Seguro que esta cita te suena: “Sé con certeza que la mitad del dinero que gasto en publicidad y promoción va a la basura. El problema es que no sé qué mitad es”. Esta célebre frase, pronunciada a finales del siglo XIX por el empresario estadounidense John Wanamaker, ha sido utilizada tanto por académicos como por profesionales del marketing para referirse a la eficacia de las actividades de publicidad y promoción en particular, y de las acciones de marketing en general.
¿Qué opinas de esta frase? ¿Crees que sigue estando vigente hoy en día?
Desafortunadamente hoy en día, más de cien años después, esta cita de John Wanamaker sigue teniendo plena vigencia: muchas empresas no conocen qué partidas del presupuesto destinado a actividades de marketing tienen un retorno positivo para la compañía.
A pesar de que se han producido grandes avances, todavía el mundo del marketing adolece de un problema de falta de cuantificación del retorno de sus acciones que merma la credibilidad de la función de marketing dentro de la empresa. Por esta razón, el presupuesto de marketing es percibido con demasiada frecuencia como un gasto en lugar de como una inversión.
Esta falta de confianza en la eficacia real de las acciones de marketing derivada de una insuficiente justificación de su retorno, pone en riesgo su asignación presupuestaria. De hecho los profesionales del sector suelen quejarse amargamente diciendo que el presupuesto de marketing siempre es una de las primeras partidas que se reduce en periodos de crisis económica.
Métricas de marketing
Para evitar este tipo de situaciones, y que el marketing sea percibido realmente como una inversión, necesitamos disponer de las métricas adecuadas para evaluar su aportación de valor ante cualquiera que lo ponga en duda (alta dirección, financieros o accionistas). Pero, ¿esto qué quiere decir?, ¿qué nunca hemos medido el rendimiento de las acciones de marketing?
Pues sí, el problema es que tradicionalmente lo hemos hecho formulando los objetivos de marketing desde el corto plazo, y en términos de impacto sobre la marca y los consumidores. En este sentido, en el área de marketing estamos más acostumbrados y cómodos, sea dicho de paso, empleando métricas como la notoriedad de marca, la satisfacción de clientes, la intención y repetición de compra, entre otras. Este tipo de métricas, bien por desconocimiento bien por auténtico desprecio, son consideradas “métricas intermedias o blandas”, y tienen poca credibilidad fuera del departamento de marketing.
No han sido puestas en valor por directivos y financieros como indicadores válidos del esfuerzo de marketing.
Y, hasta cierto punto tienen razón, las empresas con ánimo de lucro no utilizan el marketing por el mero hecho de incrementar la notoriedad o la satisfacción de los clientes. Estos son solo medios para un fin; las empresas gastan dinero en marketing porque piensan que aumentarán con ello el valor de la empresa en algún momento, no necesariamente de forma inmediata.
Esta situación obliga, por tanto, a los profesionales de marketing a emplear un lenguaje comprensible, y sobre todo creíble para perfiles ajenos al área de marketing a la hora de evaluar sus acciones. Este lenguaje al que me refiero, es el lenguaje financiero, donde “métricas de negocio o duras” como la rentabilidad de la inversión realizada, el ROI, forman parte de su vocabulario, y deben pasar a forma parte, sí o sí, del lenguaje de marketing a la hora de evaluar e informar del rendimiento de sus decisiones.
Me centraré ahora en esta métrica…, pero adaptada al ámbito del marketing.
El ROI de marketing
Si el ROI evalúa la rentabilidad de una inversión relacionando el importe de esa inversión con los beneficios que genera, el ROI de marketing (ROIM) relaciona la inversión en marketing con los beneficios generados por esa inversión vía ventas.
Esto que dicho así parece algo obvio y sencillo de calcular, “tiene su aquel”, ya que en la fórmula del ROIM no debes incorporar “todas” las ventas obtenidas durante el periodo objeto de análisis sino solo las “incrementales”. Es decir, las ventas generadas exclusivamente gracias a la acción de marketing sobre la que estas calculando su rentabilidad.
Y aquí está el quid de la cuestión, ¿cómo cuantifico las ventas generadas “exclusivamente” por la acción de marketing?
Pues, ¡habitualmente mal! … porque lo que solemos hacer es comparar las ventas obtenidas tras finalizar el periodo en que realizamos la acción de marketing con el nivel de ventas previo a la acción.
