La medición del marketing digital se apoya habitualmente en un modelo basado en cookies de terceros, identificadores y datos a nivel de usuario. Esta arquitectura permite seguir con bastante detalle el recorrido de un consumidor por distintos puntos de contacto digitales. Sin embargo, las regulaciones de privacidad, las restricciones de rastreo en dispositivos y navegadores y la creciente fragmentación del ecosistema publicitario han reducido la capacidad de medir ese recorrido de forma individual. Ante esta pérdida de visibilidad, el marketing se enfrenta a una pregunta cada vez más relevante: ¿cómo medir el impacto de las inversiones publicitarias sin depender del seguimiento de cada usuario?
En este contexto aparecen nuevas herramientas que combinan econometría, ciencia de datos y capacidades de computación para hacer este tipo de análisis más accesible. Entre ellas destaca Google Meridian, un framework de código abierto que permite construir modelos de MMM internamente y que incorpora técnicas avanzadas para mejorar su precisión y utilidad. Entender estas metodologías forma parte de las nuevas competencias analíticas que necesitan los profesionales del marketing, como las que se trabajan en nuestro Máster en Marketing Digital y Analítica.
El renacimiento del Marketing Mix Modeling (MMM)
El Marketing Mix Modeling nació en la segunda mitad del siglo XX para evaluar el impacto de medios como televisión, radio o prensa. A diferencia de la atribución digital, que intenta asignar el mérito de una conversión a determinados puntos de contacto, el MMM trabaja con datos agregados.
El modelo puede combinar información como ventas, inversión publicitaria, actividad de los distintos canales, precios, promociones, estacionalidad o variables económicas. A partir de estas relaciones estadísticas, estima cuánto contribuye cada factor al resultado de negocio.
Su principal ventaja en el contexto actual es que no necesita identificar individualmente a las personas. Esto lo convierte en una metodología compatible con un escenario en el que las organizaciones disponen de menos señales de usuario.
Sin embargo, el MMM tradicional tampoco estaba exento de problemas. Su desarrollo requería conocimientos especializados, grandes cantidades de datos y recursos técnicos que durante años limitaron su utilización. El reto actual consiste, por tanto, no solo en recuperar el MMM, sino en hacerlo más transparente, flexible y accionable.
¿Qué es Google Meridian y cómo funciona?
Google Meridian es un framework de código abierto desarrollado en Python para construir modelos de Marketing Mix Modeling. Está pensado para que los equipos puedan desarrollar y ejecutar sus propios modelos de medición, en lugar de depender necesariamente de soluciones cerradas de terceros.
No se trata de una plataforma comercial en la que el usuario introduce unos datos y recibe automáticamente una recomendación. Es una herramienta técnica que requiere preparar los datos, definir el modelo, ejecutarlo y comprobar la calidad de sus resultados. Su funcionamiento se basa en inferencia causal bayesiana, que permite combinar la información observada con conocimiento previo sobre el comportamiento de determinados canales.
Ese conocimiento previo, conocido como prior, puede proceder de experimentos de incrementalidad, benchmarks, modelos anteriores o conocimiento experto. Por ejemplo, si una empresa ha realizado un experimento geográfico para estimar el efecto incremental de una campaña, sus resultados pueden utilizarse para ayudar a calibrar el modelo.
El modelo no tiene que interpretar los datos históricos de forma aislada, puede incorporar evidencias externas y expresar también la incertidumbre asociada a ellas.
Las innovaciones técnicas que diferencian a Meridian
El interés de Meridian no reside únicamente en utilizar una metodología bayesiana. Su propuesta combina diferentes capacidades que buscan resolver algunas de las limitaciones habituales del MMM.
- Modelado jerárquico a nivel geográfico: Uno de los elementos destacados de Meridian es su capacidad para trabajar con datos desglosados geográficamente mediante modelos jerárquicos. Aunque también permite modelos a nivel nacional, Google recomienda utilizar datos geográficos cuando están disponibles. Esto permite analizar simultáneamente diferentes regiones o áreas y aprovechar la información compartida entre ellas. En lugar de observar únicamente el comportamiento agregado de todo un país, el modelo puede identificar diferencias territoriales y estimar los efectos con mayor granularidad.
- Integración de alcance y frecuencia: Otro elemento diferencial es la posibilidad de incorporar reach y frequency, además de las impresiones tradicionales. Esta distinción resulta especialmente relevante en canales audiovisuales ya que no tiene necesariamente el mismo efecto alcanzar a diez personas una vez que alcanzar a una misma persona diez veces. Meridian utiliza estos datos para modelar de forma precisa cómo cambia la eficacia publicitaria a medida que aumenta la frecuencia de exposición. Además, esta información puede incorporarse posteriormente al proceso de optimización para buscar no solo cuánto invertir, sino también qué frecuencia puede resultar más eficiente.
- Curvas de respuesta y optimización del presupuesto: El objetivo del MMM no debería limitarse a explicar qué ocurrió en el pasado. También debe ayudar a decidir qué hacer a continuación. Meridian incorpora curvas de respuesta que permiten representar cómo cambia el rendimiento de un canal a medida que aumenta la inversión y detectar los rendimientos decrecientes. Sobre esta base, su Budget Optimizer permite realizar simulaciones y explorar diferentes escenarios de distribución presupuestaria.
Así, una empresa puede plantear preguntas como: ¿qué ocurre si aumento la inversión en este canal?, ¿en qué punto empieza a caer su rendimiento marginal? o ¿cómo podría redistribuir el presupuesto para mejorar el resultado esperado?
El código abierto: de la caja negra a la transparencia
Uno de los elementos más relevantes de Meridian es su carácter open source. Google publica tanto el código como documentación y metodología, permitiendo que los equipos técnicos puedan analizar cómo se construye el modelo y adaptar su implementación a sus necesidades.
Esta transparencia introduce una diferencia importante respecto a determinados modelos de medición cerrados. Las empresas pueden tener mayor visibilidad sobre los supuestos, variables y procesos estadísticos utilizados para obtener sus resultados.
Pero código abierto no significa automáticamente que cualquier empresa pueda implantar MMM sin conocimientos especializados. Meridian requiere capacidades de ingeniería de datos, estadística, modelización y análisis de negocio. Su verdadera aportación a la democratización del MMM está en reducir la barrera tecnológica de acceso a metodologías que antes exigían desarrollos propios o soluciones especializadas, no en eliminar la complejidad del modelado.
De los datos a la estrategia: un cambio cultural
La llegada de herramientas como Meridian refleja una transformación que va más allá de la tecnología: la necesidad de acercar la ciencia de datos a la toma de decisiones de marketing. Construir un MMM fiable requiere datos consistentes, una correcta definición de las variables y conocimientos para interpretar sus resultados. También exige validar las estimaciones y entender sus limitaciones.
La era post-cookie no implica, por tanto, el final de la medición, sino un cambio en la forma de hacerla. Frente a la dependencia de rastros individuales, el análisis agregado ofrece otra perspectiva: entender qué factores explican los resultados y cómo pueden utilizarse esas relaciones para tomar mejores decisiones.
En este escenario, herramientas como Google Meridian no elimina la complejidad del Marketing Mix Modeling, pero sí contribuye a hacerla más accesible, transparente y orientada a la acción. El verdadero cambio no está solo en disponer de una nueva herramienta, sino en que las organizaciones puedan convertir la medición en conocimiento propio y utilizarlo para decidir dónde, cuándo y cuánto invertir.
