Modelado de mezcla de marketing vs modelo de atribución: los pros y los contras
Publicado: 2021-10-06La mayoría de los equipos de marketing tienen algún tipo de problema con los datos.
O bien no tienen suficientes datos, tienen demasiados o, lo que es más común, no saben qué hacer con ellos.
Y es por eso que en esta publicación, evaluaremos dos de las formas más comunes en que las empresas actualmente están poniendo a trabajar sus datos de marketing: modelos de atribución y modelos de mezcla de marketing.
Vamos a sumergirnos.
MMM frente a MTA [seminario web]
Mire nuestro seminario web sobre el modelado de la combinación de marketing frente a la atribución multitáctil para obtener más información.
¿Qué es el modelo de atribución?
El modelo de atribución es el proceso de establecer reglas que determinan cuánto contribuye cada punto de contacto a lo largo del recorrido del cliente a una venta. Esto se hace para estimar la contribución de marketing a los ingresos.
Los modelos comunes de atribución multitáctil incluyen:
- Atribución lineal: cada punto de contacto (rastreable) a lo largo del viaje del cliente tiene la misma contribución a los ingresos.
- Atribución de disminución de tiempo: los puntos de contacto más recientes a lo largo del viaje del cliente contribuyen a los ingresos más que los puntos de contacto anteriores.
- Atribución basada en la posición: el primer y el último punto de contacto contribuyen a los ingresos más que los puntos de contacto en el medio del recorrido del cliente.
Los beneficios del modelo de atribución
Sobre el papel, la promesa del modelo de atribución es atractiva: ayuda a los especialistas en marketing a diseccionar el viaje del cliente y comprender cómo cada punto de contacto contribuye a una venta. Teóricamente, los modelos de atribución deberían ayudar a los especialistas en marketing a asignar sus presupuestos de manera más efectiva a los canales, campañas y actividades que tienen el mayor impacto en los ingresos.
Sin embargo, la palabra clave aquí es teóricamente . Veamos algunas de las razones por las que el modelo de atribución a menudo falla en su promesa.
Los inconvenientes del modelo de atribución
1. La falsa promesa del 100% de rastreabilidad
Comencemos con el problema más importante: la atribución multitáctil se basa en la falsa promesa de que todos los puntos de contacto de todos los dispositivos son rastreables.
El problema es que esa promesa se hizo de mala fe.
Simplemente, nunca pudimos realizar un seguimiento de cada impresión y clic de cada persona. Y por razones legales, éticas y técnicas, tampoco podremos hacerlo nunca. De hecho, la muerte de la cookie y la introducción de iOS 14 en realidad significan que la cantidad de puntos de contacto rastreables está disminuyendo, lo que dificulta aún más la atribución.
Barra lateral: Los defensores de la atribución multitoque argumentarían aquí que recopilar datos sobre el 70 % de los puntos de contacto de los clientes es mejor que recopilar el 0 % de esos datos. El problema con este argumento es que no importa cómo lo divida, terminará sobrevalorando los canales que, de hecho, puede medir. Y como resultado, podría terminar tomando algunas decisiones bastante terribles que ignoran el 30 % más importante (?) del recorrido de su cliente.
Entonces, ¿qué debe hacer con los datos que está recopilando? Bueno, llegaremos a eso más tarde.
2. La atribución mide los clics, y solo los clics
La razón por la que la atribución no tiene en cuenta muchos de los puntos de contacto a lo largo del recorrido del cliente es que los modelos de atribución suelen medir los clics y solo los clics. En otras palabras, los puntos de contacto fuera de línea, las redes sociales oscuras y las impresiones quedan completamente fuera de la mayoría de los modelos.
¿Ese podcast que tuvo a su CEO como invitado? Inatribuible. ¿Esa publicación de LinkedIn que no tenía un enlace a tu sitio web? Inatribuible. ¿Ese grupo de Slack donde alguien recomendó tu producto? Lo has adivinado: también inatribuible.
Sabiendo esto y teniendo una comprensión general de cómo los humanos toman decisiones, ¿cree que está bien que incluyamos nuestros anuncios de Facebook y Google, las visitas a la página de destino y las inscripciones a seminarios web en nuestros modelos de atribución, pero que no tengamos en cuenta las recomendaciones personales de compañeros, podcasts y publicaciones en redes sociales?
¿No? No lo creo.
3. La atribución es, de hecho, completamente inventada
Estos dos puntos nos llevan claramente al tercero: la atribución está literalmente inventada.
Como señala Tim Wilson en una entrevista reciente, “la forma en que hacemos la atribución es irrisoria para los científicos de datos. Es absolutamente ridículo elegir un modelo heurístico de último toque, primer toque, decaimiento del tiempo o curva J inversa. Y eso es por dos razones: primero, es muy difícil rastrear a una persona en todos los puntos de contacto y, segundo, la atribución también ignora el historial de una persona con la marca”.
Científicamente hablando, ¿cómo probaría que un cierto clic tuvo un impacto positivo, o alguno, en una decisión de compra? ¿O que un punto de contacto tuvo una contribución mayor que otro? Cuando lo piense, se dará cuenta de que la forma en que hemos decidido asignar el crédito a cada punto de contacto no se basa en ninguna ciencia.
