Botón fácil MMM: cómo pulsar el botón fácil para modelar la mezcla de medios

MMM es notoriamente difícil. 

Puedes pasar meses recopilando todos tus datos, creando modelos, añadiendo datos externos, configurando límites y ejecutando MMM… solo para terminar con resultados obviamente descabellados. O con resultados tan comprobados y artificialmente limitados que solo ofrecen lo que prácticamente ya sabes. 

Entonces … ¿cómo pulsar el botón fácil para modelado de mezcla de medios?

Botón fácil MMM: Singular?

La respuesta simple es: usar Singular como tu MMP. Esto puede sonar muy egocéntrico (y quizá lo es) pero eso no’significa que está mal.

He aquí por qué Singular es el botón fácil para MMM:

1. Cobertura total del gasto, lista para usar, de miles de socios publicitarios, sin necesidad de configuración. Resultado: cientos de horas ahorradas.
2. Integración totalmente automatizada porque Singular ya tiene todos tus datos históricos. Esto lleva un par de días, pero todo el trabajo preparatorio está en Singular’s lado … no el tuyo.
3. Tendencias del mercado integradas gracias a que Singular es una de las principales empresas globales de medición de marketing. Observamos miles de millones de instalaciones y billones de clics, lo que significa que cuando there’s un festivo, evento, desastre, tendencia o cualquier otro pico o caída por estacionalidad o cualquier otra razón, lo detectamos. Y don’t tienes que introducir todos esos datos del entorno global ni hacer conjeturas semi‑racionales sobre cómo afecta a tu app.
4. Comparación instantánea con datos de atribución directa gracias a Singular gestionando tu medición de marketing y recopilando datos de primera parte a través de SKAN, IDFA, GAID, Privacy Sandbox (a su debido tiempo), eventos en la app, clics e impresiones de redes publicitarias … lo que necesites. Esto genera resultados precisos y significativos gracias a la calibración de modelo MMM de clase mundial.

“Cuando diseñamos el producto, queríamos aprovechar nuestras fortalezas y nuestra verdadera diferenciación en el mercado”, me comentó Eran Friedman, director de tecnología Singular , en una entrevista reciente con Growth Masterminds. “Para que MMM sea preciso, es necesario asegurarse de tener una cobertura del 100 % y un amplio historial. Y simplemente recopilar todas estas fuentes de datos, prepararlas y formatearlas para que MMM comience a procesarlas puede llevar mucho tiempo”

Si ejecuta MMM por su cuenta, las fuentes de datos son un dolor de cabeza. La calibración es un problema. Sin embargo, uno de los mayores desafíos son las tendencias del mercado. A menos que tenga acceso a datos de tendencias excelentes y relevantes, sepa cómo incorporarlos al modelo MMM y adivine con precisión la ponderación de esos datos... es una pesadilla.

Lo que significa que los picos o caídas aparentemente orgánicos en el volumen de instalaciones son un misterio.

Un ejemplo: la nueva aplicación Threads.

100 millones de instalaciones de una aplicación completamente nueva en una semana causan un gran revuelo en el ecosistema móvil. Por eso, una aplicación, también llamada Threads, cambió rápidamente su nombre a "Threads – Not By Instagram"

“A menos que sepas introducir estos datos por país en tu modelo, podrías pensar que se trata de un efecto de tu inversión en marketing, cuando en realidad fue un factor externo que afectó tus resultados”, afirma Friedman. “Así que es fascinante ver cómo afecta a los resultados”

El modelo MMM Singular : ¿Robyn? ¿MMM ligero?

Singularno utiliza Robyn (de código abierto) ni Lightweight MMM, aunque está aprendiendo de ambos.

“Sin duda, Robyn y Lightweight nos inspiran mucho”, dice Friedman. “Tras evaluarlos todos, hemos creado nuestro propio modelo con algunos conceptos similares. Intentamos aprovechar algunas de las ventajas de cada uno. Pero pensamos que, gracias a nuestro conocimiento del sector, podemos personalizarlo aún más”

Tendencias es un ejemplo.

