Cómo Liberty identificó 15% de optimización con MMM
Contexto Un equipo pensado para dar soluciones. Liberty Latin America, la empresa líder en telecomunicaciones y tecnología en América Central y el Caribe, cuenta con un equipo interno que desarrolla soluciones que apoyan al resto de los equipos de marketing, con herramientas de forecasting, dashboards, modelos de pronóstico, robustez estadística y más. En un proceso comercial típico, Liberty genera registros online y luego activa usuarios desde su call center. Sin embargo, ante la progresiva dificultad de calibrar su atribución digital con los usuarios activados, tenían un desafío claro en calibrar su media performance con precisión. De invertir más a invertir mejor. Si bien el equipo de Liberty ya estaba trabajando con optimizaciones avanzadas en sus canales digitales, decidió optimizar su inversión publicitaria a través de un marketing mix modeling (MMM), que permitiera comprender cuál era el media mix óptimo a partir de sus ventas y reasignar su presupuesto para optimizar resultados. Desafío Comparar peras con manzanas. En primer lugar, el gran desafío para encarar este proyecto era cómo normalizar los datos entre medios online y offline para hacer comparaciones útiles, en especial al intentar comparar métricas diarias (online) con otras semanales (TV, Radio). Entender impactos por fuera de Marketing. En segundo lugar, poder utilizar otras variables por fuera del área de Marketing que permitieran explicar las activaciones finales. Por ejemplo, cuántos días pasaban entre un registro y una activación. Soluciones por etapas Antes de trabajar con nosotros, el modelo de marketing mix de Liberty tenía una confianza estadística de R2 Adjusted de 0.39. Por ello, para alcanzar un modelo de marketing mix completo y estadísticamente confiable que permitiera identificar dónde optimizar la inversión de medios, nuestro equipo de Marketing Science realizó numerosas observaciones al equipo de data insights de Liberty Latin America. De las optimizaciones sugeridas, se trabajó en etapas: ETAPA 1. Interpolación → Colección + Normalización de datos Los baches semanales de información en medios offline se solventaron simulando distribuciones normales de los datos. De este modo, se pudieron estandarizar los datos dentro del bache, distribuyendo agrupaciones semanales en diarias. ETAPA 2. Share of voice → Liberty vs la competencia Asimismo buscamos modelar qué efecto tiene el share of voice en el mercado. Para ello, usamos las palabras clave por las que pujaba Liberty y el search impression share para estimar ese share of voice. ETAPA 3. Delayed Index → De variable de orden a variable de activación El modelo tampoco ajustaba adecuadamente porque utilizaba conversiones, a pesar de que el negocio de Liberty se concreta en las activaciones del producto. Por ello, se desarrolló un Delayed Index que permitió incorporar al modelo la cantidad de días promedio que se demora pasar de una orden a una activación. ETAPA 4. Back-casting → Imitar al futuro para completar el pasado Como nos faltaba data de activaciones limpia hacia atrás para lograr un modelo más preciso, hicimos un back-casting que tomó todos los datos, tal y como se proyectaba su distribución hacia adelante, y los simuló hacia atrás. Productos destacados Consultorías de Marketing Science. Incorpora ciencia a tu manera de hacer marketing y lleva tu forma de trabajo hacia una cultura data driven. Nuestro equipo multidisciplinario ofrece un enfoque consultivo en data science que sigue las mejores prácticas de la industria. Markting Mix Modeling. Modela tu marketing mix ideal y cuantifica el impacto incremental en ROI y ventas que tienen todas tus actividades de marketing. De este modo, podrás reasignar el presupuesto de medios para lograr mejores resultados. slice1 Resultados slice2 En la voz del cliente slice3 Próximos pasos Una agenda definitiva de optimización. Con Liberty y Bunker DB trabajando codo a codo, logramos un modelo altamente confiable para desarrollar una agenda de optimización que mejore la eficacia del presupuesto de marketing. Los próximos pasos serán un mix que combinará reasignación de presupuesto y estudios de incrementalidad que apaguen canales en determinadas zonas o momentos, para continuar alimentando el modelo. Reasignación intra-digital. En primer lugar se optó por reasignar el presupuesto distribuido entre canales online (Google, Meta…) Calibración con lift studies. En segundo lugar se realizarán estudios de incrementalidad como Geo Lift y Conversion Lift para ajustar y calibrar el MMM. Reasignación de offline a online. Finalmente se reasignará la inversión de TV, radio y otros medios
