Uno de los grandes retos de cualquier departamento de marketing, independientemente del sector, es obtener los mejores resultados, optimizando el presupuesto utilizado. Identificar qué canal impacta más y mejor en los objetivos, o si eliminar un canal cambiará drásticamente los futuros resultados, es posible gracias al Marketing Mix Modeling.
Se trata de una metodología que se basa en modelos estadísticos avanzados para poder establecer la relación que tienen los diferentes canales publicitarios (o acciones publicitarias), y cuánto y cómo están aportando cada uno a una variable determinada. Raúl Devia, Director de Data & Analytics en t2ó, nos cuenta en este podcast su experiencia en estos modelos estadísticos y cómo las empresas están utilizándolo en su día a día.
¿Qué podrás escuchar en este podcast?
- ¿Qué es el Marketing Mix Modeling?
- Marketing Mix Modeling como parte de la conversación dentro de la medición en la industria publicitaria: ¿a qué se debe esta irrupción del Marketing Mix Modeling dentro del mercado digital?
- ¿Este tipo de modelos son metodologías ya asentadas en otros ámbitos del entorno media?
- Experiencia con este tipo de modelos.
- Valor diferencial que ofrecen estos modelos con respecto a la medición tradicional dentro del entorno digital.
- Casos de éxito.
- La inercia del Cookieless en este entorno: ¿cómo esto va a modificar las necesidades de perfiles de data dentro de las organizaciones?
- Cómo se afrontan desde t2ó los análisis de Modelos de Marketing Mix Modeling.
- ¿Cómo convive un modelo de atribución ya dentro de la organización y un modelo Marketing Mix Modeling?
- Tiempos para montar un modelo de Marketing Mix Modeling, cómo empezar a tener datos útiles que ayuden a tomar decisiones.
- Volúmenes de datos mínimo para que estos modelos sean eficientes.
- Aspectos clave para el éxito de un proyecto de Marketing Mix Modeling.
- Interlocutores en este tipo de proyectos.
¡Te esperamos en Digital Talks by t2ó! Ya tienes este episodio disponible en nuestros canales de Spotify, Apple Podcast e iVoox 🎧
Si te ha gustado y te parece interesante de cara a tu negocio no dejes de escuchar los demás episodios, ¡aprenderás de/con l@s mejores! 🤓
[Transcripción del Podcast]
E.C: Hoy vamos a hablar del Marketing Mix Modeling, una solución analítica que nos permite entender de forma más precisa la atribución y las ventas en los canales que entran en juego cuando los consumidores reciben impactos tanto online como offline. Para entender cómo funciona esta solución, hoy contamos con Raúl Devia, director de Data y Analítica en t2ó. Raúl lleva más de 23 años trabajando en el sector publicitario dentro del contexto de la investigación de medios. Esto le ha permitido dirigir equipos en agencias como GroupM, Maxus o IPG y, desde hace cinco años, lidera el equipo de data y analítica en t2ó con un equipo de 20 personas multidisciplinares del que se siente muy orgulloso. Parte de su tiempo libre lo dedica a la docencia en universidades y al deporte. Dice que lo de ser seguidor del Atleti le ha dotado de una resiliencia envidiable, y lo de ser padre de tres niños de una paciencia casi infinita. Muchas gracias por estar con nosotros, Raúl.
R.D: Muchas gracias, Esther, por estar aquí contigo.
E.C: Raúl, Para poner un poco de contexto en el capítulo de hoy, me gustaría que empezáramos por explicar algo básico ¿qué es el Marketing Mix Modeling.
R.D. Pues el marketing Mix Modeling, dicho de una forma sencilla, es intentar explicar cómo mis acciones de marketing están aportando en una determinada variable que yo quiera entender. Por ejemplo, ventas o el tráfico a tienda por ejemplo tráfico a la sucursal, ventas globales, ventas digitales. Cómo todo lo que estoy haciendo en marketing está ayudand. Desde ese punto de vista, a entender qué peso tiene, por lo tanto, cuánto está ayudando y entender de qué forma ayuda, ayuda de una forma puntual, ayuda continua en el tiempo, se ayudan entre ellos, se estorban entre ellos… Eso es un poco entender el marketing Mix Modeling desde el punto de vista del sector en el que estamos, que como el nombre lo dice, es el marketing. Aquí no solamente hay variables de marketing, también hay otras variables que quiero explicar cómo ayudan, cuánto ayudan o cuánto desayudan, por decirlo de una manera. Variables de entorno de negocio, variables socioeconómicas, variables de coyuntura, variables incluso del tiempo, dependiendo del anunciante. Todo ese tipo de variables son las que nos van a permitir entender, esa que es la fundamental, que es la que voy a explicar, que en este caso es una variable de ventas normalmente o de algún KPI de brand health, pero normalmente suele ser ventas.
