Autor
El Puente - Data Café
Aleksandra Semenenko, Directora de Data Science & Global lead on Marketing Measurement en Artefact, se sentó recientemente con Emmanuel Malherbe, Responsable de Research Center en Artefact, para hablar de los modelos de MMM que Compañia ha estado desarrollando y de las tendencias que están surgiendo con los clientes en la actualidad.
La modelización de la combinación de marketing es un tema de actualidad. ¿Qué ha hecho últimamente Artefact en el campo de la MMM?
Durante los últimos tres años, hemos estado construyendo modelos para ayudar a las empresas y a nuestros clientes a entender el ROI de sus medios de comunicación, publicidad y otros tipos de cosas que hacen crecer nuevos tipos de inversiones.
Hemos desarrollado varios modelos, probando cosas tan sencillas como la regresión y tan sofisticadas como las redes bayesianas. Es un momento muy emocionante para nosotros.
¿Cuáles son las tendencias que observa entre sus clientes?
Observamos tres tendencias principales con nuestros clientes a nivel bastante global.
La primera tendencia es internalizar MMM en las empresas, ¿cómo las apoya Artefact ?
En Artefact, abordamos esta cuestión a través de nuestro enfoque internalizado, que puede parecer contraintuitivo para una consultora Compañia, pero se ajusta a la forma en que ayudamos a los clientes a crear esta capacidad dentro de sus organizaciones.
Muchos de nuestros clientes quieren interiorizar MMM, pero necesitan ayuda para dar este primer paso. Nuestra solución es trabajar con los equipos empresariales para averiguar cuál es la verdadera agenda de aprendizaje: ¿qué quieren aprender los clientes sobre sus actividades de marketing o ventas? Ese sería un primer paso. Y como segundo paso, hemos desarrollado nuestro propio modelo como servicio que vamos a poner en diferentes plataformas y a disposición de nuestros clientes.
Nuestros equipos técnicos trabajan codo con codo con nuestros clientes para implantar nuestra IP y poner al día a sus equipos. Normalmente, dejamos que nuestros clientes continúen su viaje de gestión de la movilidad por su cuenta, pero si desean apoyo adicional, por supuesto que se lo proporcionamos, esa es nuestra filosofía.
La segunda tendencia es que los clientes quieren resultados y conocimientos más rápidos. Cómo ayuda Artefact a las empresas a alcanzar estos objetivos?
Hay dos tipos principales de capacidades que quieren los clientes; la primera es pragmática: obtener resultados rápidos e iterar rápidamente con data disponible. La segunda es una extensión de la primera e implica soluciones innovadoras de AI que tenemos con la red bayesiana o que podemos incorporar con GenAI para aumentar la eficiencia del equipo.
Para llegar rápidamente a este primer ROI, hemos desarrollado una forma de trabajar con los clientes en la que empezamos por aplicar el primer enfoque pragmático al principio, de modo que ya capacitamos a los equipos con estos conocimientos rápidos y luego continuamos iterando y aquí el in-housing realmente ayuda porque de esta manera tenemos un acceso realmente rápido a toda la pila tecnológica; tenemos un acceso rápido a la data y podemos hacer este enlace entre la actualización del modelo, entre la actualización de los resultados, y entre su aplicación en el negocio realmente rápido.
De esta forma, nuestros clientes obtienen resultados rápidos, siguen teniendo su capacidad interna y nosotros tenemos la capacidad de tiempo, personal y presupuesto para implementar grandes cosas innovadoras que ahora están disponibles para nosotros con GenAI.
¿Cómo funciona el enfoque integral de Artefact?
Intentamos ahorrar tiempo en averiguar cuál es el mejor modelo a utilizar porque lo hemos probado tantas veces, que sabemos más o menos qué enfoques funcionan, así que dentro de los plazos habituales de un proyecto para conectar la estrategia y las operaciones, necesitamos tiempo para hablar con la gente, necesitamos alinear la agenda de aprendizaje global con la agenda de aprendizaje local y de una forma u otra. Y el resto del tiempo lo pasamos con la empresa para asegurarnos de que los resultados que ofrecerán nuestros MMM se ajustan a otros estudios realizados por el cliente, ya sea con pruebas AB o con otros MMM, y de hecho establecemos ese vínculo y unimos todas las perspectivas, es más una función analítica y consultiva que traer a un grupo de científicos a data y construir AI desde cero.
¿Puede compartir un ejemplo concreto del impacto del MMM en una organización? ¿Qué papel desempeña AI en ello?
Le pondré un ejemplo de conexión entre el departamento operativo y el estratégico y la toma de decisiones en Compañia.
Teníamos un cliente -¡sin nombres, lo siento! - y este cliente estaba muy avanzado en su viaje de medición. Habían hecho muchos estudios, pruebas AB, modelos de marketing mix a nivel global y local. Y otra persona de la organización invitó a Artefact a realizar un estudio de un alcance ligeramente diferente. Cuando llegamos, descubrimos que había muchos estudios que se habían realizado en el pasado casi con el mismo alcance o con alcances adyacentes, y nos pareció muy valioso reutilizar todas estas perspectivas porque algunas eran muy estratégicas, trazaban el camino de Compañia, y una de ellas era muy operativa, de pruebas AB, probando muchas innovaciones diferentes. Queríamos unir todas estas perspectivas para presentar a la empresa una imagen holística que no se había hecho antes.
Y como nuestro modelo y nuestro enfoque MMM se basan en métodos bayesianos que aprenden del contexto empresarial del cliente, pudimos tener éxito, y el primer valor añadido de nuestro modelo fue "aquí está el ROI de esto, aquí está el ROI de aquello", pero el segundo valor añadido fue realmente unificar toda la cadena de valor empresarial, desde las operaciones hasta la estrategia, utilizando AI.
Así que con su modelo, ¿unió la visión empresarial pero también los equipos y las personas?
Es cierto, pero a veces puede haber problemas porque hay diferentes equipos realizando la medición y las pruebas AB y llevándolas a la empresa. Fuimos capaces de crear una historia compartida por todos, y eso realmente ayudó a acelerar el negocio sin tener que lidiar con pequeñas inconsistencias aquí y allá. Cuando se tiene una visión holística de todos los datos que se han recopilado en los últimos años, se resuelve el problema de la comunicación operativa.
¿Tiene algún último comentario sobre el futuro de los modelos de marketing mix?
Puedo decirle una cosa: la modelización de la combinación de marketing ha llegado para quedarse. Las empresas quieren ver los resultados de sus acciones. Las empresas están tomando muchas iniciativas y reorganizando sus data lakes y la forma en que se consume data en su interior. Las organizaciones están prestando mucha atención a la gobernanza de data . Creo que el futuro está en la eficiencia: el modelado del marketing mix tendrá que ser más rápido, más riguroso, más sencillo de explicar a las partes interesadas del negocio y más fácilmente accesible para los analistas de negocio. Y GenAI es importante porque puede permitir a los clientes consultar los resultados de MMM y construir reports por sí mismos sin tener necesariamente muchos conocimientos técnicos, por lo que el modelado de marketing mix definitivamente no va a ir a ninguna parte: va a permanecer y evolucionar para ser más eficiente y más fácilmente accesible.
