En el último año, en los círculos especializados en marketing digital y tecnología hay un tema que copa las conversaciones, e incluso los titulares: el fin de las cookies de terceros. Google ha decidido eliminar estas cookies de su explorador Chrome y como consecuencia el panorama digital, tal y como lo conocemos, va a sufrir algunos cambios.
Aunque existen distintas propuestas, y cada día surgen más, para redefinir la forma de medir, es muy pronto para aventurarse cuál va a ser la/s tecnología/s ganadora/s, principalmente porque están orquestadas por diferentes plataformas y organizaciones que compiten entre sí.
Uno de los cambios afecta directamente a la obtención de información por terceros (plataformas MadTech) y por tanto se requieren cambios en diferentes sistemas de medición del comportamiento del usuario, especialmente en los modelos de atribución. En primer lugar, definamos qué es un modelo de atribución: según el propio Google “es una regla o conjunto de reglas que determina cómo se asigna el valor de ventas y conversiones a los puntos de contacto de las rutas de conversión”, es decir, de todos los eventos que nos llevan a convertir cuál es el evento que ha tenido mayor peso.
Estos modelos son muy valiosos, pero dada la incertidumbre de cómo se va a construir el nuevo panorama sin cookies, es precipitado invertir en ello. Pero no todo está perdido, afortunadamente existen un conjunto de modelos que son perfectamente complementarios a los modelos de atribución y que en este caso pueden suplir algunas de sus características. Los modelos que a continuación os vamos a presentar son los de Modelos de Marketing Mix.
Uno de los grandes retos de la publicidad siempre ha sido ser los más eficaces (y eficientes) en las campañas publicitarias. ROI, ROI y más ROI se escuchan en las grandes agencias. Y, ¿cómo medimos el ROI de una campaña? De manera sencilla sería:
El coste de la campaña (o inversión) no deja de ser un elemento contable que se puede obtener de manera trivial, pero el incremento de ventas es más complejo. Para ello necesitamos conocer qué parte de las ventas se deben a dicha campaña y cuáles a otros factores: calidad y diseño del producto, promociones, fuerza de venta… Aquí entra en juego el “Marketing Mix Modeling”, que persigue relacionar, mediante un modelo, todas las variables del marketing, y demás variables, con una variable objetivo que suele ser las ventas (u otra directamente relacionable: notoriedad asociada a la marca, consumo de un servicio, etc). El modelo más sencillo sería el lineal:
Existen modelos más complejos: modelos de tipo panel, modelos estructurales bayesianos, etc. Estos modelos intentan afinar mucho más cómo contribuyen los medios a las ventas. En la siguiente imagen podemos ver cuáles son estas variables, usando como ejemplo el sector turístico:
Estos modelos nos ayudan a mejorar la asignación estratégica del presupuesto:
También nos permiten mejorar la estrategia de marketing para conocer:
Por último, nos ayuda a mejorar la construcción creativa de medios.
Además, con modelos avanzados podemos realizar simulaciones de escenarios y encontrar los escenarios óptimos, como muestra la siguiente imagen:
Para construir estos modelos en algunos casos es necesario transformar las variables con el objetivo de recoger el efecto recuerdo y la saturación de la publicidad en las ventas de la manera más fidedigna posible. Una de las trasformaciones más importantes es gracias a las funciones de Adstock.
En 1979 Broadbent lo formuló de manera sencilla y se le dio el nombre de Modelo de Adstock:
At es el Adstock (recuerdo acumulado) en el momento t y que tendrá en cuenta no solo el evento actual “T”, sino el recuerdo de los eventos pasados. Cuanto más lejos esté el evento previo menor será su recuerdo ya que λ es menor que 1. Además, λ es constante para un tipo de evento (campaña) dado y por lo tanto podríamos calcular un λ por cadena de TV, tipo de evento digital (impresión, click, vídeo…), disciplina, etc. El cálculo de λ no es trivial y hay distintas metodologías.
Una vez que tenemos el valor de los diferentes λ, lo único que nos queda aplicar la función a las variables de medios.
Otra de las transformaciones típicas son las curvas S-Shape que nos ayudan a encontrar la saturación del medio, en el caso de que ésta exista. A través de este enlace interesante a la Wikipedia se puede comprender de una forma sencilla cómo funcionan estas curvas.
Deja un comentario