En lugar de una entrada de tendencia binaria de sí/no, Singular MMM utiliza un modelo de regresión ponderado en el tiempo más un modelo bayesiano propietario con algunos giros especiales.

Resultados de clientes en Singular MMM: sorpresas

No solo es desafiante y difícil implementar MMM por su cuenta, sino que agregar otra capacidad de medición para su equipo de adquisición o crecimiento de usuarios plantea sus propios desafíos adicionales.

• ¿Para qué lo utilizas?
• ¿Quién lo utiliza?
• ¿Con qué frecuencia lo revisas?
• ¿Qué decisiones te ayuda a tomar?
• ¿Sobre qué decisiones no ofrece información?
• Si contradice sus datos de atribución directa de último clic, ¿en cuál confía?

It’s el problema de los 2 relojes. Cuando tienes 1, tú sabes qué hora es. Tener 2 que pueden diferir ligeramente (o mucho) te hace preguntarte.

La respuesta ha sido sorprendentemente buena, dice Friedman.

Algunos de los primeros comentarios que recibimos fueron: "¡Guau! Esto coincide con las sospechas que teníamos internamente sobre algunas de las diferencias entre los canales... Podrían sospechar que un canal en particular está siendo malinterpretado por la atribución basada en el último clic y, en realidad, contribuye más al resultado final. Pero es muy difícil comprobarlo sin realizar pruebas de incrementalidad específicas o una prueba general"

Esto está generando más confianza en la toma de decisiones y la asignación de presupuesto en el futuro.

“Se ven los resultados y se aprecia la diferencia entre ellos”, dice Friedman. “Y eso le da al equipo mucha más confianza en que, ¡vaya!, parece haber un impacto significativo. En lugar de desconfiar y entrar en un dilema: "¿Qué voy a hacer? ¿En qué me voy a basar?", les da más confianza en que vale la pena redoblar esfuerzos para probar esa tesis, quizás realizando esa prueba incremental y viendo si está generando mejores resultados”

Los clientes que prueban Singular MMM informan constantemente resultados interesantes y valiosos, añade.

Eso es genial, pero la segunda mejor respuesta ha sido sobre la cantidad de trabajo necesario para obtener este tipo de resultados: casi ninguno.

Para la mayoría de los clientes Singular que han probado MMM, ha sido un gran reto obtener los datos, mantenerlos, construir el modelo, mantenerlo... y luego obtener resultados mediocres o inconsistentes. Ahora obtienen informes de MMM sin complicaciones. Listos para usar. Al instante.

“Ha sido increíble para algunos de ellos, ¿verdad?”, dice Friedman. “Así que, bueno, totalmente automatizado, no tuvieron que hacer nada, solo obtener esa información inicial. Ha sido realmente asombroso. De repente, pueden analizar los resultados y, a partir de ahí, pensar en cómo reiterarlos”

Mucho más en el podcast completo y el vídeo

No te pierdas este episodio de Growth Masterminds, ni ninguno de los otros…

Suscríbete a Singular’s YouTube y al podcasts de audio para no perderte ningún programa. Los invitados recientes han incluido temas como:

• Comercio electrónico y fraude en el juego
• Alt-UA con Matt Conlin, cofundador de Fluent
• Cambios de poder en el ecosistema con invitados como el director comercial de InMobi, Kunal Nagpal
• IA generativa en juegos con John Riccitiello, CEO de Unity
• Crecimiento masivo de los juegos con Elad Levy de Dive (quien vendió su empresa de juegos a Playtika)
• Sandbox de Privacidad en Android
• Segmentación en la era de la privacidad
• Reducir las cancelaciones de suscripciones a aplicaciones
• Y… ¡mucho… más!

Oye: ¿Necesitas una transcripción porque lees más rápido que miras? Aquí tienes una transcripción completa, solo para ti

Tenga en cuenta que está generado principalmente por IA. Escúchelo o mire el video para entender el mensaje exacto.

