“La mitad del presupuesto que destino a publicidad se pierde. El problema es que no sé qué mitad es”. Este es un dicho bastante común de escuchar y Data Science con Machine Learning tiene una solución para esto.
Marketing Mix Modelling con machine learning, es una solución a la asignación óptima de presupuesto entre los distintos medios de publicidad que utilices. Te ayuda a descubrir qué medios mueven realmente la aguja de tus ventas.
Marketing Mix Modelling es una técnica estadística que permite a las empresas a analizar sus datos de ventas y marketing históricos, para determinar estrategias de marketing eficaces para el crecimiento futuro. Utiliza por ejemplo, la relación entre el presupuesto destinado a los distintos medios de marketing con los resultados de las ventas y luego utiliza ese modelo de machine learning para simular el impacto en las ventas futuras.
Se refiere a los tradicionales elementos claves de estrategia de marketing, las 4P’s, producto, precio, promoción y plaza. El Marketing Mix Modelling ayuda a comprender el impacto relativo de cada uno de estos elementos en las ventas y cómo interactúan entre sí.
En este caso analizaremos como una empresa puede utilizar el Marketing Mix Modelling hecho con Python, para determinar la combinación más eficaz de inversión publicitaria para aumentar las ventas y lo más atractivo es que implementaremos un Dashboard Interactivo para que nuestros clientes puedan hacer un uso fácil de todo el análisis y desarrollo de modelos predictivos que corren en el backend del dashboard.
Problema de Negocio
Optimización de la Asignación de Presupuesto entre los distintos Medios de Publicidad
Con la implementación de Marketing Mix Modelling, las empresas logran aumentar sus ventas, optimizando la asignación de presupuesto a los distintos medios de publicidad que utilizan. En este caso, logramos un aumento significativo de un 10% de las ventas con la nueva asignación de presupuesto.
- Base de Datos:
Contamos con una base de datos que ha registrado el presupuesto gastado en forma semanal entre los distintos medios publicitarios y también el ingreso semanal que se ha generado.
A partir de estos datos, podemos observar cuánto fue la inversión realizada entre los distintos medios:
TV_ s corresponde al presupuesto destinado a Televisión.
Ooh_s corresponde al presupuesto destinado a vallas publicitarias (billboards).
Print_s corresponde a presupuesto destinado a publicidad en impresos.
Search_s corresponde al presupuesto destinado a Google ADS.
Facebook_s corresponde al presupuesto destinado a anuncios en Facebook/Instagram.
En este caso el mayor presupuesto es destinado a Televisión, seguido de billboards.
- CORRELACIÓN:
Dentro de nuestro análisis se revisa la correlación entre las distintas variables, de manera de detectar problemas de multicolinealidad entre las variables independientes.
- ADSTOCK:
Este aspecto es absolutamente relevante de ser considerado al realizar un buen Marketing Mix Modelling. Se refiere al tiempo de influencia o de arrastre en la recordación que ejerce el medio publicitario en la venta final. Ese tiempo de recordación es distinto entre los distintos medios publicitarios y debe ser considerado en este tipo de análisis.
Por ejemplo, un anuncio en Facebook tiende a tener una influencia inmediata en la venta, el usuario al ver el anuncio compra o no compra, en cambio un anuncio en TV, puede tener un tiempo mayor de influencia para poder concretar una venta.
Para eso realizamos una función que define factores de influencia de los distintos tipos de anuncios para el éxito de las ventas.
En este caso podemos observar que definimos un portfolio de 1.000 distintos posibles presupuestos, que están siendo influenciados por esos 1.000 distintos factores de adstock.
Con esto obtenemos una tabla con 1000 posibles combinaciones que nos permitan encontrar el mejor y más óptimo presupuesto para generar el mayor aumento de ingresos para la empresa.
Estos datos no están estandarizados por el momento, ya que no suman uno.
Realizamos un proceso de estandarización para estas 1000 distintas combinaciones de factores.
Cada combinación de factores de adstock ahora suma uno y podemos utilizarlos para el modelo de predicción.
Al contar ahora con estas combinaciones de adstock estandarizadas podremos obtener 1000 distintos pesos o coeficientes que impactarán en los posibles presupuestos que se van a analizar.
Con Machine Learning obtendremos la combinación que optimice de mejor forma el presupuesto y utilizaremos como métrica la división entre el nuevo ingreso predicho con el ingreso actual.
Este corresponderá al score que definirá cuál es la mejor combinación de presupuesto.