¡Craso error!, porque si lo hacemos de este modo no estamos teniendo en cuenta los efectos que provocan en las ventas otro tipo de variables como, por ejemplo, las variables del entorno macroeconómico, la estacionalidad, las acciones de marketing de la competencia u otras variables de nuestro marketing mix.
Para solventar este problema, puedes apoyarte en los modelos econométricos para calcular las ventas incrementales. Estos modelos te permitirán aislar el efecto de las distintas variables que inciden sobre las ventas. De este modo, podrás atribuir de un modo más fiable qué parte de las ventas incrementales corresponden a cada una de estas variables.
Una correcta atribución de la parte de las ventas incrementales que corresponden a la acción de marketing objeto de estudio, te permitirá calcular de un modo más preciso y fiable el ROI de dicha acción.
Modelos de marketing mix vs. Modelos de atribución digital
Una de las variables del marketing mix que más interés ha despertado por parte de los profesionales del sector a la hora de medir sus efectos sobre las ventas ha sido la publicidad.
De hecho, la mayoría de los modelos econométricos que tratan de medir la respuesta de las ventas al marketing mix se han desarrollado para estudiar los efectos de las distintas decisiones de publicidad: nivel de gasto, mix de medios y tipo de mensaje publicitario.
La razón de este interés está en que la partida de presupuesto destinada a publicidad suele ser una de las más importantes dentro del departamento de marketing, y en particular la destinada a la contratación del mix de medios.
En este ámbito de aplicación, los modelos econométricos suelen denominarse modelos de marketing mix (MMM), y tienen una gran utilidad para medir el impacto del mix de medios publicitario sobre las ventas. Sin embargo, la proliferación de los medios digitales ha dado lugar a la aparición de otro tipo de modelos denominados modelos de atribución digital (MAD). Estos modelos asignan un determinado peso a los distintos canales por los que un usuario pasa antes de realizar una acción en nuestra web que interpretamos como una conversión.
Y aquí es donde surgen las dudas: los MMM y los MAD, ¿son lo mismo?
A grandes rasgos sí, porque ambos tratan de medir la “contribución” o impacto de cada uno de los canales que forman parte del mix de medios offline, online o una mezcla de ambos sobre nuestras ventas o conversiones…, pero hay algunos matices.
Vamos a ver los más importantes ...
MMM
- Su enfoque analítico se sustenta en la evolución (tendencia) de las ventas a nivel agregado, y necesitan incorporar datos históricos, generalmente de carácter semanal o mensual. Sobre estos datos, los MMM tratan de cuantificar el impacto de cada medio en función de las ventas incrementales que son capaces de generar de manera individual, y por la interacción de varios medios (sinergia).
- Modelos válidos para evaluar el impacto sobre las ventas de todo tipo de medios, tanto online como offline.
- Son capaces de capturar los efectos a largo plazo de la publicidad insertada en los diferentes medios de comunicación. Sin embargo, esto que es una virtud, también tiene un inconveniente ya que limita la rápida toma de decisiones al respecto de la continuidad o no de una determinada ejecución publicitaria en un medio u otro. A veces, dejamos de emitir publicidad en un medio porque no vemos sus efectos inmediatos sobre las ventas. Pero esto no quiere decir que ese medio no sea eficaz sino que por las características intrínsecas de ese medio, en él los efectos de la publicidad tardan más tiempo en producirse.
- Al permitir la evaluación de todo tipo de medios publicitarios y variables de marketing, estos modelos permiten calcular de un modo preciso y fiable el ROI de cada medio "sin sobrestimar" el impacto de ninguno de ellos.
MAD
- Su enfoque analítico permite evaluar el papel de los puntos de contacto digitales individuales en el camino a una conversión (generalmente una venta). Este trayecto que realiza el usuario desde que accede por primera vez a la web hasta que realiza una acción que consideramos una conversión, es lo que conocemos como Digital Customer Journey. Con esta información, los modelos de atribución lo que hacen básicamente es asignar un mérito distinto a cada medio con el que el usuario ha interactuado en su camino hacia la conversión.
- Modelos centrados exclusivamente en la evaluación del impacto de los medios digitales e implican grandes volúmenes de datos (Big Data).