Juan Koetsier:

¿Encontramos el botón fácil para MMM? Hola y bienvenidos a Growth Masterminds. Me llamo John Koetsier. 

Nunca había oído que la triple M, el modelado de la mezcla de medios y el modelado de la mezcla de marketing se describieran como algo fácil. E incluso decirlo ahora mismo, parece un poco exagerado... pero puede que hayamos encontrado lo más parecido a un botón fácil en un nuevo programa beta de Singular. 

Para profundizar y aprender más, nos acompaña el director de tecnología, Eran Friedman. Bienvenido, Eran.

Eran Friedman:

Gracias por invitarme, John. Es un placer estar aquí.

Juan Koetsier:

¡Genial! Siempre es un placer tenerte. Probablemente pienses: «Esta es la cuarta vez que estoy aquí, ¡la gente se va a aburrir!» 

Bueno... probablemente no, porque tienes buenas ideas, así que eso es excelente. Hagamos la pregunta tonta desde el principio. 

¿Hemos encontrado el botón fácil?

Eran Friedman:

Creo que definitivamente lo hicimos mucho más fácil. Eso es lo que creo. Y hay mucho potencial para mejoras adicionales. 

Pero creo que con los avances tecnológicos que hemos tenido en los últimos años y toda la inversión que hemos hecho en Singular, creo que definitivamente es mucho más fácil que lo que teníamos antes, seguro.

Juan Koetsier:

Entonces, antes de entrar en detalles sobre por qué es más fácil, qué has hecho, cómo funciona y todo eso… veamos el panorama general, ¿qué es lo difícil de MMM?

Eran Friedman:

Así que creo que si intentara desglosarlo, cualquiera que haya trabajado con MMM probablemente esté muy familiarizado con los desafíos comunes que existen, comenzando por obtener los datos. 

MMM es, como saben, una metodología muy centrada en la ciencia de datos. Se basa en tomar muchos datos históricos, incorporarlos al modelo y construir un modelo a partir de ellos. Siempre que se habla con un científico de datos, se intenta experimentar con él. Dicen: «Bueno, lo primero que hay que hacer es preparar bien los datos». Y eso requiere mucho trabajo. 

Para que MMM sea preciso, es necesario asegurarse de tener una cobertura del 100 % y un historial completo. Recopilar todas estas fuentes de datos, prepararlas y formatearlas para que MMM comience a procesarlas puede llevar mucho tiempo. 

Así que creo que esa es la primera parte que debe empezar a funcionar. 

El siguiente paso es centrarse en la iteración y las pruebas de los datos. Se presta mucha atención a la precisión y la confianza en los resultados del MMM. Existen diversas metodologías, como técnicas como las pruebas de geolift o de incrementalidad, que permiten determinar la realidad del terreno. 

Hay muchos parámetros que puedes analizar, como las métricas de error, que puedes medir para comprender la precisión de los resultados del modelo. Pero esto requiere muchos ajustes e iteraciones. El siguiente paso, si estás llegando a algo con lo que realmente estás seguro, es la granularidad. Es fácil simplemente analizarlo a gran escala. 

La primera parte consiste en tomar una métrica de alto nivel y determinar... cuál es su presupuesto total y cómo afecta tal vez su resultado total. 

Pero luego, si desea obtener más granularidad, piense en ello como un segmento a nivel de país, como un salto de fuente o incluso más profundo que eso, entonces nuevamente, requiere muchos más datos y muchos más ajustes para cada uno de los segmentos que está tratando de procesar. 

Y eso ni siquiera me hace pensar en los otros factores externos que podrían estar afectando sus números. 

MMM depende en gran medida de ello, basándose en la necesidad de tener la mayor cantidad de información posible sobre lo que está sucediendo. Incluso si conoce las acciones que ha estado realizando y que podrían afectar los resultados, también debe considerar qué otras cosas podrían estar sucediendo en el exterior, como con sus competidores o con la industria en general, que también podrían estar afectando los resultados. Por lo tanto, es extremadamente difícil recopilar esta información para comprender realmente... ¿cuál es el resultado final y qué tan preciso es? 

