En Bunker DB, siempre hablamos de lo necesario que es transformar los datos en conocimiento. Para que tus campañas tengan más y mejores resultados, las personas de tu equipo deben enfocarse en interpretar esos datos, no en extraerlos. Uno de los mejores aliados para potenciar la extracción de insights es el marketing mix modeling. Veamos más detalladamente qué es y para qué sirve.
Antes, hay que entender qué es marketing science
Refresquemos brevemente este concepto ya introducido en otros artículos: marketing science. Esta ciencia o metodología, se basa en el data science. Y, ¿qué es data science? Básicamente, es extraer información a partir de datos brutos y convertirla en conocimiento. Combina procesos o modelos matemáticos, estadísticos y económicos, habilidades tecnológicas (como poder programar) y conocer muy bien el negocio que estamos analizando.
A partir de esa combinación, podemos extraer modelos de machine learning (sistema automatizado), desarrollo de software a medida y análisis de datos a gran escala.
Entonces, ¿qué es marketing science? Es tomar herramientas, técnicas y procesos que son propios de data science y aplicarlo al marketing, con un conocimiento muy especializado de marketing (valga la redundancia): medios, compra de medios y todo lo relacionado al trabajo de los marketers.
El marketing science no es algo nuevo, lo que sí es nuevo es la tecnología que la potencia, que aporta mucha velocidad de cómputo, permite potenciar los procesos y tener más alcance. Estamos haciendo lo mismo, solo que utilizando la tecnología como una fuerza aceleracionista.
El panorama ideal para aplicar marketing science a nuestro negocio, y es lo que ejecutamos con nuestro equipo de Marketing Science es generar modelos de machine learning que faciliten ahorro y eficiencia. Existen varios modelos, pero en este artículo nos vamos a detener en el siguiente: marketing mix.
¿Qué es y para qué sirve el marketing mix modeling?
El “modelo de mix de medios” intenta responder dos preguntas. La primera, ¿cuál es el impacto de mis canales de marketing sobre el revenue del negocio? y ¿cómo debo distribuir mi presupuesto en los diferentes canales para obtener el mix óptimo y mejorar mis resultados?
Este modelo también es un viejo conocido, que requería de muchísima información y dedicación de los equipos, y no tenía los resultados esperados.
Hoy, trabajamos con modelos mucho más avanzados, modelos open source que los desarrolla, por ejemplo, Facebook. Esta red social permite entender cuánto gasta cada una de sus plataformas, cuál fue el resultado y lo compara con el revenue; lo que genera un mix de presupuesto. Es decir, si sacás un poco de dinero a Instagram y lo invertís en WhatsApp vas a generar más leads que, al final del día, generan más revenue.
El marketing mix modeling pretende dejar atrás la intuición o la fórmula que distribuye 60/40 entre tv y digital, aplicada hace varios años y funciona. El inconveniente de trabajar así, es que perdemos la posibilidad de maximizar resultados sin tener que gastar un dólar más, simplemente es distribuir el presupuesto entre lo que ya hacemos, ser más eficientes.
Con los modelos de machine learning que se utilizan actualmente, no se necesita muchísima información (como en el pasado). Con información histórica de entre 12 y 24 meses ya se pueden hacer proyecciones de cómo maximizar el revenue.
¿Cómo aplicarlo a proyectos de analytics?
Bunker DB (entre otras cosas) ejecuta proyectos de analítica de marketing omnicanal. Si bien hay muchos otros pasos a considerar, y son procesos que involucran varios equipos de trabajo, lo explicamos brevemente.
Es crucial entender el negocio. Uno de los factores más importantes para lograr este entendimiento es analizar el customer journey. Al hacerlo, se identifican los medios que influyen en cada fase del recorrido y se determinan los modelos necesarios para medir con más precisión el impacto publicitario. A partir de esta definición, se genera un esquema de modelización.
Con este esquema establecido, comienza la etapa de recopilación de información y tratamiento de datos. Es de vital importancia que la calidad del dato sea óptima, no esté corrupta, porque esto afectará cualquier proyección que se logre. Si el dato inicial está mal, todas las proyecciones estarán mal.
