Estás leyendo la publicación: Todo lo que necesita saber sobre el modelo bayesiano de mezcla de marketing
Los algoritmos de aprendizaje automático pueden tener su uso en una variedad de campos. Podemos ver que estos algoritmos están surgiendo en un campo en particular, algunos otros algoritmos o algunas actualizaciones de los algoritmos antiguos también se introducen en un campo similar. Los modelos de mezcla de marketing (MMM) son herramientas muy útiles en el campo del marketing y los medios. Los modelos bayesianos de mezcla de marketing son la actualización de los MMM y ambos utilizan básicamente una especie de algoritmos de aprendizaje automático. En la serie de artículos, discutiremos ambos modelos en detalle. Los puntos principales que se discutirán en la primera parte del artículo se enumeran a continuación.
Tabla de contenido
- ¿Qué es el modelado de la mezcla de marketing?
- Funcionamiento de los modelos de mezcla de mercado
- Problemas con los modelos tradicionales de mezcla de mercado
- Modelado bayesiano de mezcla de mercado para el rescate
Comencemos presentando el modelo de mezcla de marketing.
¿Qué es el modelado de la mezcla de marketing?
El modelado de la mezcla de marketing es un tipo de análisis estadístico que ayuda a mejorar la capacidad y el rendimiento de las ventas y el marketing. El análisis de regresión multivariado puede ser un ejemplo de este tipo de análisis. El motivo principal detrás de este tipo de análisis y modelado es conocer el impacto en los beneficios de una empresa cuando están usando o implicando alguna táctica especial y específica. También pronosticar el impacto de futuros conjuntos de tácticas se incluye en el modelo de mezcla de marketing.
En el escenario reciente, MMM puede considerarse como una herramienta de marketing confiable para las empresas que se basan en el marketing de consumo. Dado que una empresa de fabricación y marketing puede tener acceso a todos los datos de soporte de ventas y marketing, utilizando dichos datos podemos realizar análisis que pueden ser la razón de la explosión en las ventas futuras y los beneficios de una empresa u organización. Hablando sobre el uso del modelado de la mezcla de marketing, utilizando los valiosos conocimientos de MMM, podemos realizar las siguientes tareas:
- Al aprender datos, podemos descubrir la estrategia de marketing más influyente para el negocio y actualizar este aprendizaje con el tiempo. Básicamente, se trata de comprender los efectos de las diferentes estrategias de marketing para impulsar la adquisición de clientes.
- Más en profundidad, podemos compararlo con el modelado de series de tiempo, mediante el cual podemos conocer los factores que nos pueden engañar y podemos evitar esos factores.
- Después de conocer la efectividad de las diferentes estrategias de marketing, podemos controlar el gasto de las diferentes estrategias de marketing y tomar muchas más decisiones sobre ellas.
- Después de aprender de los datos anteriores, también podemos optimizar las estrategias futuras en lugar de solo informar las futuras estrategias de gasto presupuestario.
- MMM también puede ayudar a disminuir la incertidumbre de las estrategias de marketing. Con solo conocer los efectos, podemos realizar algunas de las pruebas de incrementalidad para resolver parte de esta incertidumbre.
La imagen anterior es una representación del modelo de mezcla de marketing de estructura de flujo básico. En la siguiente sección, discutiremos el funcionamiento del modelo de mezcla de marketing.
Funcionamiento de los modelos de mezcla de marketing
Como se discutió anteriormente, podemos considerar estos modelos como una técnica de técnicas de modelado de regresión simple. El motivo de MMM se puede definir como la estimación del impacto de las estrategias de marketing o cualquier otro impulsor en el componente de interés. Ejemplos de componentes pueden ser el cambio en las ventas o el cambio en el número de clientes por semana.
Digamos que la estimación se puede hacer usando las siguientes variables predictoras:
- Nivel de gasto en cada estrategia de marketing.
- Conjunto de Parámetros que pueden controlar la estacionalidad u otros indicadores.
La importancia relativa de los predictores se puede estimar mediante la regresión lineal del conjunto de coeficientes. Esta declaración también puede considerarse como el enfoque básico de los MMM. Hablando de los problemas del mundo real, los MMM también deben lidiar con los factores no lineales para que puedan capturar con precisión el efecto de las estrategias de marketing en el comportamiento de los consumidores o en los cambios de las ventas. Algunas de las funciones que requiere MMMs para optimizar las estrategias de marketing son las siguientes:
- Función de alcance: Esta función se puede utilizar para modelar la saturación potencial de diferentes estrategias. Es una buena idea seguir, en lugar de considerar el incremento/disminución de clientes o ventas como una función lineal del gasto en las estrategias de marketing. Tomemos un ejemplo de cualquier producto donde el gasto publicitario inicial tiene un buen impacto en la adquisición de clientes, pero cuando la etapa publicitaria se vuelve vieja, las personas se acostumbran a los mensajes publicitarios y esto provoca la pérdida en la adquisición de clientes. Estos tipos de efectos son complejos de modelar utilizando el enfoque de función lineal. Para tomar decisiones sobre las estrategias de marketing se requiere conocer la saturación de cada estrategia.
