Un MMM no es útil porque “explique bien el pasado”. Es útil si aguanta cuando lo pones a prueba.
🔹 Evitar el overfitting Un modelo que encaja demasiado bien el histórico suele fallar al predecir. La prueba clave no es el R²: es la validación out-of-sample / holdout. Si no predice fuera de muestra, no sirve para decidir inversión futura.
🔹 Intervalos de confianza y t-stats Los coeficientes sin incertidumbre asociada no son accionables. – Intervalos amplios → alta incertidumbre. – t-stat < 1,96 → más ruido que efecto real.
👉 Un MMM robusto no promete certezas, cuantifica la duda. Y solo así permite tomar decisiones responsables de presupuesto.
En #CIRENTIS la robustez no se evalúa al final: se diseña desde el principio del modelo.
Nueva y exclusiva metodología de MMM diseñada para reducir sesgos estructurales y encajar con modelos de atribución. Si quieres conocer cómo se pueden utilizar otras herramientas para crear modelos robustos utilizando librerías como SHAP, haz click en este enlace.