Los modelos de marketing mix (MMM) han demostrado su importancia para simular el impacto de distintas estrategias de marketing y, sobre todo, para guiar la elección del mix óptimo. Los modelos convencionales replican la influencia del mix sobre distintos KPI y se usan a menudo para la optimización del mix (MMO): hoy el media mix ya no se elige solo por intuición o criterio experto, sino con modelos de aprendizaje automático.
Pese a esos logros, los modelos agregados clásicos tienen limitaciones a la hora de representar efectos clave del negocio: falta de granularidad, naturaleza estática, escasa integración entre canales e incapacidad para capturar efectos a largo plazo, entre otras que pasan por alto tendencias y resultados cruciales. Creo que los modelos basados en agentes (ABM) pueden ser la mejor metodología de MMM para afrontar estos retos, por estas razones:
- Dinámicas complejas a largo plazo. Las interacciones con clientes y clientes potenciales no son inversiones de «llamada a la acción», sino la búsqueda de una relación duradera. La percepción de la marca evoluciona a través de muchas interacciones a lo largo del tiempo: la audiencia no es una serie de eventos a corto plazo, sino individuos que atraviesan estados de percepción y compromiso (recorridos).
- Personalización y granularidad. Los mensajes impactan de forma distinta según necesidades, estados y actitudes hacia la marca. Incorporar esos matices mejora mucho la decisión sobre la estrategia y anticipa el efecto de cada campaña sobre cada perfil y estado de compromiso.
- Coordinación óptima entre marketing directo y masivo. Los clientes reciben también marketing directo y experiencias uno a uno con el producto. Ver a la audiencia como clientes potenciales, y no como individuos anónimos, permite optimizar ambas estrategias a la vez, recordando patrones de las interacciones directas dentro del cumplimiento del RGPD.
- Reciclaje del conocimiento. Con todo el Big Data disponible, los perfiles únicos de audiencia son relativamente pocos. Los ABM son costosos de construir, pero se reutilizan: una agencia de medios debería disponer de modelos robustos sobre distintas poblaciones, reutilizables para varios anunciantes.
- Comprensión psicológica. Estimar la dinámica de toda una población bajo efectos nuevos es difícil con modelos pensados para individuos o grupos pequeños. Los estudios psicológicos y de comportamiento, las encuestas y los focus groups explican los microimpactos, y los ABM son la elección natural para extrapolarlos a macroefectos.
- Boca a boca y efectos de red. Los clientes están conectados y las recomendaciones pesan. Los MMM tradicionales no analizan bien esa dinámica; los ABM la llevan dentro.
- Modelado dinámico del proceso de compra completo. Cada compra suele ser el resultado de una cadena de acciones que los MMM tradicionales representan mal: el efecto ROPO, la investigación en internet… La publicidad reactiva (SEO, retargeting) puede aparecer sobrevalorada por su correlación con las ventas, cuando su impacto real corresponde a inversiones en medios anteriores.
¿Qué son los modelos basados en agentes y por qué ayudan?
Son modelos computacionales que simulan las interacciones dinámicas entre miles o millones de agentes —individuos o grupos pequeños— para entender el comportamiento de un sistema y los factores que gobiernan sus resultados. Beben de la teoría de juegos, los sistemas complejos, la sociología computacional y la programación evolutiva, y usan métodos de Monte Carlo para recoger la naturaleza estocástica de la simulación. Además incorporan modelos de aprendizaje automático que simulan la probabilidad de transición entre estados de cada agente, de modo que los macroefectos se derivan de los microimpactos.
Por ejemplo: cientos o miles de agentes (microperfiles) con rasgos personales, niveles de compromiso y percepciones del producto propios, que responden dinámicamente a los impactos de marketing recomendando, buscando información, visitando la tienda o comprando. A diferencia de los modelos estáticos, los ABM capturan la evolución de esos agentes bajo impactos individuales.
En lugar de calcular ratios agregados de impacto sobre KPI bajo distintos escenarios de media mix, los ABM permiten evaluar cómo evoluciona el sistema multiagente cuando se impacta a cada individuo. Esa es la diferencia que separa un ajuste de curvas de un mercado sobre el que se puede experimentar.
Publicado originalmente en Medium (noviembre de 2023). Traducción al español del original en inglés.