Así que algunos de los ejemplos de los desafíos que hemos estado escuchando mucho de cualquiera que realmente haya intentado jugar con..

Juan Koetsier:

Esto ya me está cansando. O sea, como..

Eran Friedman:

¡Jajaja!

Juan Koetsier:

… esto es definitivamente algo para lo cual necesitamos un botón fácil de resolver porque ninguno de esos desafíos se puede resolver rápidamente. 

Podrías pasar meses recopilando todos tus datos, creando tus modelos y haciendo pruebas. Y luego te preguntas: "¿Qué obtuve de esto?". "¿Qué logré?" 

Bueno... entonces... no dijiste desde el principio que encontraste un botón fácil, pero dijiste que encontraste una manera de hacerlo mucho más fácil. ¿Cómo lo ha hecho Singular ?

Eran Friedman:

Correcto. Así que creo que realmente queríamos, al diseñar el producto, aprovechar nuestras fortalezas y nuestra verdadera diferenciación en el mercado. 

En Singular , llevamos años ampliando nuestra recopilación de datos, un producto fundamental, enfocado en cubrir cualquier tipo de gasto en su estrategia de marketing. Esto ya ha sido una parte fundamental de nuestro producto durante años, ¿verdad? Nuestro compromiso con nuestros clientes ha sido recopilar cualquier tipo de integración de canales de medios, archivos de Excel, etc. Siempre queremos cubrir el 100 % de su presupuesto de medios. Y eso es fundamental en nuestro producto. 

Y eso también significa que todos nuestros clientes de MMM obtienen cobertura completa para su presupuesto desde el primer momento. Ya está integrado en el producto. 

Más que eso, también tenemos datos históricos para nuestros clientes y también podemos incorporar datos históricos para nuestros clientes. 

Esto es esencial para MMM. Se requieren al menos uno o dos años de datos para empezar a procesar la información con precisión. Si dispone de menos de un año, puede realizar pruebas para calibrar el modelo. 

Pero definitivamente, ese también es el hecho de que… ya somos la plataforma de medición y datos para nuestros clientes, lo que significa que ya contamos con nuestros datos históricos. Y también podemos introducirlos prácticamente de forma automática en el proceso. 

Entonces, comenzamos con la cobertura y los datos históricos que ya están disponibles de fábrica para nosotros y que todos nuestros clientes pueden disfrutar. 

Ahora bien, si ya hablamos de los datos, ahora nos ocupamos de la calibración. ¿Cómo saber si son precisos o cómo calibrarlos? Probablemente hablaremos de ello pronto, pero en cualquier framework de código abierto, como Robyn, Lightweight MMM, etc., es necesario configurar límites para los resultados. Porque al ejecutar MMM, se pueden obtener resultados bastante descabellados. Puede generar números negativos. Puede dar un retorno de la inversión (ROI) de miles de porcentajes… números que no tienen sentido, ¿verdad? 

Y el trabajo de los científicos de datos generalmente es básicamente colocar algunos números codificados para brindarles protección y mostrarles cuáles son las áreas generales en las que deberían concentrarse. 

Ahora bien, la ventaja que tenemos como MMP es que contamos con datos adicionales que podemos usar para la calibración. Por ejemplo, si gestionas la inversión digital, que forma parte de tu mix de medios, y ese suele ser el caso, puedes confiar en los resultados de atribución, los resultados de atribución directa, para calibrar el modelo, estableciendo esos límites, básicamente. 

Por lo tanto, no se trata de proporcionar la verdad fundamental, porque no es necesariamente la verdad fundamental, sino de brindar aquellas áreas generales en las que el MMM debería centrarse y ayudar a calibrar los resultados.

Juan Koetsier:

Básicamente una comprobación de cordura.

Eran Friedman:

Exactamente. 

