El MMM puede decirte si una campaña en CTV funcionó... pero no siempre puede decirte por qué

Hoy empiezo mi artículo con una pregunta que parece muy sencilla: “¿Funcionó mi campaña de CTV?” Pero no quiero que me des una respuesta, sino como diría Mourinho, te preguntaría: “¿Por qué?”… y no es lo mismo.

Los llamados Marketing Mix Models (modelos de marketing mixto o MMM) están viviendo un momento bastante épico de popularidad. Simplificando mucho, se trata de modelos estadísticos que intentan estimar cuánto ha contribuido cada parte del marketing al resultado del negocio. En vez de mirar solo quién hizo click antes de comprar, observan cómo se comportan las ventas u otras métricas mientras cambia la inversión en televisión, Search, Social, CTV y el resto de canales. Esto permite escapar de una costumbre que hemos arrastrado durante demasiado tiempo: dar muchísimo valor a todo aquello que es fácil de clicar. El click es cómodo porque deja una “huella”, pero también puede ser accidental, tener poco que ver con una intención real o simplemente pertenecer al último punto visible de un journey mucho más largo. Cualquiera que está viendo el Feed de su Instagram sabe que se puede tocar un Reel o un anuncio sin querer y, sin embargo, el sistema registra igualmente la interacción y, varias presentaciones después, ese número puede terminar participando en una decisión presupuestaria.

En CTV se expone bastante bien este problema porque, sencillamente, hacer click nunca fue el objetivo principal de ver un anuncio en una televisión conectada. Una persona puede ver el anuncio en la tele del salón, buscar la marca horas después desde el móvil y terminar comprando al día siguiente desde un portátil o en una tienda física. Si nuestra medición empieza y termina en la última interacción observable, buena parte de lo que creó esa demanda desaparece y ahí los MMM son muy útiles, ya que permiten observar la contribución global de los canales, estimar el impacto incremental y analizar algo especialmente importante para planificación: el efecto marginal. Es decir, no solo tenemos que preguntar si la campaña en CTV funcionó, sino qué puede ocurrir si añadimos el siguiente euro de inversión.

Hasta aquí, todo bien, ¿verdad? El problema empieza cuando pedimos al modelo que nos conteste a una serie de preguntas para las que no fue concebido. Imaginemos que el MMM nos dice que CTV ha generado impacto incremental. Perfecto. ¿Qué hacemos mañana? Porque CTV aparece muchas veces en el modelo como una única línea, pero en campaña puede ser casi cualquier cosa: inventario de múltiples cadenas y plataformas, audiencias distintas, dispositivos diferentes, varias creatividades, rutas de supply que no tienen nada que ver unas con otras y frecuencias que cambian mucho entre usuarios. Podemos tener dos campañas llamadas “CTV” que, operativamente, se parezcan bastante poco.

Déjame que te ponga un ejemplo sencillo: una marca invierte en Disney+ y en Netflix. En uno de los entornos consigue alcance incremental y genera posteriormente una mejora en negocio. En el otro, no. Si al MMM le llega todo agrupado bajo la misma etiqueta “CTV”, puede concluir que CTV funcionó razonablemente bien. Esto es útil, pero sigue sin decirnos dónde pondríamos el próximo millón… pero es que el problema es todavía mayor si el resultado sale mal. Un MMM podría indicar que CTV tuvo poco impacto y alguien podría interpretar inmediatamente que “CTV no funciona”, pero quizá lo que no funcionó fue otra cosa: una audiencia mal seleccionada, demasiada frecuencia sobre las mismas personas, una ruta de inventario concreta, determinada creatividad o un diseño de test defectuoso. Aquí conviene entender qué es realmente un MMM: no es un árbitro que levanta una tarjeta amarilla o roja sobre cada canal. Es mejor pensarlo como un instrumento de calibración. Puede decirnos: “Aquí hay algo interesante” o “esto está rindiendo por debajo de lo esperado”. Después empieza el trabajo de verdad.

Hay otro ejemplo que ayuda a entenderlo: los geo-tests. Una marca puede decidir emitir CTV en determinadas zonas y reservar otras como grupo de control para comparar el comportamiento. Sobre el papel parece limpio, pero en la realidad, las señales de localización no son perfectas y el uso de varios dispositivos tampoco ayuda. Una pequeña cantidad de impresiones puede terminar llegando al área que supuestamente debía quedar sin exposición. A eso se le llama contaminación del test. Si esperábamos medir un efecto pequeño, esa fuga también puede ser suficiente para alterar la lectura. Por ejemplo, si tenemos un lift esperado del 2% y este acaba siendo del 1,8%, aunque la diferencia parece mínima escrita en una celda de un Excel, puede afectar a decisiones presupuestarias de millones.

Ojo, que nada de esto pretender ser un argumento en contra de los MMM… probablemente sea justo lo contrario. CTV necesita formas de medición independientes que sirvan como contrapeso a la atribución que ofrecen las propias plataformas. En un canal donde el click es especialmente pobre como señal, poder estimar incrementalidad da al equipo de marketing (y también a Finanzas) una base bastante más seria para discutir inversión.

Lo importante está en el orden de las preguntas. Primero utilizamos el modelo para entender cómo contribuye CTV al negocio y cuál parece ser su impacto marginal. Después abrimos la caja: ¿Qué networks estaban dentro? ¿Qué audiencias? ¿Cuánta frecuencia recibió cada segmento? ¿Qué creatividades aparecieron? ¿En qué dispositivos? ¿Cómo se distribuyó geográficamente la entrega? ¿Qué ocurrió en Search o en otros canales después de la exposición? Ahí es donde una lectura agregada empieza a convertirse en una decisión operativa.

Y esto nos lleva a una discusión algo más amplia. CTV no debería medirse con las mismas métricas que hicieron Search o Social especialmente sencillos de comprar, pero tampoco puede pedir una excepción permanente porque medir televisión conectada sea más complicado. El hecho de que un canal pueda generar demanda en lugar de recoger una intención ya existente no lo exime de demostrar impacto. Simplemente obliga a utilizar una metodología que tenga en cuenta cómo funciona realmente ese canal. Los MMM ayudan precisamente porque reducen nuestra dependencia del click, y el riesgo aparece si utilizamos un modelo sofisticado para crear una nueva simplificación.

Antes decíamos: “la campaña funcionó porque tuvo muchos clicks”, pero ahora podríamos acabar diciendo: “la campaña funcionó porque el MMM dice que CTV dio positivo”. Hemos cambiado la herramienta, pero no necesariamente la forma de pensar.

Después de recibir un resultado de MMM no deberíamos fijarnos únicamente en si “CTV funcionó”, sino en qué hemos aprendido, qué necesitamos investigar ahora y dónde tiene sentido colocar el siguiente euro. El modelo puede abrir esa conversación, pero si lo utilizamos para cerrarla, probablemente le estemos pidiendo demasiado.

Puntos clave:

• Los MMM ofrecen una visión más útil que el último click para evaluar el impacto incremental de CTV y entender qué ocurre con el siguiente euro invertido.

• El problema es que “CTV” puede agrupar inventario, audiencias, frecuencias, creatividades y dispositivos muy distintos; un buen o mal resultado agregado no explica por sí solo qué ocurrió dentro.

• La medición más útil combina MMM para entender contribución y marginalidad con diagnósticos posteriores sobre audiencia, supply, frecuencia, creatividad, dispositivos y geografía.

Este resumen lo ha creado una herramienta de IA basándose en el texto del artículo, y ha sido chequeado por un editor de PROGRAMMATIC SPAIN.