadora, autoridad de categoría construida lentamente con el tiempo, el hábito no remunerado de simplemente aparecer consistentemente en la conversación de una categoría. Nada de esto conlleva un costo mediático, nada produce una explosión visible y su efecto a menudo aparece uno o dos trimestres después, que es precisamente la forma que peor maneja un modelo de mezcla de marketing. Es absorbido por la tendencia y desaparece por completo del análisis.
Y luego está el fracaso menos glamoroso de todos. Calidad de entrada. Un modelo alimentado con una imagen débil y obsoleta de los competidores y del comportamiento de la audiencia asignará con confianza el presupuesto a un mercado que ya no existe. Hay un caso documentado que involucra a Mothercare Singapore que redujo el tiempo dedicado a la investigación de audiencia en un ochenta por ciento, liberando más de veinticinco horas a la semana, mientras rastreaba más de cuatro mil anuncios digitales anualmente dentro de su categoría. Lo realmente interesante no es el tiempo ahorrado. Es que la imagen del mercado que alimenta cada modelo posterior se volvió actual en lugar de obsoleta en una cuarta parte.
¿A dónde va ahora la experiencia en modelaje?
No desaparece. Se pasa de construir el modelo a supervisarlo. Vale la pena arreglar tres cosas antes de ejecutar el próximo modelo.
Calibrar contra un experimento en lugar de contra el instinto. Meridian y PyMC Marketing permiten que los resultados de los experimentos se introduzcan como antecedentes bayesianos. Robyn calibra a través de su proceso de optimización multiobjetivo, que Runge y Pauwels señalan específicamente como mucho menos comprendido y menos rigurosamente probado. Google introdujo Meridian GeoX en mayo de 2026 específicamente para que los experimentos geográficos puedan anclar un modelo directamente en lugar de sentarse junto a él como un ejercicio separado.
Trate el desacuerdo entre modelos como un hallazgo en sí mismo. Ejecutar dos paquetes diferentes en el mismo conjunto de datos y observar cómo difieren en un orden de magnitud en un solo canal enseña algo real sobre cuán débilmente se identifica ese canal dentro de los datos. La mayoría de los equipos ejecutan exactamente un modelo y nunca lo descubren.
Nombra a la persona que firma el número. Antes de que cualquier cifra tome una decisión presupuestaria real, alguien debe asumir el riesgo de equivocarse al respecto. Este es el control único que la mayoría de los equipos se saltan silenciosamente.
Esa capa de supervisión tiene que residir en alguna parte, y para una agencia más pequeña o independiente a menudo no reside en ninguna parte, simplemente porque no hay un banco de análisis dedicado para absorber el trabajo. Esa brecha es parte de lo que hace que las herramientas creadas para brindar a los talleres más pequeños la capa de inteligencia y automatización de una red más grande sean tan relevantes en este momento. El tiempo ahorrado en la presentación de informes sólo crea valor si se reinvierte en juicios en lugar de absorberlo en más informes.
¿Por qué esta tierra es más dura en el sudeste asiático?
El sudeste asiático es el que más se beneficia de las herramientas de modelado gratuitas y tiene la mayor exposición cuando esas herramientas se utilizan sin la supervisión adecuada. Los historiales de datos tienden a ser más cortos. La cantidad de canales por dólar de marketing tiende a ser mayor, abarcando TikTok Shop, Shopee, Lazada, Meta, una ubicación Grab y una comunidad de WhatsApp, a menudo todos dentro de una sola campaña. Menos mercados son lo suficientemente grandes como para soportar una prueba de resistencia genuinamente limpia. Una marca regional puede terminar fácilmente con más columnas de canales en su conjunto de datos que semanas limpias de historia detrás de ella, que es exactamente la condición bajo la cual un modelo de marketing mix devolverá felizmente una respuesta precisa, estable e incorrecta.
El acceso gratuito a estas herramientas es sin duda una buena noticia. Lo que acompaña a ese acceso es una distancia mucho más corta entre una mala suposición y un presupuesto que ya ha sido reasignado basándose en ella.
Entonces, antes de que se ejecute el siguiente modelo, la pregunta que vale la pena plantearse dentro de cualquier organización es simple. ¿Quién es responsable si la respuesta resulta incorrecta?
¿Dónde encaja SOMIN en esto?
La brecha que describe este artículo no es realmente una brecha de modelado. Es una brecha de inteligencia, el espacio entre un gráfico que parece seguro y un gráfico que en realidad ha sido comparado con cómo se comporta la gente en un mercado. SOMIN se construyó para cerrar ese espacio exacto. El Brand Tracker y los estudios de perspectiva de SoMonitor existen para mantener actualizada la imagen de la audiencia debajo de cualquier modelo en lugar de un trimestre obsoleto, mientras que SODA y la asociación GWI brindan a los equipos una manera de probar lo que afirma un modelo frente a la señal real del consumidor antes de que ese número llegue a una decisión presupuestaria. Las herramientas para construir un modelo de marketing mix se han vuelto mucho más accesibles. El juicio necesario para confiar en uno no es así, y esa es la parte que SOMIN está diseñada para respaldar.
FAQ
¿Puede un agente de IA crear un modelo de mezcla de marketing?
Sí. Un agente puede extraer un paquete de código abierto, cargar los datos de gastos e ingresos de un cliente y producir un modelo funcional casi sin necesidad de conocimientos estadísticos. Lo que no puede hacer es decirle si el modelo es correcto, porque el resultado no da ninguna indicación de su propia confiabilidad.
¿Cuál es la diferencia entre Robyn, Meridian y PyMC Marketing?
Robyn, construido por Meta, combina la regresión de crestas con la búsqueda evolutiva y le pide lo mínimo al usuario. Meridian de Google espera una capacidad real de codificación de ciencia de datos, y PyMC Marketing espera experiencia bayesiana y, a menudo, tarda un par de semanas en funcionar correctamente. Meridian y PyMC Marketing aceptan los resultados de los experimentos como antecedentes bayesianos; Robyn calibra mediante optimización multiobjetivo.
¿Qué tan equivocada puede ser la medición de la publicidad observacional?
En quince grandes experimentos publicitarios analizados por Gordon, Zettelmeyer, Bhargava y Chapsky, las estimaciones observacionales del impulso estaban equivocadas en un factor de tres o más en aproximadamente la mitad de los estudios. Se estimó que una campaña con un aumento real de alrededor del dos por ciento superaría el tres mil por ciento.
¿Cómo se comprueba si un modelo de marketing mix es correcto?
Calibrelo según experimentos, por ejemplo experimentos geográficos a través de Meridian GeoX, en lugar de instinto. Ejecute dos paquetes diferentes con los mismos datos y trate los grandes desacuerdos como una señal de que el canal está mal identificado, y nombre a la persona que firma antes de que cualquier número tome una decisión presupuestaria.
¿Por qué el modelado de la mezcla de marketing es más riesgoso en el Sudeste Asiático?
Los historiales de datos son más cortos, las campañas se distribuyen en muchos canales como TikTok Shop, Shopee, Lazada, Meta, Grab y WhatsApp, y hay menos mercados que sean lo suficientemente grandes como para realizar pruebas de exclusión limpias. Una marca puede tener más columnas de canal que semanas limpias de datos, que es cuando un modelo arroja una respuesta precisa, estable e incorrecta.
