Autor
El Puente - Café Data
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 la empresa ha estado desarrollando y de las tendencias que surgen con los clientes en la actualidad.
La modelización de la combinación de marketing es un tema de actualidad. ¿Qué ha hecho Artefact últimamente 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 comprender el retorno de la inversión 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 simples como la regresión y tan sofisticadas como las redes bayesianas. Es un momento muy emocionante para nosotros.
¿Cuáles son las diferentes tendencias que está viendo con sus clientes estos días?
Vemos tres tendencias principales con nuestros clientes a un nivel bastante global.
La primera tendencia es interiorizar el MMM en las empresas, ¿cómo les apoya Artefact?
En Artefact, abordamos esto a través de nuestro enfoque internalizado, que puede parecer contraintuitivo para una empresa de consultoría, pero se alinea con 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 mano a mano con nuestros clientes para implantar nuestra IP y poner al día a sus equipos. Normalmente, después 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 desean los clientes; la primera es pragmática: obtener resultados rápidos e iterar rápidamente con el data disponible. La segunda es una extensión de la primera e implica soluciones innovadoras de IA que tenemos con la red bayesiana o que podemos incorporar con GenAI para aumentar la eficiencia del equipo.
Para llegar rápidamente a este primer retorno de la inversión, hemos desarrollado una forma de trabajar con los clientes en la que empezamos aplicando el primer enfoque pragmático al principio, de forma que ya capacitamos a los equipos con estos conocimientos rápidos y luego seguimos iterando y aquí el in-housing ayuda realmente porque de esta forma tenemos un acceso realmente rápido a toda la pila tecnológica; tenemos un acceso rápido al 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 este modo, nuestros clientes obtienen resultados rápidos, siguen teniendo su capacidad interna y nosotros disponemos de la capacidad de tiempo, personal y presupuesto para poner en práctica grandes innovaciones que ahora están a nuestra disposición 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 luego el resto del tiempo lo pasamos con el negocio para asegurarnos de que los resultados que nuestros MMM van a ofrecer se alinean con otros estudios que el cliente ha realizado, ya sea con pruebas AB o con otros MMM, y realmente hacemos ese enlace y unimos todas las percepciones, es más un papel analítico y consultivo que traer a un montón de científicos data y construir la IA desde cero.
¿Puede compartir un ejemplo concreto del impacto que tiene el MMM en una organización? ¿Qué papel desempeña la IA en ello?
Le daré un ejemplo de la conexión entre el departamento operativo y el estratégico y la toma de decisiones en la empresa.
Teníamos un cliente -¡sin nombres, lo siento! - y este cliente estaba muy avanzado en su viaje de medición. Habían realizado un montón de 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 un montón de estudios que se habían hecho en el pasado dentro de ámbitos casi iguales o adyacentes, y encontramos mucho valor en reutilizar todos estos insights porque algunos de ellos eran muy estratégicos, trazando el camino de la empresa, y uno de ellos era muy operativo de pruebas AB, probando un montón de innovaciones diferentes. Realmente queríamos unir estas percepciones para presentar una imagen holística a la empresa 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 la IA.
Entonces, con su modelo, ¿unió la visión empresarial pero también los equipos y las personas?
Es cierto, pero a veces puede haber desafíos porque hay diferentes equipos haciendo la medición y las pruebas AB y llevándolas al negocio. Fuimos capaces de crear una historia compartida por todos, y eso realmente ayudó a agilizar el negocio sin tener que lidiar con pequeñas inconsistencias aquí y allá. Cuando se tiene una visión holística de todas las percepciones que se han reunido a lo largo de los últimos años, realmente se resuelve el problema de la comunicación operativa.
¿Tiene algún último comentario sobre el futuro del modelado de la mezcla de marketing?
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 lagos de data y la forma en que se consume data en su interior. Las organizaciones están prestando mucha atención a la data governance. 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, así que el modelado de la mezcla de marketing definitivamente no va a ir a ninguna parte: va a permanecer y evolucionar para ser más eficiente y más fácilmente accesible.