Y luego, si llegamos a la última pieza, el último desafío, que en realidad es, ya sabes, poco práctico generalmente para cualquier científico de datos que esté intentando desarrollarlo internamente, es lo que sucede fuera de sus esfuerzos existentes. 

¿Qué está pasando con la competencia? ¿Qué está pasando en la industria? Si usas tu propia solución interna, independientemente del framework de código abierto que uses, no tienes acceso a ello. Por lo tanto, al usar los frameworks de código abierto disponibles, te dan la opción de ingresar manualmente cualquier dato que creas que pueda afectar tus datos, como fechas importantes de días festivos o momentos específicos en los que podrían haber ocurrido eventos. 

Es muy binario y bastante simplificado.

Juan Koetsier:

Mmm-hmm.

Eran Friedman:

El hecho de que tengamos una gran cantidad de datos de muchos clientes forma parte de nuestros datos de referencia. De hecho, podemos detectar automáticamente esas tendencias y saber exactamente, por segmento, cuál es el efecto de cada fecha especial.

Al analizar las tendencias de los datos, se puede ver que esta fecha fue Navidad, Acción de Gracias, el Super Bowl y cómo esto tiene un efecto orgánico en las ventas sin necesidad de realizar ningún trabajo. Está simplemente en los datos mismos… puntos de datos que realmente pueden optimizar esos modelos para la ciencia de datos.

Juan Koetsier:

Eso es muy importante porque siempre ha sido una pregunta que me hago cuando miro a MMM: ¿qué pasaría si mi competidor lanzara una campaña de marketing masiva y gastara decenas de millones de dólares al mes y eso me impacta, impacta al mercado y yo no lo sabía?. 

¿Y si pasa algo más? 

Quiero decir, he estado pensando en la nueva aplicación Threads. 

Al buscar "Threads" en la App Store, la app oficial de Threads no aparece primero. Al menos a mí no me apareció ayer cuando la probé. Hay muchas otras apps llamadas Threads y una que dice "Threads – Not By Instagram". Así que..

Eran Friedman:

Jejeje

Juan Koetsier:

 …ya han ajustado ese nombre. 

Pero puedes estar seguro de que cuando algo así ocurre, un evento masivo, cientos de millones de personas hacen algo que tiene un impacto en otras partes. Y si no puedes ver eso, si no puedes percibir esa realidad externa, tu MMM será menos inteligente de lo que podría ser, ¿verdad?

Eran Friedman:

Sí, creo que mencionaste los lanzamientos de Threads y su impacto en otras aplicaciones específicas. Y tienes toda la razón. 

Y, de hecho, al observar esas tendencias, es fascinante ver los efectos de algunas de ellas en los resultados. Por ejemplo, una de las cosas que hemos notado fue el efecto de la COVID en el tráfico orgánico de coches en todos los juegos. Hubo una fecha específica en marzo de 2020, si no me equivoco, en la que se notificaron los cierres en ciertos países, no en todos, pero sí en algunos aproximadamente al mismo tiempo. 

Y como se puede ver en las tendencias de los puntos de referencia, hubo un aumento significativamente grande de instalaciones orgánicas en todos los ámbitos, con distintos grados según el país. 

Así que, a menos que sepas introducir estos datos por país en tu modelo, podrías pensar que se trata de un efecto de tu inversión en marketing, cuando en realidad fue un factor externo que afectó tus resultados. Es fascinante ver cómo afecta a los resultados.

Juan Koetsier:

Por supuesto, la marea creciente levanta todos los barcos, ¿verdad? 

Y sabes, te crees un héroe, un genio, tu marketing es increíble, pero puede que estés por debajo de la media, por debajo del promedio de esta marea creciente. Por eso, necesitas ser capaz de analizar esos impactos y comprender el verdadero valor de lo que haces. 

Mencionaste Robyn hace un par de minutos, un framework de código abierto para MMM. Existen muchos otros frameworks para esto. ¿Qué framework usa Singular ? ¿Usan Robyn o alguna otra tecnología? 