E.C: Ahora cada vez más estamos viendo más que el Marketing Mix Modeling forma parte de la conversación dentro de lo que es la medición dentro de la industria publicitaria. ¿A qué crees que se debe esta irrupción del Marketing Mix Modeling dentro del mercado digital?
R.D: Bueno, con todo este cambio de paradigma que estamos viviendo ahora mismo con el tema de las cookies, y esta protección a la privacidad y a dificultar el traqueado de los usuarios, las soluciones que tenemos que proponer desde las agencias y desde las compañías que nos dediquemos a trabajar en esto con nuestros partners, son soluciones no basadas en un seguimiento censal de los usuarios, sino basadas en extrapolaciones o en inferencias de tipo estadístico. En ese sentido, en otros medios, por ejemplo, esto se lleva haciendo muchísimo tiempo, donde no había esa capacidad para traquear al individuo, como hasta hace poco ha habido en digital. Por tanto, podríamos decir de alguna manera, que estamos mal acostumbrados dentro de digital, y que esto es una técnica que se viene usando en el resto de medios de una forma bastante alargada en el tiempo.
E.C: ¿Se podría decir que este tipo de modelos son metodologías ya asentadas en otros ámbitos del entorno media?
R.D: Sí, sí, sí, por supuesto. Como comentaba antes, por ejemplo, en televisión, donde hay unos volúmenes de inversión muy grandes, pues una de las formas de entender cómo está empujando la televisión a métricas como la venta y otro tipo de métricas, es este tipo de este tipo de análisis. Y estamos hablando de volúmenes muy grandes, de inversiones muy grandes y demás. En anunciantes multimedia esto se lleva haciendo… yo te diría que desde que llevo trabajando en esto, que como has dicho antes, llevo más de 20 años trabajando en esto, pues ese es el tiempo que se lleva realizando este tipo de modelos.
E.C: Aquí, como estamos hablando de la irrupción de estos modelos dentro del mercado, ¿cuál es tu experiencia con ellos?
R.D: Pues mi experiencia va desde trabajar, por ejemplo en el sector automoción, con modelos que expliquen la visita a concesionarios por parte de las personas impactadas por las campañas; en modelos que nos permitan entender cuánto de la venta de productos que son de primera necesidad viene por la publicidad en el corto plazo. Al final, estos modelos se hacen ad hoc, y resuelven necesidades ad hoc y, por tanto, cubren un montón de aspectos distintos del del mercado.
E.C: ¿Cómo diferenciarías o cómo definirías el valor diferencial que ofrecen estos modelos con respecto a la medición tradicional dentro del entorno digital?
R.D: Bueno, incluir otra serie de variables y otra serie de condicionantes a la hora de explicar esa variable que queremos explicar: ventas, tráfico a sucursal… que están fuera del propio entorno digital y que condicionan lo que está pasando en digital. Una compañía, por muy digital que sea, no puede dejar de mirar hacia fuera para saber qué está haciendo esa marca en otros medios, y cómo eso que está haciendo puede ser una condición de posibilidad de su éxito en la campaña. Por ejemplo, si mi marca o mi anunciante en este caso tiene mucha inversión en televisión, yo tengo que entender cómo esa televisión está empujando las conversiones en digital. Tengo que entender cómo mi digital también está empujando otras conversiones. Tengo que entender en qué momento plantear mis campañas para aprovecharse de ese potencial, todo este tipo de cosas en el concepto a lo efecto caníbal es muy interesante en los modelos econométricos. Dice qué variables o qué marcas también, incluso, se ayudan o se quitan éxito en la aportación a esa variable. Y eso es muy interesante porque permite hacer una campaña con mucho más foco en el objetivo final, que es la conversión y la venta, claro.
