Marketing Mix Modeling: atribución más allá del clic

La atribución es la herramienta que le permite al gestor de medios medir el retorno de las inversiones en anuncios. El método más consolidado depende de clics. Y hay canales enteros donde el clic no existe.

En este artículo explico cómo los Marketing Mix Models (MMM) atacan ese punto ciego, muestro la matemática detrás del método y cuento lo que vimos al aplicar Meridian, el MMM de código abierto de Google, en proyectos reales de Marktech. En el camino, una simulación con números para evaluar si el modelo entrega lo que promete.

• Lo que la atribución por clic no ve
• Cómo funciona un Marketing Mix Model
• Meridian: el MMM de código abierto de Google
• Lo que mostró la simulación
• Las salvedades con datos reales
• Cuándo vale la pena el MMM

Lo que la atribución por clic no ve

El método más consolidado de atribución es la parametrización de los clics. Consiste en incrustar datos en las URLs de los anuncios de acuerdo con la configuración de los canales de medios. Cuando ocurre una conversión, esos parámetros permiten identificar el origen: canal, campaña, creativo.

Es un enfoque eficaz. Es con él que las operaciones de medios suelen decidir, por ejemplo, cómo dividir el presupuesto entre Google y Meta.

Pero tiene una limitación importante: ¿cómo medir la contribución de canales que no generan clics? Los medios offline son el caso clásico. La radio, la TV y la publicidad exterior influyen en las conversiones, pero no llevan una URL parametrizada. Para la atribución basada en clics, esos canales simplemente no existen.

Cómo funciona un Marketing Mix Model

Los MMM (Marketing Mix Models) son una alternativa a esa metodología tradicional. Adoptan una visión menos granular: en vez de rastrear cada conversión individualmente, correlacionan inversiones agregadas, conversiones totales y variables de control a lo largo del tiempo, utilizando técnicas de regresión para estimar la contribución de cada canal.

En resumen, las conversiones en un determinado día t se modelan de la siguiente forma:

y_t = β₀ + f(x_t; β) + ε_t

Donde:

• x_t representa el vector de inversiones (y otras variables potencialmente relacionadas con las conversiones, como el clima, las búsquedas orgánicas, entre otras) para el día t;
• ε_t corresponde al ruido;
• β₀ y β son los parámetros del modelo.

El objetivo del framework de MMM es ajustar los parámetros β₀ y β a partir del histórico de datos observados (x_t e y_t), buscando la mejor representación posible de la relación entre inversiones y resultados.

Observe lo que el modelo no necesita: ningún clic, ninguna cookie, ningún recorrido individual. Solo series históricas de inversión, de conversiones y de contexto. Eso es lo que abre espacio para incluir los canales offline en la cuenta.

Meridian: el MMM de código abierto de Google

En 2025, Google puso a disposición un modelo de MMM de código abierto, Meridian. En Marktech ya aplicamos ese framework en algunos proyectos reales y tuvimos sensaciones mixtas en cuanto a su aplicabilidad práctica: la promesa se confirma en condiciones controladas, pero el método pide condiciones de datos que no toda operación tiene hoy. Vuelvo a eso más adelante.

Una duda que siempre aparece: si Meridian es de Google, ¿no privilegiaría los canales del propio Google? No hay forma. Quien define las etiquetas de cada canal enviado como entrada es usted. Meridian no tiene cómo saber qué canales son de Google para, hipotéticamente, favorecerse en el proceso.

Lo que mostró la simulación

Para ilustrar, realicé una simulación con datos sintéticos, representando un escenario plausible de inversiones y conversiones en marketing: tres canales (Google, Meta y medios programáticos), con inversiones diarias. La ventaja del dato sintético es que la atribución real de cada canal es conocida. Se puede comparar lo que el modelo estima con la respuesta correcta.

En el escenario simulado, Google respondía por 60% de las conversiones, y Meridian estimó 64%. Meta respondía por 33%, y la estimación fue de 25%. La programática respondía por 7%, contra 11% estimados.

Es decir: incluso sin tener disponible la atribución directa, el modelo MMM logró derivar porcentajes de atribución considerablemente cercanos a los valores reales, mostrando que fue capaz de deducir las contribuciones de los canales de forma satisfactoria mirando solo los agregados.

Las salvedades con datos reales

Los datos sintéticos son una prueba de laboratorio. Al lidiar con datos reales, algunos puntos adicionales deben considerarse.

Primero: el modelo puede exigir una cantidad significativa de datos para entrenarse bien. Una serie histórica corta produce una estimación inestable, y concluir con datos de menos es una trampa de la misma familia que los falsos positivos en tests A/B cerrados demasiado pronto.

Segundo: puede ser bastante sensible a la variabilidad de las inversiones a lo largo del tiempo. Si las inversiones son prácticamente constantes entre los días, el modelo tendrá dificultad para inferir correctamente la función de generación de leads. La intuición es simple: la regresión aprende con variación. Si el presupuesto nunca cambia, no hay información sobre lo que pasaría si cambiara.

Cuándo vale la pena el MMM

Con la debida estructuración de datos, los modelos MMM pueden convertirse en una herramienta útil para ampliar la visión sobre las inversiones en marketing, especialmente en los canales de medios donde la atribución tradicional basada en clics no es capaz de ver.

En la práctica, el MMM no sustituye la parametrización: la complementa. El clic sigue siendo el mejor lente para el día a día de los canales digitales, y el modelo agregado entra para ver el todo, offline incluido. Con las dos visiones sobre la mesa, la decisión de cómo distribuir la inversión entre canales deja de depender de un único instrumento.

¿Quiere evaluar si un MMM tiene sentido para su operación? Hable con nosotros.