De hecho, en la mayoría de los casos, se podría argumentar que la gente compraría nuestro producto independientemente de (oa pesar de) nuestros anuncios. Sin embargo, los anuncios reclamarán algo de crédito por la compra porque técnicamente se le mostraron al cliente antes de realizar la compra.
4. Solo buenas vibraciones
Finalmente, la mayoría de los modelos de atribución asumen que cada punto de contacto tiene un impacto positivo en la decisión de compra. Obviamente, eso es problemático considerando que las personas pueden terminar comprando productos o servicios con los que han tenido interacciones negativas.
En otras palabras, la atribución multitáctil puede considerarse el dato equivalente a la positividad tóxica.
¿Qué es el modelado de la mezcla de marketing?
El modelado de la mezcla de marketing se refiere al análisis estadístico de los datos históricos de marketing y ventas para estimar el impacto que tendrán las futuras actividades de marketing en los ingresos (o cualquier otra variable dependiente). Esto se hace para optimizar la asignación del presupuesto de marketing a los canales y campañas correctos.
Los beneficios del modelado de la mezcla de marketing
A diferencia de la atribución multitáctil, el modelado de la combinación de marketing se centra en analizar las entradas (piense en los presupuestos y los canales) en relación con las salidas (piense en los ingresos o el conocimiento de la marca), utilizando métodos estadísticos en lugar de una cadena débil de acciones de clientes rastreables.
En otras palabras, el objetivo no es construir un modelo integral del viaje del cliente, sino comprender el papel que juega cada canal y campaña en el éxito general del negocio.
Además, el modelado de la mezcla de marketing se basa en ciencia real y válida. MMM es regresión lineal aplicada, que puede ser mucho más fácil de medir de manera confiable porque se conocen todas las entradas.
Finalmente, a diferencia de MTA, MMM también tendrá en cuenta el impacto negativo en los ingresos de ciertos canales, campañas o activos.
Suena genial en papel, ¿verdad? Sin embargo, eso no significa que el modelado de la mezcla de marketing no tenga sus propios problemas.
Los inconvenientes del modelado de la mezcla de marketing
1. Para que el modelo de mezcla de marketing funcione, necesita un presupuesto relativamente grande
Quizás el mayor problema con el modelado de la mezcla de marketing es que solo comienza a tener sentido cuando su empresa alcanza una cierta escala y presupuesto de medios. Esto se debe a que necesita crear variabilidad en su combinación de marketing para realmente comenzar a ver el impacto de cada canal y campaña.
Por ejemplo, si solo gasta $ 1,000 al mes en anuncios, es poco probable que vea mucho efecto, independientemente de cómo divida el presupuesto entre diferentes canales, tipos de anuncios y creatividades.
2. Los MMM normalmente ignoran el contrafactual
El otro gran problema con el modelo de mezcla de marketing tradicional es que ignora el contrafactual. En otras palabras, no es común incluir grupos de control o pruebas de incrementalidad en el modelado de la mezcla de marketing.
En cambio, la mayoría de los modelos de mezcla de marketing se enfocan en la población global (en el sentido estadístico), lo que dificulta comprender el verdadero impacto de los cambios que está realizando en su asignación de presupuesto y combinación de canales.
Sin embargo, no hay nada en el libro de reglas que diga que no puede combinar MMM con estudios de control aleatorios para que sus hallazgos sean más confiables.
3. Énfasis excesivo en las conversiones
En la mayoría de los casos, los MMM subestimarán las actividades de creación de conciencia en la parte superior del embudo. Esto se debe a que la mayoría de los MMM consideran los ingresos como la variable dependiente y los gastos como la variable independiente.
En otras palabras, si su entrada es el gasto en marketing, su salida no puede ser el conocimiento de la marca.
Sin embargo, puede, por supuesto, mitigar este problema haciendo que el conocimiento de la marca sea su variable dependiente.
4. MMM se complica en un entorno B2B
Al igual que la atribución multitoque, los modelos de mezcla de marketing también son más fáciles de implementar en entornos B2C que en B2B.
Esto se debe a que los MMM asumen que la población es homogénea y no está compuesta por diferentes roles y personas con objetivos, desafíos y prioridades únicos.
Sin embargo, esto no significa que el modelado de la mezcla de marketing no pueda funcionar en un entorno B2B. Solo significa que implementarlo será un poco más complicado.
MMM vs MTA: el marcador final
Para resumir, el modelado de mezcla de marketing es una solución mucho mejor para aquellos que tienen el presupuesto y los medios para ello.
Y si no lo hace, es posible que le vaya mejor con pruebas A/B simples y optimización de la tasa de conversión que con modelos de atribución. Eso es a menos que pueda estar relativamente seguro de que su modelo de atribución captura datos en sus puntos de contacto más importantes.
Después de todo, a veces actuar en base a datos limitados es mejor que construir un modelo complejo que solo te da una fracción de la verdad.
Más información sobre MMM frente a MTA
Mire nuestro seminario web con Proof Analytics, donde profundizamos en las ventajas y desventajas de la atribución multitáctil y el modelo de mezcla de marketing.