Es precisamente por este motivo que insistimos a nuestros clientes en que utilicen tecnología para el procesamiento y análisis de la data, para “normalizar” esa data. Existen varias plataformas para que nuestro equipo de Marketing Science extraiga esta información, pero más eficiente será trabajar con las nuestras. Bunker DB Analytics permite centralizar los datos de todos los esfuerzos de marketing de todos los canales, logrando una base de datos optimizada sobre la que se desarrollarán los modelos pertinentes.
A partir de esta base de datos, se inicia un análisis exploratorio que implica el uso de métodos estadísticos, gráficos y visualización para analizar un conjunto de datos. Se explora qué tan sesgada es la información, si existen valores atípicos, qué patrones tiene esa data, entre otras cosas.
Con este análisis exploratorio, se profundiza en la búsqueda de oportunidades de optimización de la compra de medios digitales. Se establecen hipótesis a ser validadas.
Una parte fundamental y excluyente del proceso es la validación de las hipótesis planteadas, mediante a/b testing. A continuación, se hace un diagnóstico de este experimento para entender si comprueba dichas hipótesis. Finalmente, se implementa el modelo y se escala, para llevar las optimizaciones a otro nivel y de forma masiva.
En pocas palabras…
Los modelos que se desarrollan sobre la base de datos mencionada son modelos realizados sobre los KPIs. El objetivo del marketing mix modeling será explicar su comportamiento en función de las diferentes “palancas de negocio”, como se ve en la imagen extraída de Deloitte. Más allá del negocio de nuestros clientes, el resultado será la ecuación capaz de estimar el comportamiento de la variable analizada.
Una vez definido el modelo, se cuantifica la atribución de cada “palanca de negocio” a las ventas, los ingresos o la variable que se utilice. Se extraerán insights sobre el conjunto de datos de la marca.
¿Qué pasa cuando no se tienen los recursos para implementar este tipo de proyecto?
Para finalizar, les dejamos algunos consejos de nuestro Sr. Marketing Scientist, Santiago Decarlini, para que cualquier equipo de cualquier tamaño de empresa pueda comenzar a trabajar de forma data driven.
– Consolidar los datos en un documento estructurado, fácilmente manipulable y accesible como Google Sheets o Microsoft Excel. Esto funcionará como una base de datos.
– Pre-procesar la información unificando las variables de datos a ser exploradas. Estas variables pueden ser: las métricas clave de nuestro negocio con sus KPIs asociados (acá te contamos la diferencia entre uno y otro). Tener en cuenta que no es lo mismo una campaña de branding que de conversión.
Para complementar, podemos sumar variables más granulares, el canal digital elegido, la segmentación del público, el copy, el creativo (con sus formatos y ubicaciones). Y por último, el costo (cuánto cuesta el click, la impresión, etc.). Y, por supuesto, el ROAS: el retorno que se tiene de la inversión publicitaria.
– Aprender o adoptar un lenguaje común entre todas las áreas. No basta con que solo el equipo de data science adopte un lenguaje científico. Todas las áreas deben poder leer una gráfica, entender qué es una tendencia y cómo se lee; cuál es la diferencia entre un promedio, una mediana; qué es una dispersión.
Ejemplos de líneas de tendencia:
Un Brand Manager que logra entender este lenguaje, ahorra tiempo y puede dedicarlo a adaptar su estrategia. Es decir, a establecer si invierte o no más dinero (en base a las gráficas presentadas, por ejemplo).
Si no tenemos la estructura actualmente, ¿qué puedo hacer para allanar el camino? Estandarizar taxonomías de campañas, grupos de anuncios y anuncios, para referenciar: audiencias, objetivo de compra, geo-segmentación, producto o segmento, y demás.
Empezar a transformarse digitalmente y tener una cultura data driven puede ser desafiante y costoso al inicio, pero los resultados serán excepcionales. Pauta una reunión con nosotros para mostrarte cómo aplicar ciencia al marketing de la mejor manera.
