Marketing Mix Modeling: lo que cuesta antes de que te diga nada

Estás en una reunión de presupuesto y la diapositiva ordena los canales por retorno. El tuyo está abajo. No está ahí porque haya funcionado peor. Está ahí porque nadie en la sala puede demostrar qué hizo, y un canal que no puedes demostrar pierde contra un canal que sí puedes demostrar. Así que el presupuesto se mueve, y el año que pasaste aprendiendo ese canal se convierte en dinero que otro va a gastar.

Ese intercambio lo has aprobado tú también. Yo también. Se archiva bajo calidad de datos y no se arregla nunca, porque arreglarlo cuesta más de lo que costó el canal.

La técnica que se construyó para este problema, el marketing mix modeling, lleva un precio y una exigencia de datos que rara vez llegan a quien aprueba el presupuesto, y ninguna de las dos cosas suele estar en la diapositiva cuando se toma la decisión.

¿Qué decide si merece la pena comprarlo? No es la cifra que el proveedor te suelta en la llamada, ni los años de histórico que te va a citar una guía.

Por qué el marketing mix modeling es caro antes de ser útil

Una aclaración antes de los costes. Aquí marketing mix modeling es el método estadístico que separa la contribución de un canal de todo lo demás que se mueve al mismo tiempo, no las cuatro P de producto, precio, distribución y promoción.

El precio publicado es la mitad visible del coste. La otra mitad llega antes de que el modelo produzca algo sobre lo que puedas actuar, y aparece en tres sitios.

El montaje de los datos es el primero. Tu gasto, tus ventas y tus variables externas viven en sistemas distintos y con granularidades distintas. Alguien tiene que conciliarlos en una sola tabla semanal, decidir qué hacer con el trimestre en el que cambió tu CRM y documentarlo. Odins, una guía de proveedor, sitúa esto en dos a seis semanas para montar el histórico y, después, de horas a días cada mes, mientras el modelo siga funcionando. En los casos de negocio que he visto, ese trabajo mensual es la línea que desaparece.

El talento es el segundo. Los marcos de código abierto como Meridian, Robyn y PyMC no tienen coste de licencia, lo que los hace parecer gratis hasta que pones precio a la persona que los ejecuta. La guía de Cassandra, publicada por un proveedor que vende MMM gestionado, sitúa el equivalente interno en 100.000 $ a 200.000 $ o más en perfiles de ciencia de datos. Esa es la comparación que tiene que hacer un comprador antes de llamar gratis a la vía del código abierto.

Luego está el ciclo de actualización. Un modelo es una foto de cómo se comportaron tus canales, y se queda viejo. La guía de IAB de 2025, resumida por Genius Monkey, describe actualizaciones semanales rápidas con reentrenamientos completos mensuales o trimestrales, y cada reentrenamiento vuelve a ejecutar todo el trabajo de datos anterior.

Cómo es en la práctica la lista de precios

En las 14 páginas de término principal que he leído para este trabajo, ninguna citaba un precio. Catorce páginas explicando una técnica, cero cifras asociadas.

Las cifras existen. Están publicadas en páginas cercanas al coste y en las páginas de precios de los proveedores, por las empresas que venden el trabajo. Cuando una cifra sale de la propia página de un proveedor, es su precio de tarifa. Cuando sale de un tercero, va marcada como declarada.

La distancia entre 490 $ al mes y 500.000 $ al año no es una rareza de precios. Es la diferencia entre una herramienta de autoservicio que ajusta un modelo estándar a tu archivo de gasto y un programa en el que hay personas que construyen, defienden y actualizan un modelo a medida para ti.

Fíjate en qué proveedores decidieron publicar. La escala de tarifas de Cassandra se mueve con tu propio gasto en medios del año anterior, una honestidad poco habitual en esta categoría. Recast, Northbeam, Keen y Mutinex funcionan en cambio con presupuestos a medida o empresariales, que es la observación de ELIYA en esa misma comparativa. Esa comparativa dice el motivo sin rodeos, citando a Gartner: el precio opaco domina el MMM y la mayoría de los proveedores no publica tarifas. Para un comprador no es una molestia menor. Significa que dos presupuestos no se pueden comparar hasta que obligas a los dos proveedores a poner por escrito el mismo modelo, el mismo trabajo de datos y el mismo ritmo de actualización.