- Solo son capaces de capturar el efecto a corto plazo (inmediato) de la publicidad que se muestra en los diferentes canales publicitarios. Esto que podría parecer una limitación, tiene una ventaja, y es que permiten una rápida toma de decisiones al respecto de qué ejecuciones creativas podemos utilizar con mayor intensidad, o por el contrario reducir su uso o incluso eliminarlas si no funcionan.
- Al tener un enfoque 100% digital, los modelos de atribución ignoran por completo el efecto de los medios offline. Esto puede provocar una sobrestimación del ROI de los medios digitales.
Ahora que hemos visto las diferencias entre los MMM y los modelos de atribución, en esta entrada voy a centrarme en los primeros, y una de sus principales utilidades: la medición del impacto del mix de medios publicitario sobre las ventas.
Los modelos de atribución los dejo para otra día 😉.
Los MMM y la medición del impacto publicitario
Efectos de la publicidad
Cuando queremos medir el impacto del gasto en publicidad sobre las ventas, ya sea de forma agregada o desglosado por medios, tenemos que tener en cuenta que la publicidad es una variable muy peculiar, por dos razones: sus efectos suelen prologarse en el tiempo, y su relación con las ventas no es lineal.
Estos dos aspectos tienen importantes implicaciones a la hora de medir el impacto de esta variable sobre las ventas, ya que rara vez la incorporaremos en un MMM en estado puro sino con algún tipo de transformación que recoja los dos efectos que he mencionado antes: el efecto temporal de la publicidad, y su patrón de relación no lineal con las ventas.
En el primer caso, me estoy refiriendo al efecto carry over o adstock publicitario. En la mayoría de los casos, el efecto temporal de la publicidad sobre las ventas suele durar poco tiempo, es decir, es un efecto a corto plazo. Sin embargo, en ocasiones estos efectos pueden prolongarse en el tiempo. Esto depende tanto de factores intrínsecos a la publicidad, como el tipo de medio o la creatividad publicitaria, como de factores extrínsecos, como el comportamiento del público objetivo al que dirigimos nuestro mensaje publicitario.
Sea como fuere, la cuestión es que existe un “gap” entre el momento en el que realizamos el esfuerzo publicitario, y el momento en que este tiene un impacto real sobre las ventas. Este gap es lo que da lugar al adstock publicitario o parte del efecto publicitario que ocurre en periodos de tiempo posteriores a la presión publicitaria ejercida en un momento puntual.
En el segundo caso, la forma en que las ventas responden ante la presión publicitaria no es lineal. Si lo fuera, las ventas crecerían indefinidamente a medida que aumenta el esfuerzo publicitario, ¡imagínate!
La razón de esta no linealidad está motivada por la aparición de dos importantes fenómenos:
- La disminución del retorno o rendimientos decrecientes. Este efecto implica que cada unidad de incremento en el esfuerzo publicitario dará lugar a una disminución progresiva del incremento de ventas.
- El efecto saturación. Este efecto sugiere que a partir de cierto punto el incremento en la presión publicitaria no provoca ningún incremento de las ventas.
Debemos ser conscientes de que las campañas publicitarias tienen un impacto limitado sobre el consumidor, ya que estos son capaces de recordarlas solo hasta cierto punto. Cuando alcanzamos este nivel de recordación de la publicidad, una mayor exposición publicitaria no genera ningún efecto adicional sobre la mente del consumidor porque este ya conoce la marca y su mensaje publicitario. Una vez alcanzado este nivel, los efectos de las exposiciones publicitarias comienzan a disminuir con el tiempo, es decir, un incremento del esfuerzo publicitario no se traduce en un incremento proporcional de las ventas, sino que este efecto es cada vez menor (disminución del retorno) incluso hasta llegar a un punto donde este efecto es nulo (saturación).
Implicaciones prácticas
Y, ¿por qué es tan importante en la práctica conocer estas dos características de la publicidad?
¡Tremendamente importante!, porque el patrón de respuesta de las ventas ante el gasto publicitario llevado a cabo por una marca nos ofrece una información muy relevante a la hora de realizar una asignación óptima del presupuesto publicitario. En particular, la curva de respuesta asociada al gasto realizado en cada medio de comunicación nos ayudará a determinar el punto óptimo de gasto tomando como referencia el punto de saturación de cada curva. En este sentido, si tomamos como punto de partida la situación de gasto actual, y la comparamos con el ideal o punto de saturación, podemos reasignar el presupuesto destinado a cada medio, desinvirtiendo en aquellos medios donde estamos por encima del óptimo e invirtiendo más en aquellos donde estamos por debajo.