gasto en marketing
Fuente de imagen
- función de stock publicitario: Esta función se utiliza para capturar el efecto del curso temporal de diferentes estrategias de marketing. En el ejemplo anterior que usa esta función, debemos conocer el impacto de cualquier anuncio en función del tiempo, como cuánto tiempo afectará la adquisición del consumidor. Después de saber tales cosas, podemos tomar muchas decisiones sobre las estrategias de marketing, como si el anuncio tiene un impacto a corto plazo, entonces podemos tomar decisiones para hacer marketing con más frecuencia.
Tiempo
Fuente de imagen
En esta sección, hemos visto una introducción básica de trabajo de los modelos tradicionales de mezcla de marketing, pero hay algunos problemas con estos modelos que veremos; discutiremos en la siguiente sección.
Problemas con los modelos tradicionales de mezcla de marketing
En la sección anterior, hemos visto que usamos los MMM para conocer el efecto individual de diferentes variables como el gasto en marketing y el comportamiento del cliente, o el precio. Además, nos enteramos de que los modelos tradicionales están utilizando análisis de regresión en profundidad. La escasez de los datos es uno de los problemas más básicos que es muy complejo de analizar usando modelos simples como la regresión lineal. Podemos decir que usar estos modelos es tratar de estimar cosas en un espacio donde tenemos miles de observaciones con muchos valores atípicos.
La escasez anterior puede generar el problema de sobreajuste de los modelos simples. Al profundizar más en los algoritmos de este tipo de modelos, estos se generan para ajustarse al ruido o las variaciones en los datos en lugar de ajustarse a la tendencia de los datos. Este problema de ajuste puede conducir a una previsión incorrecta de las estrategias de marketing.
Fuente de imagen
La imagen de arriba es un ejemplo del problema de sobreajuste donde la línea roja se puede considerar como un modelo que se ajusta perfectamente a cada punto de datos y también un ejemplo de sobreajuste.
Otra razón del fracaso de los MMM tradicionales es que no son muy aptos para dotar a los datos duros de conocimientos previos. Los modelos simples se definen con los parámetros que son independientes entre sí. En tales escenarios, el modelado de los datos de marketing donde cada componente de los datos es muy identificable y depende entre sí es complejo y en su mayoría no cubre todos los puntos.
Para hacer frente a tales problemas, se requiere que incorporemos dicho dominio de conocimiento mediante el cual podemos guiar el modelo en la dirección correcta. Aquí los métodos bayesianos pueden ser útiles. En la siguiente sección, veremos cómo los MMM bayesianos ayudan a mejorar los MMM tradicionales.
Modelado bayesiano de mezcla de mercado para el rescate
En la sección anterior, hemos discutido que los MMM tradicionales usan modelos más simples que no pueden manejar la complejidad de los datos de marketing. Hablando de estadísticas bayesianas, estas son una rama de la teoría de la probabilidad, y Google introdujo por primera vez el uso en el campo de MMM en 2017 [Jin et al 2017]. Una de las cosas más comunes e importantes sobre la teoría de la probabilidad y las estadísticas bayesianas es que pueden incluir conocimiento del dominio.
La inclusión del conocimiento del dominio puede expresarse a través de lo que se conoce como conocimientos previos. Usando prior somos capaces de incluir el conocimiento previo, el conocimiento del dominio y la información sobre los parámetros del modelo. Más formalmente, podemos decir que el anterior es una distribución de probabilidad que puede codificar la intuición de marketing y la certeza sobre los parámetros en el campo MMM. Combinando la probabilidad y el previo producimos el posterior. Aquí, en los MMM, podemos considerar la información sobre los datos como la probabilidad.
Esta combinación de anterior y verosimilitud o podemos decir posterior representa la información del modelo. Usándolo para medir la efectividad del marketing lo llamamos Modelado Total de Marketing. Usando las estadísticas bayesianas, guiamos el modelo sobre cómo sabemos que el marketing funciona a partir de la experiencia y el conocimiento previo.
Fuente de imagen
La imagen de arriba es una representación del modelo bayesiano de una sola variable. Donde la intuición detrás del modelado se puede expresar como anterior y la información sobre los datos es la probabilidad y la combinación de anterior y probabilidad es posterior.
Ultimas palabras
En este artículo, hemos discutido el modelado de mezcla de mercado en el que hemos visto cuáles son las funciones que se requieren para estimar los predictores y cuáles son los problemas con los MMM tradicionales. Junto con eso, hemos visto una solución para los problemas que básicamente siguen las estadísticas bayesianas.