Hay dos cosas más que quedan fuera de todas las cifras de esa tabla. ELIYA señala que la mayoría de los proveedores de MMM y de incrementalidad exigen contratos anuales, y que el precio que se cita en una llamada de ventas rara vez incluye las tarifas de puesta en marcha. Esa misma guía de proveedor sitúa el coste de una sola prueba de incrementalidad, por encima de la cuota de plataforma, en el 5 al 15 por ciento del gasto del canal probado en ventas no realizadas durante la ventana. Esa cifra es de la prueba y no del modelo, y pertenece a la misma conversación de presupuesto.

El umbral está publicado. Y también engaña.

El umbral no es un secreto. Los proveedores lo publican, y Google publica uno con la aritmética incluida.

La documentación de Meridian, de Google, enuncia la regla sin adornos: dos años de datos semanales para modelos a nivel geográfico, tres años para modelos a nivel nacional y tres años si solo tienes datos mensuales.

Entonces, ¿por qué sigue fallando un modelo construido con dos años de datos semanales limpios? Porque dos años es una duración, y la duración no es la restricción que aprieta.

Cuánta historia necesita de verdad un modelo y por qué la varianza pesa más que el número de observaciones

La propia documentación de Meridian responde a esto, y de todo lo que he leído para este trabajo es la única fuente que convierte la pregunta de años en un ratio.

Doce canales de medios, seis controles y ocho nudos suman 26 parámetros en el propio ejemplo resuelto de Meridian. Dos años de datos semanales te dan 104 puntos de datos. Eso son cuatro puntos de datos por parámetro, y el veredicto de la propia documentación es que ese tamaño de muestra es demasiado bajo para estimar el modelo con fiabilidad. Añade que una variación insuficiente en el gasto en medios lo empeora.

Estira a tres años y a un modelo más pequeño del mismo documento, y 156 puntos de datos entre 10 parámetros dan unos 15 por parámetro. Con ese ratio obtienes algo que la documentación llama información direccional. Dirección, no certeza.

Ese ratio es la prueba que hay que hacer antes de comprar. Cuenta tus canales y tus controles, cuenta tus semanas, divide. Los dos ejemplos de Meridian están en cuatro y en unos quince, y la distancia entre ellos es la diferencia entre un coeficiente que aguanta una pregunta seria y uno que no.

La varianza importa tanto como el recuento. Recast, un proveedor de medición, publicó la demostración más limpia de ello. En su simulación, un canal cuyo gasto iba de 200 $ a 600 $ se recuperaba con un margen de error de unos pocos puntos porcentuales con al menos seis meses de datos. Un canal con una varianza parecida pero con menos de 100 $ al día nunca aparecía como significativo. Su propia conclusión es la frase que merece quedarse: lo que importa es la varianza de un canal, no solo el número de observaciones.

Un canal también puede tener la varianza y aun así fallar, si su efecto es demasiado pequeño para detectarlo. Ese contraejemplo forma parte del mismo hallazgo, y es lo que lo hace creíble y no conveniente.

Los mínimos publicados no coinciden entre sí, y la discrepancia es la historia:

Seis fuentes, con mínimos que van de seis meses a cinco años. Quien te diga que la respuesta son dos años y se pare ahí te ha entregado un número sin la condición que lo hace cierto.

La forma de leer una discrepancia así es preguntar qué forma tiene el producto de cada proveedor. Measured vende un producto que empieza a los seis a doce meses, y su guía describe el MMM tradicional en dos a tres años antes de describir su propio suelo. Meridian es el marco de código abierto del propio Google, así que su regla nacional refleja el tipo de modelo para el que se construyó. Ninguno miente. Están poniendo precio a formas distintas del mismo problema. Busca la fuente cuya forma de modelo se parezca a la tuya y luego haz el ratio con tus propios números en vez de fiarte de su titular.

Qué pasa cuando un canal es el 4 por ciento del gasto

Esta parte viene de la documentación del propio Google y no de un proveedor.

La guía de Meridian dice que, para los canales de medios con poco gasto, conviene combinarlos con otros canales para evitar problemas en la estimación del ROI. Su lista de remedios para datos escasos incluye estimar menos canales, ya sea descartando un canal con poco gasto o combinando canales.

La redacción exacta importa. La documentación no dice que el modelo recomiende recortar tu canal pequeño. Dice que un canal demasiado pequeño para estimarlo se agrupa con otro canal o se descarta del modelo, y en cualquiera de los dos casos no obtiene su propio coeficiente.

Lo cual significa que la decisión de presupuesto de ese canal se toma sin el modelo. El modelo no se equivoca con el canal. Es que nunca se le preguntó.