De este modo, destinaremos más recursos a aquellos medios donde un incremento del gasto publicitario todavía producirá un incremento de ventas, y menos a aquellos medios publicitarios donde hemos sobrepasado el nivel de gasto óptimo, es decir, estamos despilfarrando presupuesto.
Dicho esto, la modelización de los efectos del mix de medios publicitario sobre las ventas puede hacerse a través de los MMM apoyándonos en diversos tipos de modelos econométricos. En esta entrada me voy a centrar en dos de los más importantes: los modelos de regresión múltiple y los modelos de ecuaciones estructurales.
Modelos de regresión múltiple
Dentro de este tipo de modelos me gustaría destacar dos variantes: los modelos lineales y no lineales.
Modelos lineales
La ecuación de un modelo de regresión lineal múltiple tiene este aspecto:
Los coeficientes o parámetros (betas) de este tipo de modelos te permitirán descomponer las ventas en dos componentes:
- El nivel de ventas base, es decir, las ventas que se generarían en ausencia de actividad publicitaria. El parámetro constante β0 te permitirá cuantificar las ventas base del producto o servicio que estés analizado, y que son atribuibles a la salud de la marca, es decir, al brand equity. El nivel base de ventas es generalmente fijo, a menos que se vea afectado por cambios en los factores del entorno o de la competencia que alteren su nivel.
- Las ventas incrementales generadas por la publicidad insertada en los distintos medios que estás analizando. Los parámetros βi asociados a cada medio (Xit), te permitirán cuantificar el impacto de cada uno de ellos sobre las ventas.
La principal limitación de los modelos lineales es que solo capturan el efecto inmediato de la publicidad sobre las ventas. Es decir, obvian los dos efectos que he mencionado antes. En todo caso, si transformamos previamente las variables que miden el gasto realizado en el mix de medios utilizando la fórmula del adstock publicitario, podríamos incorporar en la ecuación el efecto temporal de la publicidad. Pero, en ningún caso recogeríamos el efecto disminución del retorno ni el efecto saturación.
Modelos no lineales
Para incorporar la no linealidad de la relación publicidad-ventas, tenemos que recurrir al modelo de regresión multiplicativo representado por esta ecuación:
Como podemos ver, este modelo debe su nombre al hecho de que las variables del mix de medios (las explicativas o independientes) aparecen multiplicadas entre sí, en lugar de estar expresadas como una combinación línea de variables como en el modelo lineal.
Esta forma de representar el modelo tiene varias ventajas:
- La variable ventas (Yt) está afectada por la interacción de las variables del mix de medios (Xit). De este modo, capturamos un efecto adicional que suele producirse cuando hacemos publicidad en varios medios a la vez, el efecto interactivo o sinérgico. El uso de distintos medios de comunicación en una campaña de publicidad favorece la aparición de sinergias entre dichos medios: cada medio contribuye a potenciar el efecto del resto de medios empleados en la comunicación, de tal modo que la interacción entre ellos produce un efecto mayor que la suma de sus efectos individuales.
- La respuesta de las ventas (Yt) a cualquiera de las variables del mix de medios (Xit) especificadas en el modelo, puede tomar diversas formas (cóncava, por ejemplo) dependiendo del valor que tomen los parámetros βi del modelo. De este modo, el modelo es lo suficientemente flexible como para capturar relaciones no lineales.
- Los parámetros βi no sólo nos permiten cuantificar los efectos de cada variable del mix de medios sobre las ventas, sino que también se pueden interpretar como “elasticidades” o lo que es lo mismo, el porcentaje de cambio en las ventas producido ante un 1% de incremento en el gasto publicitario realizado en el medio Xit.
Además, a pesar de que el modelo parece complejo, una simple transformación puede hacerlo bastante sencillo. En concreto, la transformación logarítmica permite expresar el modelo de forma lineal.
Modelos de ecuaciones estructurales
La modelización del impacto del mix de medios sobre las ventas utilizando los modelos de ecuaciones estructurales o SEM, por sus siglas en inglés (Structural Equation Modelling) es otra técnica que está ganando popularidad frente a los clásicos modelos de regresión de una única ecuación.