¿Y cuáles fueron las decisiones que te llevaron a utilizar la tecnología que estás utilizando?

Eran Friedman:

Así que definitivamente nos inspiramos mucho en Robyn y Lightweight. Hay un montón de ellos por ahí. 

Tras evaluarlos todos, creamos nuestro propio modelo con algunos conceptos similares. Intentamos aprovechar las ventajas de cada uno. Sin embargo, consideramos que podemos personalizarlo aún más basándonos en nuestro conocimiento del sector. 

Como el tema de las tendencias que acabo de mencionar, que en Robin es un poco binario, por ejemplo, se deben decidir días festivos y fechas específicas, y es un factor de respuesta afirmativa o negativa. Vimos que hay mucho más que podemos introducir en términos de efectos específicos que pueden variar según el país y el segmento. Así que, de nuevo, utilizamos conceptos similares: creamos nuestro propio modelo de regresión ponderada en el tiempo y nuestro propio modelo bayesiano, y hemos estado probando ambos, añadiendo las características o entradas especiales que queríamos incorporar a nuestro modelo.

Juan Koetsier:

Eso simplemente subraya lo valioso que es tener esos otros datos del ecosistema, ¿verdad? Porque, digamos que ingresas las festividades. Bueno, ¿cuál es el impacto? ¿Cómo lo sabes? Supongo que... ingresas las festividades. 

Pero si ves los datos reales de descargas de aplicaciones en mercados verticales similares o diferentes, no tienes que adivinar si fue el 4 de julio o algo más... "algo" pasó. La realidad cambió. La causa es casi... Es decir, importa, pero casi no importa. 

Pero la realidad cambió. 

¿Y cómo te mueves dentro y alrededor de ese cambio? ¿Estás superando a la competencia o no? ¡Interesantísimo!. 

Háblanos un poco sobre las experiencias de tus clientes hasta ahora. Creo que lanzaste la versión beta hace un par de meses. Obviamente, ya había clientes que ya la habían probado y mejorado antes. 

¿Qué están aprendiendo los clientes? ¿Qué están descubriendo?

Eran Friedman:

Sí, la verdad es que hemos recibido comentarios increíbles. Nos ha sorprendido gratamente la reacción de los clientes. 

Y una de las cosas que queríamos asegurarnos, o la pregunta que queríamos responder, era: ¿cómo pueden los clientes confiar en los resultados? Y, en realidad, si como cliente ven los resultados de MMM y también los resultados de atribución basados ​​en SKAN, último clic en general, ¿cómo podrían conciliarlos y saber en qué basarse? 

Y podemos hablar un poco más sobre la visión a largo plazo en torno a la medición híbrida y cómo pensamos en esto, pero la reacción inicial fue muy interesante de ver porque en muchos casos, lo abrimos para los primeros clientes beta y les mostramos los resultados. 

Algunos de los primeros comentarios que recibimos fueron: "¡Guau! Esto coincide con las sospechas que teníamos internamente sobre algunas de las diferencias entre los canales. Y ha sido muy consistente con ellas. Es posible que sospechen que un canal en particular está siendo malinterpretado por la atribución basada en el último clic y, en realidad, contribuye más al resultado final. Pero es muy difícil comprobarlo sin realizar pruebas de incrementalidad específicas o una prueba general". 

Y no siempre es fácil gestionar realmente los cambios operativos. 

Pero luego ves los resultados y realmente ves la diferencia entre ellos. Y eso le da al equipo mucha más confianza en que, ¡vaya!, parece haber un impacto significativo. En lugar de desconfiar y entrar en un dilema, "¿Qué voy a hacer?", "¿En qué me voy a basar?", les da más confianza en que vale la pena redoblar esfuerzos para probar esa tesis, quizás realizando esa prueba incremental y viendo si está generando mejores resultados. 