Un canal del 4 por ciento es la línea más expuesta de un plan de medios exactamente por esto. Es lo bastante grande para importarle al negocio y demasiado pequeño para ganarse su propia cifra. Si además arrastra el peor panel de control, es lo primero que recorta el siguiente ciclo de presupuesto, y el modelo que acabas de comprar no lo va a defender.

El movimiento práctico es decidir la agrupación por adelantado en lugar de dejar que te pase. Haz una lista de cada canal que piensas pedirle al modelo que separe, marca los que esperas que caigan por debajo del umbral y decide ahora cómo vas a defender esos presupuestos si vuelven agrupados. Un canal defendido con un desplazamiento de gasto medido se sostiene solo, tanto si el modelo podía verlo como si no.

Qué resuelve el modelo y qué solo resuelve una prueba

Un modelo de marketing mix ajustado te da elasticidades y cuotas de contribución, y eso es realmente útil para repartir presupuesto entre canales que ya puedes separar. Te dice cómo se movieron las ventas con cada canal a lo largo del periodo que le diste, con un rango asociado.

El State of Data 2026 de IAB, una encuesta a más de 400 responsables sénior, encontró que ningún encuestado cree que todos los canales de pago estén bien representados en los modelos de marketing mix actuales. Nadie de la muestra. Es un hallazgo de la asociación sectorial, no de un proveedor, y debería ajustar tus expectativas antes de pagar el primer modelo.

Lo que el modelo no puede hacer es confirmar sus propios supuestos. Si dos canales siempre suben y bajan juntos, el modelo repartirá su crédito de alguna manera, y el reparto parecerá un hallazgo. Polestar Analytics, la página más rigurosa que he leído sobre este tema, nombra la misma debilidad sin rodeos: el MMM necesita histórico y le cuesta con canales correlacionados. Sigmoid plantea el punto con su nombre más preciso, multicolinealidad, y añade la consecuencia de que los modelos limitados a datos históricos escasos fallan.

Hay una forma más que respetar antes de fiarte de un coeficiente: la curva de respuesta de la que salió. El efecto publicitario se acumula y se desgasta, y un modelo ajustado sobre un periodo con una promoción dentro atribuirá la promoción al canal. Polestar incluye la forma de la curva y el desgaste entre sus propias advertencias. Si tu coeficiente salió de doce semanas atípicas, describe esas doce semanas.

Así que la salida es un conjunto de afirmaciones, no de hallazgos. Elige un número y sosténlo hasta que algo fuera del modelo lo confirme.

Las dos preguntas que un coeficiente no puede responder

Un coeficiente te dice cuánto contribuyó un canal dado lo que pasó. Eso ya da por hecho que el resto del mix hizo lo que hizo.

Las dos preguntas que no puede responder son las dos que de verdad hace una revisión de presupuesto. Qué habría pasado si no hubieras gastado nada ahí, y cuál de dos canales que siempre se mueven juntos merece el crédito. Las dos necesitan una versión de tu negocio que no ocurrió. La atribución tampoco puede responderlas, porque reparte crédito por lo que sí ocurrió. Nuestro artículo sobre atribución de ingresos cubre lo que ese método puede y no puede sostener.

Aquí la distinción se reduce a una frase. El modelo describe el pasado que le diste, y la prueba crea un futuro que no tenías.

La única prueba que te dice que el modelo está mal

La calibración es pequeña y acotada, y su rentabilidad es grande. Tomas un canal, lo retienes en algún sitio y comparas lo que el modelo predijo con lo que pasó de verdad. Si la predicción se sostiene, tus coeficientes se han ganado algo de confianza. Si no, lo descubriste antes de mover un presupuesto con ellos.

Strong.io describe así la prueba de calibración, y es la descripción correcta. Ninguna de las 14 páginas que he leído convierte el resultado en una condición de paso que se compruebe antes de comprar. Sigue siendo un paso de validación descrito después del modelado, que es el orden equivocado si el objetivo es no gastar.

Esa condición importa porque la confianza no está repartida por igual. Haus, que vende pruebas de incrementalidad, publica un Marketing Decision Confidence Index de 2026 difundido por EMARKETER: el 60 por ciento de los responsables sénior de Estados Unidos confiaba más en las pruebas de incrementalidad independientes, por delante del media mix modeling con el 40 por ciento y de los informes de la propia plataforma con el 37 por ciento. Es más probable que tu decisor crea la prueba antes que el modelo. Planifica el trabajo en ese orden.