Las razones de esta popularidad son principalmente tres:
- Son muy útiles para estudiar cadenas de efectos. Me explico, cuando sabemos que una variable afecta a otra, y esta a su vez a otra diferente de las dos anteriores. Por ejemplo, cuando la presión publicitaria que hacemos en televisión impulsa el número de búsquedas en Google, y estas a su vez incrementan el número de visitas a nuestra web.
- Permiten incorporar en su ecuación constructos latentes o variables que no se pueden medir directamente, pero pueden ser inferidas a partir de otras variables que sí podemos observar directamente. Por ejemplo, el valor de marca. El mix de medios publicitario no solo tiene un efecto sobre las ventas sino que también es capaz de crear valor de marca a través del impacto que sus elementos tienen sobre las dimensiones que lo conforman: la notoriedad, la actitud de los consumidores, la calidad percibida o la intención de compra, por ejemplo.
- Metodológicamente hablando, los SEM son muy flexibles. Primero, porque al combinar la regresión con el análisis factorial, te permiten medir el impacto tanto de constructos latentes como de variables individuales sobre la variable que quieres explicar, en nuestro caso las ventas. Y, segundo porque si bien es cierto que los SEM se utilizan con frecuencia para analizar datos procedentes de encuestas, también puedes utilizarlos para modelizar datos de tipo transaccional como, por ejemplo, las compras que realizan los clientes en establecimientos físicos o páginas web utilizando algún medio de pago.
Conclusiones y despedida
En mi opinión, pienso que el marketing es una inversión y no un gasto, eso sí no basta con decirlo, hay que demostrarlo!!!! Para ello disponemos de las métricas y herramientas necesarias para evidenciar que el esfuerzo que realizamos en marketing tiene un impacto positivo para la empresa.
Que no te asusten las fórmulas y las ecuaciones, ahora es el momento de ponerlas en práctica para demostrarles a todos que en marketing también nos apoyamos en la ciencia para medir la rentabilidad de nuestras acciones.
Espero que este artículo te haya servido para ver que merece la pena intentarlo. Y si te animas, puedes apuntarte a mi curso online Cálculo del ROI de Marketing con Modelos de Marketing Mix en Excel y SPSS, donde en menos de 4 semanas te convertirás en un experto en la materia 😉
Aquí te dejo el acceso a la primera lección del curso, por si quieres hacerte una idea de cómo son mis clases online (haz clic sobre la imagen)
Ahora sí, me despido. Gracias por dedicarme un rato, y espero que lo que has leído aquí te facilite el camino para hacer un marketing mejor y más rentable!!! 👍
Si te apetece, nos vemos en los comentarios.
¡Un fuerte abrazo!
Referencias bibliográficas
Lilien, G. L. y Rangaswamy, A. (2004). Marketing Engineering. State College, PA: DecisionPro.
Lilien, G. L., Rangaswamy, A., y De Bruyn, A. (2013). Principles of Marketing Engineering. State College, PA: DecisionPro.
López, P.J y Méndez, M. (2013). El ROI como métrica de la eficacia del marketing: Cálculo a través de métodos cuantitativos. Madrid: ESIC Editorial.
Tellis, G.J. (2006). Modeling marketing mix. En Grover, R. y Vriens, M. (Eds.), The handbook of market research: Uses, misuses and future advances (pp. 506-522). California: Sage Publications Inc.
Yoo, B., Donthu, N. y Lee, S. (2000). “An examination of selected marketing mix elements and brand equity”, Journal of the Academy of Marketing Science, 28(2), 195-211.
Algunas de las imágenes de este blog han sido creadas a partir de fotos de patrón de freepik: www.freepik.es.
Hola Pablo. Un gusto revisar tu página está realmente muy buena y la recomiendo a mis alumnos para su revisión . Un fuerte abrazo desde Lima, Perú.
Muchas gracias Rafael, un placer volver a saber de ti. También recomiendo para tus alumnos mis cursos online, https://pablotenorio.com/formacion-modelos-analiticos-de-marketing/. En estos momentos, la formación online es una buena alternativa/complemento a la docencia presencial. Un fuerte abrazo desde Madrid!!