Y esa ha sido una respuesta bastante consistente entre todos los clientes beta que lo probaron desde el principio, y vieron nuevos conocimientos y les hicieron darse cuenta de algunas sospechas que tenían o pensar en las cosas de una manera diferente y decir, eh, eso es realmente muy interesante. 

Nunca imaginamos que pudiera tener un efecto tan dramático. 

Creo que una de las cosas interesantes es que algunos clientes que ya han estado experimentando con MMM comentaron que les ha costado mucho trabajo obtener los datos, mantenerlos y mantener el modelo. Y, de repente, la primera experiencia consiste básicamente en obtener esos informes de MMM listos para usar. 

Eso ha sido alucinante para algunos de ellos, ¿verdad? 

Así que, bueno, completamente automatizado, no necesitaron hacer nada, solo obtener esa información inicial. Ha sido realmente asombroso. Pueden analizar los resultados de inmediato y, a partir de ahí, pensar en cómo reiterarlos, pero al abordar un problema tan crítico en la implementación de MMM, la respuesta fue fantástica.

Juan Koetsier:

Hay mucho que analizar en lo que acabas de decir. 

Primero que nada, creo que acabas de decir que sí, hay un botón fácil. No te dejaré comentar sobre eso, así que empiezo con eso. 🙂

Pero en segundo lugar, lo interesante es que recuerdo las conversaciones, algunas en Singular, algunas fuera de Singular, alrededor de MMM hace un año, hace dos años, tal vez hace tres años… 

MMM nunca ha desaparecido. Lleva mucho tiempo existiendo, y ha habido algunas presiones para implementarlo aquí y allá, y siempre la respuesta que recibías en la industria antes, digamos antes de ATT, era que no valía la pena. Tenemos lo que necesitamos. Podemos optimizar. Todo funciona. Todo va bien. ¿Por qué ir allí? 

Y lo que dices es que quienes usan y hacen esto obtienen información valiosa. Confirman sospechas; en otros casos, encuentran nueva información que cambia su forma de invertir en publicidad, pero también quizás confirman algunas de sus sospechas.

La tercera cosa que dijiste que fue realmente interesante, y en lo que quiero profundizar ahora, es que ha habido una preocupación, y la hemos escuchado de algunos especialistas en marketing móvil de muy alto nivel, realmente sorprendentes y con mucha experiencia, a quienes respeto mucho, que cuando tienes múltiples mediciones, ¿qué es cierto? 

Es la vieja pregunta, ¿verdad? Cuando tienes dos relojes, no sabes qué hora es porque son diferentes, ¿verdad? Así que no sabes cuál es el verdadero. Cuando tienes uno, simplemente lo aceptas porque es la realidad, la realidad por defecto. 

Y lo que dijiste es que añadir este tipo de medición no ha aumentado la confusión ni ha dificultado las cosas, sino que las ha simplificado. Profundiza un poco más en eso. 

¿Dónde encaja esta metodología de medición para los clientes?

Eran Friedman:

Sí, y creo que es una excelente pregunta. Realmente conecta con la estrategia o el enfoque sobre el que hemos estado escribiendo y hablando mucho con los clientes. Y creo que todo depende de las expectativas y los casos de uso que necesiten los clientes. 

Si intentan usar MMM para optimizar sus creatividades o subcampañas, será muy difícil. Y creo que algunos profesionales del marketing que probaron estos enfoques para una optimización muy granular obtuvieron resultados completamente erróneos o extremadamente específicos para reflejar los resultados de atribución, lo que simplemente no tuvo mucho valor. Y creo que ese fue quizás el enfoque equivocado de algunos de los diferentes enfoques, en nuestra opinión. 

En la Medición Híbrida, hemos estado hablando de la gran cantidad de conjuntos de datos disponibles, desde SKAN y Privacy Sandbox hasta muestras a nivel de usuario, pruebas de incrementalidad, etc. Cada uno tiene diferentes casos de uso. Deberían proporcionar información diferente para responder a preguntas diferentes. 

Es posible que esté utilizando los mejores conjuntos de datos para optimizar sus campañas o que sus operaciones diarias en realidad dependan de esos marcos basados ​​en el último clic digital. 

