Marketing Mix Modeling: Meridian, Robyn y el umbral de datos

Marketing Mix Modeling: qué estima el método

El Marketing Mix Modeling (MMM) es una regresión sobre series temporales agregadas. La variable objetivo suelen ser las ventas semanales; las variables explicativas son la inversión en medios o las impresiones por canal, además de variables de control como precio, promociones, estacionalidad y festivos. A partir de ahí, el modelo estima qué parte de las ventas corresponde a cada canal. Según la guía de Robyn, el MMM no necesita para ello datos a nivel de usuario: trabaja con valores agregados.

Dos supuestos convierten la regresión en un modelo publicitario. El adstock refleja que la publicidad actúa con retraso y que su efecto se va apagando a lo largo de semanas. La saturación refleja que cada euro adicional en el mismo canal aporta menos ventas adicionales. Ambos efectos forman parte de Robyn y de Google Meridian, cuya introducción menciona expresamente el efecto retardado de la publicidad y la saturación como supuestos del modelo. De la curva de saturación se deriva después la recomendación de presupuesto.

La calidad depende de las variables de control. Si faltan en el modelo la estacionalidad, las promociones de precio o la demanda orgánica, el modelo atribuye su efecto a los canales que casualmente estaban activos al mismo tiempo. Por eso, la misma introducción menciona el volumen de búsquedas en Google como variable de control que descuenta el interés orgánico por la marca.

El marco general está en el artículo pilar Social Media Analytics, KPIs & Measurement. Las decisiones relacionadas se tratan en detalle en Modelos de atribución: por qué falla el multi-touch y gana el dark social, Incrementality testing: tests de geo-lift en lugar del ROAS de la plataforma y ¿Qué cuenta como visualización? Métricas de vídeo en YouTube, TikTok, Instagram, LinkedIn.

Conceptos: MMM, Media Mix Modeling, Meridian y Robyn

Media Mix Modeling se usa casi siempre como sinónimo de Marketing Mix Modeling, y la sigla MMM sirve para ambos. Google Meridian y Meta Robyn son dos implementaciones de código abierto del método. Meridian hace estimaciones bayesianas y además puede usar datos a nivel regional. Robyn trabaja con regresión ridge y busca sus hiperparámetros automáticamente con Nevergrad.

La elección de la herramienta no es neutral. Google sigue ampliando Meridian. En cambio, según AdExchanger, Meta se está retirando de Robyn. El informe se basa en fuentes anónimas de empresas de medición y agencias, dos de las cuales hablan de un equipo de Robyn disuelto. No incluye ninguna declaración de Meta. Por eso, si hoy te decides por Robyn, cuenta con que en el futuro tendrás que mantener tú mismo tu modelización.

Hallazgos que cambian la decisión

Google Meridian, Amount of data needed, 2025, global: La documentación de Meridian parte de un ejemplo con 12 canales de medios, 6 variables de control y 8 nudos para los efectos temporales, en total 26 parámetros; por simplicidad, no cuenta los parámetros de adstock y saturación de cada canal: «With two years of weekly data (104 data points), you have four data points per parameter. This sample size is too low to estimate the model reliably.» Solo cuando el ejemplo agrupa los canales en tres, reduce los nudos a dos y elimina una variable de control quedan 10 parámetros. Con tres años de datos semanales (156 puntos de datos), «you might be able to glean some directional information from the MMM.»

Por tanto, el umbral depende del número de parámetros, no solo de la duración del histórico. Con 26 parámetros, incluso tres años darían solo seis puntos de datos por parámetro. En un modelo real se añaden los parámetros de adstock y saturación de cada canal, así que el número de canales pesa todavía más. Si quieres analizar doce canales por separado, necesitas más información. Como primera salida, la documentación propone reducir el alcance del modelo. Como alternativa, sugiere añadir datos a nivel regional y calcular un modelo geo, en lugar de recortar el alcance o recopilar más datos.