Si quieres los diseños y la aritmética, nuestra guía de pruebas de incrementalidad recoge la mecánica. El punto que importa aquí es más estrecho. Un modelo que no has calibrado es una afirmación sin verificar sobre tu propio negocio, y la comprobación es una prueba que puedes acotar y presupuestar antes de comprometerte con el programa.

Construir, comprar o dejarlo

Tres preguntas deciden esto, y ninguna va de qué proveedor.

¿Tus datos aguantan el ratio? Los ejemplos de Meridian van de cuatro puntos de datos por parámetro, que considera demasiado bajo, a unos quince, donde la salida pasa a ser direccional. Si te quedas cerca del suelo, estás comprando un modelo que producirá números y poco más. Arregla primero la forma de los datos o modela menos canales.

¿Tienes a alguien que se haga cargo de la actualización? No alguien que pueda ejecutarla una vez. Alguien para quien el reajuste mensual sea una tarea fija. Odins describe ese ciclo como algo que continúa mientras el modelo siga funcionando, y un modelo sin dueño se degrada hasta convertirse en una diapositiva en la que nadie confía.

¿La decisión es lo bastante grande para justificarlo? Un modelo se gana el sueldo cuando mueves dinero de verdad entre canales que no puedes separar. Si tu presupuesto está en dos canales, un desplazamiento de gasto por fases te enseñará más por dólar que un modelo completo.

Si las tres respuestas son sí, la vía del código abierto está de verdad disponible. Meridian, Robyn y PyMC no cuestan nada de licencia, y el intercambio es que tú aportas al científico de datos que los proveedores de pago iban a aportar por ti. Si tienes a esa persona y el ratio se sostiene, construye. Si falta cualquiera de las dos cosas, compra la versión gestionada y paga por la mitad que te falta.

Si una respuesta es no, déjalo para el año que viene y pon el dinero en evidencia que puedas usar de verdad.

Elijas lo que elijas, compra la comprobación antes de comprar el programa. Una calibración contra un canal que puedas retener es una prueba acotada y no un programa, y te dice cómo se comporta un proveedor cuando su cifra se encuentra con tu realidad. Para las preguntas de compra que van antes del MMM en concreto, mira nuestro análisis de software de atribución de marketing. Cuando el modelo ya existe sigues necesitando un sitio donde reportarlo, y nuestra selección de herramientas de analítica de marketing cubre esa capa.

Qué hacer mientras no puedes permitírtelo

Si estás sopesando esto, probablemente no compres un modelo este trimestre, y es un resultado razonable. Aun así puedes responder a la pregunta que el modelo debía responder, con evidencia en lugar de inferencia.

Haz el desplazamiento de presupuesto por fases en lugar de modelarlo. Mueve una cantidad definida de un canal a otro durante una ventana fija y observa las ventas. No estás estimando una elasticidad, la estás midiendo. La evidencia es más débil que la de un modelo ajustado y es real, lo que gana a un modelo que no puedes calibrar.

Usa divisiones geográficas como evidencia. Mantén un canal en algunas regiones y ejecútalo con normalidad en otras, y luego compara. Es la misma lógica que un holdout sin la cuota de plataforma, y es la forma más rápida de averiguar si un canal hace algo. Los diseños están desarrollados con más detalle en nuestra guía de pruebas de incrementalidad.

Lo que ninguno de los dos métodos te dirá es el efecto a largo plazo, la contribución de marca que aparece dos trimestres después o qué haría un canal que nunca has ejecutado. Esas son las preguntas para las que sirve de verdad un modelo, y tener claro con tu equipo qué pregunta estás respondiendo te salva de comprar un modelo para resolver el problema de una prueba.

El gasto ya está ocurriendo en otros sitios. El State of Data 2026 de IAB y BWG Global, una encuesta a 430 responsables sénior de planificación y analítica de Estados Unidos, encontró que entre el 67 y el 76 por ciento usa hoy pruebas de incrementalidad, análisis de atribución o modelos de marketing mix, y el 67 por ciento nombra el MMM en concreto. La distancia entre tener uno y actuar con él es la parte sobre la que merece la pena pararse: HBR Analytic Services, en una encuesta de 2026 difundida a través de un recopilatorio de estadísticas del sector, encontró que el 87 por ciento dice que el MMM importa a su organización mientras solo el 28 por ciento es muy eficaz a la hora de actuar con él.

Esa distancia no se cierra comprando un modelo más grande. Se cierra teniendo un número en el que confíes antes de gastar nada en el siguiente, y un número tiene que sobrevivir a la revisión en la que aterriza. Nuestra guía de KPIs de marketing es el sitio por donde empezar para que ese número aguante.