El marketing mix modeling (MMM) es un método de medición que estima estadísticamente la contribución de cada canal a las ventas a partir de la inversión publicitaria semanal, las ventas y factores externos como estacionalidad, precio y promociones. Como no usa datos a nivel de usuario, no le afectan las restricciones de cookies, y responde a la pregunta: '¿qué canal debe recibir el siguiente euro de presupuesto?'.
El MMM es un enfoque más que una herramienta. Funciona mejor junto a la atribución de plataforma y los tests de incrementalidad; ese trío es la base de un sistema de medición moderno.
¿Cómo funciona el marketing mix modeling?
El modelo divide las ventas en dos partes: ventas base, que ocurrirían sin publicidad, y ventas incrementales generadas por los canales. Para cada canal estima dos efectos. El adstock (arrastre) recoge cómo la publicidad de esta semana sigue aportando en las siguientes. La saturación recoge los rendimientos decrecientes al subir la inversión. Las herramientas modernas suelen ser bayesianas y dan cada estimación con un intervalo de incertidumbre.
- Base: notoriedad de marca, tráfico orgánico y clientes recurrentes; suele ser la mayor parte.
- Contribución por canal: ventas incrementales de cada canal y su ROI estimado.
- ROI marginal: el retorno de la siguiente unidad de inversión; más importante que el ROI medio para decidir presupuesto.
- Variables de control: estacionalidad, cambios de precio, promociones, stock.
¿Qué diferencia hay entre MMM y atribución?
La atribución sigue recorridos individuales y reparte conversiones entre puntos de contacto; el MMM estima la contribución de canal con datos agregados. La atribución es rápida y granular, pero sufre la pérdida de cookies y el sesgo de cada plataforma hacia sus propios puntos de contacto. El MMM es más lento y grueso, pero cubre también canales no rastreables como TV, exterior o influencers. Más en nuestra guía de modelos de atribución.
- Atribución de plataforma: optimización diaria, creatividades y palabras clave.
- Test de incrementalidad: demostrar con un experimento el efecto real de un canal (ROAS incremental y tests).
- MMM: reparto de presupuesto trimestral o anual, mezcla de canales y escenarios.
¿Cómo cambia una curva de saturación la decisión de presupuesto?
La curva de saturación muestra cómo se frena el ingreso incremental al aumentar la inversión en un canal. En el ejemplo, pasar de 10K a 20K semanales eleva el ingreso incremental de 38 a 66, mientras que pasar de 80K a 90K solo suma 2 unidades. En ese punto suele ser más eficiente mover ese presupuesto a un canal cuya curva aún sea empinada.
Antes del MMM, reúne tus datos en un solo sitio
Ads Sensor une inversión e ingresos de Meta, Google, TikTok, Criteo y GA4 en un solo panel.
¿Google Meridian o Meta Robyn?
Hay dos herramientas de código abierto muy usadas. Google Meridian es bayesiana, permite modelar a nivel geográfico e incorporar resultados de experimentos como información previa; en febrero de 2026 añadió un planificador de escenarios sin código. Meta Robyn se basa en R y, con búsqueda automática de hiperparámetros, llega antes a un primer resultado. Los análisis del sector suelen describir Robyn como el arranque más rápido para la mayoría y Meridian como la opción más completa, que exige más datos y experiencia.
- Datos: normalmente al menos 2 años de datos semanales; Meridian recomienda 3 años a nivel nacional.
- Canales: en la práctica 5-7 canales principales; demasiados canales pequeños desestabilizan el modelo.
- Plazo: típicamente 8-14 semanas desde la auditoría de datos hasta un primer modelo validado.
- Equipo: un analista con base estadística o apoyo externo.
¿Cómo se ejecuta un proyecto MMM paso a paso?
- Recogida de datos: inversión e impresiones semanales por canal, ventas o conversiones semanales, precio, promociones y estacionalidad.
- Auditoría: semanas vacías, monedas y nombres de canal coherentes; aquí se va la mayor parte del tiempo.
- Construcción del modelo: primer modelo con parámetros de adstock y saturación; comprobar cuánto explica de las ventas pasadas.
- Calibración: contrastar con tests de incrementalidad disponibles y ajustar.
- Escenarios: simular reasignaciones de presupuesto y decidir según el ROI marginal.
- Actualización: renovar el modelo cada trimestre; los coeficientes cambian con el mercado y las creatividades.
¿Qué límites tiene el MMM?
- Colinealidad: si todas las inversiones suben y bajan a la vez, el modelo no puede separar canales; hace falta variación natural.
- Resolución gruesa: no decide por campaña ni creatividad; se queda a nivel de canal.
- Incertidumbre: el ROI se estima en rangos; reducirlo a un número engaña.
- Latencia: los datos semanales y el reentrenamiento lo hacen poco apto para optimizar a diario.
¿Dónde encaja Ads Sensor en un proceso MMM?
Ads Sensor no es una herramienta de MMM ni construye modelos. Sí cubre el requisito previo que más tiempo consume: datos de canal coherentes y unificados. Reúne Meta, Google Ads, TikTok, Criteo y GA4 en un panel, compara ingresos y ROAS entre plataformas y sigue automáticamente el antes y después de cada cambio aplicado. Optimizar a diario con Ads Sensor y decidir el presupuesto trimestral con MMM se complementan. Solicita acceso a la beta.