Meta Robyn, Analyst's Guide to MMM, 2024, global: Meta Robyn (2020, MIT, regresión ridge, R/Python): «an MMM will need a minimum of two years of historical weekly data»; con datos solo mensuales, 4–5 años.

La guía de Robyn añade una regla general: una variable explicativa por cada diez observaciones. Según esto, dos años de datos semanales (104 semanas) soportan unas diez variables, sumando canales de medios y variables estacionales y de contexto. Ambas documentaciones llegan al mismo orden de magnitud, pero Meridian es más estricta: allí, incluso unos 15 puntos de datos por parámetro solo alcanzan para una indicación orientativa.

Funnel.io, Best MMM software; Improvado, MMM Providers; Recast, MMM software, 2025, global: Costes: servicios gestionados, aproximadamente 50.000–200.000+ USD; SaaS de autoservicio, aproximadamente 24.000–60.000 USD/año; desarrollo interno, según la calculadora de Recast, unos 125.000 USD más 22.000 USD/año de mantenimiento.

Los dos rangos corresponden a proveedores de servicios y de software; el valor de Recast, a un desarrollo propio. Meridian y Robyn son de código abierto y se pueden usar sin coste de licencia. Si los usas, pagas por la preparación de datos, la modelización y el mantenimiento continuo, es decir, sobre todo por horas de trabajo.

Sellforte, Ad spend needed for MMM, 2025, global: Sellforte: «If your annual media spend is below $5 million, traditional Marketing Mix Modeling (MMM) vendors might tell you that their service isn't the right fit for you.»

El límite de cinco millones no es la posición de Sellforte. Sellforte lo describe como la valoración de los proveedores tradicionales de MMM y, según sus propios datos, trabaja con clientes cuya inversión anual en medios va desde menos de un millón hasta más de 100 millones de dólares estadounidenses. Sellforte es a su vez proveedor de MMM, así que la afirmación también es un argumento de venta. Por eso, la fuente no sirve ni como prueba ni como contraprueba de un umbral fijo de presupuesto.

Lógica de decisión: ¿bastan los datos y el presupuesto?

Antes del modelo hay dos comprobaciones. La primera se refiere al volumen de datos: cuenta las semanas y los parámetros, es decir, canales de medios, variables de control y efectos temporales. Para obtener una indicación orientativa, la documentación de Meridian reduce su ejemplo a unos diez parámetros con tres canales de medios y calcula con tres años de datos semanales en lugar de dos. Como alternativa, recomienda datos a nivel regional y un modelo geo. El cálculo figura más arriba, en el hallazgo sobre Meridian.

La segunda comprobación se refiere al presupuesto. Sellforte describe el límite de cinco millones de dólares estadounidenses de inversión anual en medios como una regla general de los proveedores tradicionales de MMM: por debajo de esa cifra, es posible que rechacen el proyecto. La propia Sellforte considera que el MMM también es viable con presupuestos menores. Con las herramientas de código abierto Meridian y Robyn desaparece el tamaño mínimo que exigen los proveedores, pero los costes se mantienen. Según la calculadora de Recast, montar y mantener un modelo propio cuesta unos 125.000 USD más 22.000 USD al año, calculado con dos data scientists durante seis meses con salarios estadounidenses. Recast vende software de MMM, así que el cálculo no es neutral. Compara estos costes con tu inversión anual en medios.

La matriz resume cómo saber, antes y después de la primera ejecución del modelo, si un modelo ofrece resultados sólidos.

Implementación en cuatro pasos

Preparar los datos: Crea series semanales para la variable objetivo, para cada canal y para las variables de control. La guía de Robyn recomienda datos semanales y, como entrada del modelo, medidas de contacto como impresiones o GRP. Para canales digitales desaconseja los clics, porque no recogen las conversiones view-through. La inversión la necesitas además para calcular el ROI. Estacionalidad, festivos, precios, promociones y actividad de la competencia entran en el modelo como contexto.

