The Bridge - Data
Aleksandra Semenenko, directora de Data y responsable global de Medición de Marketing en Artefact, se reunió recientemente con Emmanuel Malherbe, director del Research Center Artefact, para hablar sobre los modelos MMM que Compañia estado desarrollando y las tendencias que están surgiendo actualmente entre los clientes.
El modelado del mix de marketing es un tema de gran actualidad. ¿Qué ha Artefact haciendo Artefact últimamente en el ámbito del MMM?
Durante los últimos tres años, hemos estado desarrollando modelos para ayudar a las empresas y a nuestros clientes a comprender el retorno de la inversión (ROI) de sus medios de comunicación, publicidad y otros aspectos que fomentan nuevos tipos de inversiones.
Hemos desarrollado varios modelos, probando desde métodos tan sencillos como la regresión hasta otros tan sofisticados como las redes bayesianas. Es un momento muy emocionante para nosotros.
¿Qué tendencias estás observando últimamente entre tus clientes?
Observamos tres tendencias principales entre nuestros clientes a nivel bastante global.
La primera tendencia es la implantación de MMM en las empresas; ¿cómo les Artefact en este proceso?
En Artefact, abordamos esta cuestión mediante nuestro enfoque internalizado, que puede parecer contradictorio para una Compañia de consultoría, pero que se ajusta a la forma en que ayudamos a los clientes a desarrollar esta capacidad dentro de sus organizaciones.
Muchos de nuestros clientes quieren incorporar el MMM a su empresa, pero necesitan ayuda para dar ese primer paso. Nuestra solución consiste en colaborar con los equipos de la empresa para determinar cuál es el verdadero objetivo de aprendizaje: ¿qué quieren aprender los clientes sobre sus actividades de marketing o ventas? Ese sería el primer paso. Y, como segundo paso, hemos desarrollado nuestro propio modelo como servicio, que vamos a implementar en diferentes plataformas y poner a disposición de nuestros clientes.
Nuestros equipos técnicos colaboran estrechamente con nuestros clientes para implementar nuestra propiedad intelectual y poner al día a sus equipos. Normalmente, después dejamos que nuestros clientes continúen su trayectoria en el marketing de medios por su cuenta, pero si desean apoyo adicional, por supuesto se lo proporcionamos; esa es nuestra filosofía.
La segunda tendencia es que los clientes quieren resultados y análisis más rápidos. ¿Cómo Artefact las empresas a alcanzar estos objetivos?
Hay dos tipos principales de capacidades que buscan los clientes; la primera es de carácter práctico: obtener resultados rápidos y realizar iteraciones ágiles con data disponibles. La segunda es una extensión de la primera e implica AI innovadoras AI , como las que ofrecemos con la red bayesiana o las que podemos incorporar con GenAI para aumentar la eficiencia del equipo.
Para alcanzar rápidamente este primer retorno de la inversión, hemos desarrollado una forma de trabajar con los clientes en la que empezamos por implementar un primer enfoque pragmático desde el principio, de modo que los equipos ya dispongan de estos datos rápidamente; a continuación, seguimos iterando, y aquí es donde el hecho de trabajar de forma interna resulta realmente útil, ya que así tenemos un acceso muy rápido a toda la pila tecnológica; tenemos acceso rápido a los data podemos establecer este vínculo entre la actualización del modelo, la actualización de los resultados y su implementación en el negocio con gran rapidez.
De esta forma, nuestros clientes obtienen resultados rápidos, siguen contando con sus propios recursos internos y nosotros disponemos del tiempo, el personal y el presupuesto necesarios para poner en práctica las grandes innovaciones que ahora nos ofrece la IA general.
¿Cómo funciona el enfoque integral Artefact?
Intentamos ahorrar tiempo a la hora de decidir cuál es el mejor modelo que podemos utilizar, ya que lo hemos probado tantas veces que sabemos más o menos qué enfoques funcionan; por eso, dentro del calendario habitual del proyecto para conectar la estrategia con las operaciones, necesitamos tiempo para hablar con la gente y para armonizar la agenda de aprendizaje global con la local de una forma u otra. Y luego, el resto del tiempo lo dedicamos a trabajar con la empresa para asegurarnos de que los resultados que ofrecerán nuestros MMM se alineen con otros estudios que el cliente haya realizado, ya sea con pruebas A/B o con otros MMM, y realmente establecemos ese vínculo y reunimos todos los insights; se trata más bien de un papel analítico y de consultoría que de traer a un montón de data y construir la AI cero.
¿Podrías dar un ejemplo concreto del impacto que tiene el MMM en una organización? ¿Qué papel AI en ello?
Te pondré un ejemplo sobre cómo se relacionan los departamentos operativos y estratégicos y la toma de decisiones en la Compañia.
Teníamos un cliente —sin nombres, ¡lo siento!— y este cliente se encontraba en una fase muy avanzada de su proceso de medición. Había realizado numerosos estudios, pruebas A/B y modelos de marketing mix a nivel global y local. Y otra persona de la organización invitó Artefact realizar un estudio con un alcance ligeramente diferente. Cuando llegamos, descubrimos que se habían realizado muchos estudios en el pasado con un alcance casi idéntico o similar, y vimos un gran valor en reutilizar todos esos insights, ya que algunos eran muy estratégicos, trazando el camino Compañia, y otro era muy operativo, basado en pruebas A/B, en las que se probaban muchas innovaciones diferentes. Teníamos muchas ganas de unir todos estos conocimientos para presentar a la empresa una visión holística que no se había hecho antes.
Y dado que nuestro modelo y nuestro enfoque MMM se basan en métodos bayesianos que aprenden del contexto empresarial del cliente, logramos alcanzar el éxito; el primer valor añadido de nuestro modelo fue «este es el ROI de esto, este es el ROI de aquello», pero el segundo valor añadido consistió realmente en unificar toda la cadena de valor empresarial, desde las operaciones hasta la estrategia, mediante el uso de AI.
¿Así que con tu modelo has logrado unir no solo los conocimientos empresariales, sino también a los equipos y a las personas?
Es cierto, pero a veces pueden surgir dificultades porque hay diferentes equipos encargados de realizar las mediciones y las pruebas A/B, y de aplicar los resultados al negocio. Conseguimos crear una visión común que todos compartían, y eso ayudó mucho a acelerar el negocio sin tener que lidiar con pequeñas inconsistencias aquí y allá. Cuando se tiene una visión global de toda la información recopilada en los últimos años, se resuelve de verdad el problema de la comunicación operativa.
¿Tienes algún comentario final sobre el futuro de los modelos de marketing mix?
Puedo decirte una cosa: el modelado del marketing mix ha llegado para quedarse. Las empresas quieren ver los resultados de sus acciones. Están llevando a cabo numerosas iniciativas y reorganizando sus data y la forma data utilizan data internamente. Las organizaciones están prestando mucha atención a data . Creo que el futuro está en la eficiencia: el modelado de la mezcla de marketing tendrá que ser más rápido, más riguroso, más fácil de explicar a las partes interesadas de la empresa y más accesible para los analistas de negocio. Y GenAI es importante porque permite a los clientes consultar los resultados del MMM y crear reports sí mismos sin necesidad de tener muchos conocimientos técnicos, por lo que el modelado de la mezcla de marketing definitivamente no va a desaparecer: va a quedarse y evolucionar para ser más eficiente y más accesible.