- PREDICCIONES:
Al correr el modelo, logramos que itere entre los 1000 distintos factores de adstock y obtenga el presupuesto que logra el mejor score de nuestra métrica de ingresos. A medida que va iterando por cada uno de las 1000 combinaciones de factores de adstock, lo que va haciendo es ir ajustando el nivel de influencia de cada medio en las siguientes semanas, siendo optimizado con el modelo de machine learning, hasta que obtiene el score más alto.
Como ven el modelo nos está diciendo que con esa nueva combinación de presupuesto, que es muy distinta a la original, obtendremos un 9% de incremento en las ventas. También nos indica los valores que debemos gastar en cada medio publicitario.
Esto se usa como estrategia para balancear el presupuesto. Por ejemplo, en la tabla anterior, podemos ver que adstock_tv_s tiene el valor de coeficiente más alto, de 0,46. Por lo tanto, nos conviene destinar más presupuesto a TV, ya que ese factor de influencia es el que maximiza el ingreso. Este factor es utilizado para calcular el valor exacto que debemos destinar como presupuesto en TV y así en cada medio publicitario.
Mientras más alto el factor de influencia, significa que su influencia en la venta es la de mayor tiempo de recordación.
- Ahora graficamos los resultados:
En el gráfico podemos observar el presupuesto actual destinado y al lado de este podemos ver la nueva asignación de presupuesto que proyecta el modelo de machine learning y que proyecta un aumento en las ventas de un 9%.
Cuando comenzamos desarrollando este modelo de Marketing Mix Modelling, habíamos logrado un aumento en los ingresos de un 5% con un porfolio de 100 combinaciones distintas de factores para adstock y es ahí donde está el trabajo del Data Scientist, de insistir en encontrar mejoras cambiando ciertos factores que permitieron mejorar aún más el resultado. Y este análisis de 1000 portfolios de adstock que llevan a 1000 posibles presupuestos, es lo que logra mejorar los ingresos en un 9%.
DASHBOARD INTERACTIVO DE MARKETING MIX MODELLING:
En cada proyecto que realizamos a nuestros clientes, buscamos entregar una herramienta que simplifique todo el esfuerzo que hay detrás de desarrollar un modelo predictivo tan útil como éste.
Es por eso que implementamos un dashboard interactivo, que permitiera modificar con facilidad el número posibles de combinaciones de presupuestos para ser analizados por el modelo y que además refleje los nuevos valores que debemos destinar a cada medio, para lograr el mayor crecimiento de ingresos de acuerdo a la cantidad de portfolios definidos.
En este caso podemos observar, al igual como lo explicamos anteriormente que con 1000 combinaciones de presupuesto se logró un crecimiento en los ingresos de un 9%.
La barra enmarcada en rojo del gráfico de más abajo, define la cantidad de portfolios de potenciales presupuestos, con el objetivo de analizar y encontrar el mejor resultado posible. Esto entregará distintos pesos o coeficientes que serán usados para la optimización.
En este gráfico, modifiqué en la barra enmarcada con rojo, la combinación de posibles presupuestos de 1.000 a 2.000 combinaciones, logrando mejorar el resultado, obteniendo no un 9%, sino un 10% de incremento en las ventas.
Lo que nos está indicando el dashboard, es que si cambiamos la forma de distribución del presupuesto a la nueva combinación, tendremos un aumento en los ingresos de un 10%.
Al posicionarme en cada barra del gráfico del nuevo presupuesto, podemos observar los valores que debo destinar a cada medio publicitario.
En el backend del dashboard están corriendo los diversos modelos predictivos con machine learning, que permiten analizar las 2000 combinaciones para llegar a la combinación óptima de presupuesto que incrementa en un 10% los ingresos en relación al presupuesto original.
Marketing Mix Modelling es una poderosa herramienta para empresas de todo tamaño y se puede aplicar a una amplia gama de industrias y también productos. Se puede utilizar para optimizar campañas publicitarias, evaluar la eficacia de diferentes canales de distribución o determinar la estrategia de precios óptima y como vimos en este caso para proyectar ventas futuras al presupuesto destinado a los distintos medios de anuncios.
Si necesitas definir una óptima asignación de tu presupuesto de marketing y aumentar las ventas de tu empresa, escríbenos a contacto@datainsights.cl. Siempre estamos dispuestos a aclarar tus dudas y ayudarte a comprender cómo otras empresas han logrado superar desafíos comerciales similares.