Pero si intentas planificar tu presupuesto para el próximo trimestre o comprender la contribución holística de las estrategias de remarketing a los resultados, el último clic presenta algunas desventajas, ¿verdad? Es muy difícil comprender el efecto de tus campañas con influencers, su viralidad o el canibalismo entre esos canales. 

Y ahí es donde MMM brilla mucho. 

Así, cuando el cliente comprende los diferentes casos de uso que debería usar para MMM, todo cobra mucho más sentido. Observa las diferencias en los resultados por canal y comprende su origen. ¿Cuál es la causa? Obviamente, al analizar la metodología basada en el último clic y comprender su concepto, sus sesgos y ventajas, y compararla con la metodología MMM para el canal de forma más estratégica o a un nivel superior, se observan algunas diferencias. 

Pero tener ese contexto, de repente, explica las cosas y te permite... de repente, ves tus resultados operativos desde otra perspectiva, ¿verdad? Porque también sabes que te falta información. 

Y eso te permite, esencialmente, tomar mejores decisiones. 

En resumen, todo se basa en el contexto de los casos de uso de cada conjunto de datos, y en usarlo con las expectativas y la comprensión adecuadas. En definitiva, y en relación con la primera pregunta que hizo sobre el botón fácil, con los avances tecnológicos que hemos tenido, diría que es definitivamente fácil obtener los resultados con toda la inversión que hemos hecho. 

El reto reside en la parte educativa, la capacitación, la mentalidad para comprender cuándo usar qué y cómo conciliarlos. Y, una vez más, los primeros comentarios que recibimos nos sorprenden por la mejor comprensión de cómo usar cada uno.

Juan Koetsier:

Miremos hacia adelante. Miremos al futuro. 

Han lanzado el producto en versión beta. Los clientes lo están usando y están recibiendo comentarios positivos. ¿Qué sigue? ¿Hay más datos que quieran añadir? ¿Hay tecnología adicional? Todo está en constante evolución. Así que, en cierto sentido, es natural y normal. Pero ¿hacia dónde creen que irá esto? ¿Hay algún cambio importante que quieran añadir?

Eran Friedman:

¡Guau! Tenemos muchos planes para este producto. Creemos que tiene un gran potencial y que los informes MMM pueden proporcionar muchos casos de uso y tipos de información. 

Algunas de estas son cosas de las que ya hemos hablado, el enfoque de medición híbrido, la capacidad de comparar entre los informes MMM y otros y ayudar a optimizar el lado de los informes y la usabilidad para las diferentes preguntas o casos de uso que tenga... así que definitivamente es algo en lo que estamos invirtiendo continuamente. 

También existen otras utilidades para MMM que tradicionalmente no se han implementado con diferentes metodologías de medición, como la optimización de la asignación presupuestaria. Estas son áreas en las que los frameworks de código abierto también ofrecen excelentes herramientas, visualizaciones e informes que podemos incorporar a nuestro producto. Además, queremos que sea cada vez más accesible y fácil de usar para cualquier profesional de marketing que desee probarlo. 

Así que esas son algunas de las áreas en las que pensamos.

Juan Koetsier:

Súper interesante porque tu primer punto me hace pensar en cómo se ve tu informe al acceder a tu panel de control. Eso cambia. Está cambiando y evolucionando, ¿verdad? Y también depende de quién seas y de las preguntas que quieras responder. Y si quieres comparar tu último clic con tu MMM, ¿cómo se ve? ¿Cómo funciona? Son como manzanas y naranjas, pero son manzanas y naranjas del mismo huerto.

Eran Friedman:

Mmm-hmm.

Juan Koetsier:

Muchos desafíos, súper interesante... y genial que haya al menos una parte de un botón fácil para este framework tan desafiante. Muchas gracias, Eran.

Eran Friedman:

Sí, gracias por invitarme de nuevo, John. Siempre es un placer hablar aquí.