En muchos modelos de Marketing Mix Modeling vemos lo mismo: Un baseline enorme, estable, elegante… y peligrosamente sobredimensionado.
¿Por qué pasa esto?
Porque cuando el modelo no entiende bien los medios, los esconde bajo el agua.
Y lo hace de varias formas habituales (y poco discutidas):
– Baselines que absorben tendencia, estacionalidad y shocks estructurales sin contrastarlos.
– Medios mal especificados (ad-stocks o saturaciones débiles) que pierden capacidad explicativa.
– Colinealidad entre variables candidatas, que lleva a eliminar variables.
– …
El resultado es un iceberg engañoso:
1) Arriba, los medios parecen pequeños y poco relevantes
2) Abajo, un baseline omnipotente que lo explica casi todo, pero que en realidad no explica nada
Un buen MMM no busca que el baseline sea grande. Busca que sea creíble y que aporte conocimiento.
Y eso exige criterio humano, conocimiento de negocio y decisiones metodológicas explícitas, no solo algoritmos bien entrenados.
Porque cuando el baseline “se come” a los medios, lo que se pierde no es ajuste estadístico, se pierde capacidad de decisión.
—
hashtagCIRENTIS
Nueva y exclusiva metodología de MMM diseñada para reducir sesgos estructurales y encajar con modelos de atribución.
hashtagMarketingMixModeling hashtagMMM hashtagMarketingAnalytics hashtagAtribución hashtagDecisionMaking hashtagAnalytics hashtagIA