Ajustar el modelo: Agrupa los canales pequeños hasta que el número de parámetros encaje con el volumen de datos. Robyn descompone tendencia, estacionalidad y festivos con la herramienta de previsión Prophet. En Meridian, los nudos determinan con qué detalle se modelan los efectos temporales, y cada nudo cuesta un parámetro.

Calibrar: Ancla el modelo con experimentos. En Meridian, los resultados de los tests entran como priors para el ROI de cada canal; la documentación llama a este paso precisamente calibración. Robyn incorpora la desviación entre modelo y test como tercer objetivo en la búsqueda de hiperparámetros. Sirven los tests de conversion lift de las plataformas y los tests de geo-lift.

Revisar el resultado y repartir el presupuesto: Contrasta las contribuciones por canal y el ROI con experimentos y con el conocimiento del negocio antes de mover presupuesto. Ambas herramientas derivan de los resultados del modelo un reparto del presupuesto: Robyn con un Budget Allocator integrado, Meridian con una optimización del presupuesto.

Errores habituales

• Demasiados canales para muy pocos datos: Doce canales individuales con dos años de datos semanales dan, en el ejemplo de Meridian, cuatro puntos de datos por parámetro. El modelo entrega entonces cifras, pero no cifras fiables.
• Faltan variables de control: Sin estacionalidad, promociones de precio y demanda orgánica, el modelo atribuye su efecto a los canales que estaban activos al mismo tiempo.
• Solo la inversión como entrada: La guía de Robyn recomienda impresiones o GRP como entrada del modelo y desaconseja los clics. La inversión sigue siendo necesaria para calcular el ROI.
• Sin calibración: Un modelo sin contraste con un experimento puede presentar una correlación como efecto. Ambas documentaciones recomiendan los experimentos como ancla.
• Una sola ejecución del modelo como verdad: Robyn genera muchos modelos candidatos y sopesa la precisión predictiva (NRMSE) frente a la plausibilidad de la descomposición (DECOMP.RSSD). Si adoptas sin revisar el modelo con mejor ajuste, puedes acabar adoptando un reparto entre canales poco plausible.

Leer y usar los resultados

El MMM ofrece estimaciones con incertidumbre. Como modelo bayesiano, Meridian devuelve una distribución de los parámetros, es decir, rangos en lugar de valores puntuales. Por eso, informa de las contribuciones por canal y del ROI con su rango y con el periodo en el que se basa el modelo.

La correlación sigue siendo el problema de fondo. Si dos canales suben siempre a la vez, el modelo apenas puede separar sus contribuciones. Robyn usa regresión ridge, que encoge todos los coeficientes hacia cero y así estabiliza las estimaciones cuando los canales están muy correlacionados. Eso no demuestra un efecto. La prueba la aportan los experimentos. Por eso, la guía de Robyn recomienda expresamente calibrar el modelo con resultados experimentales.

Tras una ejecución del modelo, mueve el presupuesto de forma gradual. Comprueba la mayor reasignación con un test de lift antes de adoptar por completo el reparto propuesto. El resultado del test vuelve a entrar como calibración en la siguiente ejecución del modelo.

Para empresas en Europa, el nivel de los datos es una cuestión práctica. Las series semanales separadas por país o región se pueden usar en Meridian como unidades geográficas. Según la introducción de Meridian, los datos a nivel regional contienen más información estadística que una única serie nacional.

Primer paso antes de elegir herramienta

Cuenta primero las semanas y los parámetros. Si los datos no bastan para los canales que quieres separar, agrúpalos o empieza con un test de geo-lift. El test responde a la pregunta para un canal y más adelante aporta el ancla para la calibración.

El tracking, la atribución, la lógica de KPI y los dashboards se integran en un sistema de control medible con el marketing basado en datos de Blck Alpaca.