E.C: Raúl durante estos años de experiencia con estos modelos, ¿qué casos de éxito nos puedes compartir? ¿Con qué te has encontrado?
R.D: Pues en ese sentido, Esther, para mí una de las cosas más satisfactorias que hay en trabajar con este tipo de modelos es entender que el cliente está recibiendo ese beneficio, ese beneficio que tiene este tipo de modelos. Y te pondría un ejemplo que es el de los clientes con un call center que tienen que dimensionar dependiendo del potencial impacto que van a tener sus campañas a la hora de recibir solicitudes. Entonces, que el modelo funcione, que el modelo indique qué va a pasar y que ese modelo se ajuste a la realidad, permite al cliente dimensionar ese call center, y un ahorro económico importante para no desperdiciar recursos y saber cuándo tiene que haber más gente y cuándo tiene que haber menos gente y, por tanto, que no haya ineficiencias en ese proceso. Entonces, para mí eso fue una de las de los usos de proyectos de Marketing Mix Modeling más interesantes y más prácticos desde el punto de vista del cliente, y no necesariamente unido a algo como ventas o algo como como visitas, sino algo más relacionado con dimensionar una parte del negocio que es lateral a la parte del marketing.
E.C: Comentabas antes que estos modelos, de alguna forma, han empezado a coger visibilidad al albor de toda la atracción que vamos a tener con el tema del cookieless. ¿Cómo crees que está siendo la inercia de Cookieless en general?
R.D: Bueno, pues yo creo que como tú dices, es una inercia. Al final es un es un lugar al que tenemos que ir, un lugar al que iremos como de una forma definitiva como sector cuando estemos preparados y que los grandes players ya están preparados para esto. Y desde luego yo creo que marca mucho la diferencia desde el punto de vista del anunciante, quién está preparado, y quién tiene un partner que esté preparado para acompañarle en este proceso porque, cuando ya no quede otra que adaptarse, los que salgan con las zapatillas ya atadas no tendrán que perder el tiempo en atárselas y serán los que cojan ventaja. Y eso se ve venir y se ve cuando tratas con los clientes, es muy satisfactorio también ayudarles a que cuando la carrera empiece ya estén preparados y no tengan que preocuparse.
E.C: ¿Cómo esto va a modificar las necesidades de perfiles de data dentro de las organizaciones?
R.D: Pues yo creo que es una buena noticia teniendo en cuenta que tengo tres hijos. Es algo que me hace sentir bien con respecto al futuro.
E.C: ¿Tienen futuro?
R.D: Eso es que tienen un futuro y que yo también lo puedo tener (bromea). Y hablando un poco más en serio, este tipo de perfiles, que es un perfil híbrido entre lo estratégico y lo técnico-matemático son más complejos de lo que uno puede pensar al principio. Digo desde el punto de vista de los Recursos Humanos, son complejos de atraer. Porque tienen que tener dos cualidades, bajo mi punto de vista: dominio técnico y capacidad técnica. Pero no se puede quedar ahí, tiene que tener visión de negocio y visión estratégica. Porque si no los modelos y todo lo que tiene que ver con el desarrollo de modelos se queda en una simple máquina que escupe datos y al final eso, no hay modelo que no necesite de un thinking por parte de quien lo está haciendo desde el punto de vista de marketing y de negocio. Entonces, al final es un perfil híbrido que yo creo que es el que vamos a ir en muchos de los casos y es un perfil que cada vez, como decías tú, se va a necesitar más en las compañías. Por otra parte, me da la sensación de que con todo el empuje que hay ahora con el tema de la Inteligencia Artificial y demás, poner un poco el acento en la necesidad de un matiz humano y no humano en el sentido bondadoso, ¿quién sabe?, pero por lo menos en el sentido de estratégico, poner un acento en eso es importante. No todo es hacer modelos más rápido y más y de una forma más fácil. Es saber entender que el cliente quiere, saber cómo puedes ayudar al cliente, y saber leer los datos para poder dar a tu propio equipo interno y al cliente las mejores soluciones. Y eso no hay algoritmo que lo haga. Necesitamos perfiles de este tipo.
E.C: De hecho, esto que comentas, hace poco compartía con otros colegas de la industria que al final estamos ahora mismo entrando en una vorágine de la automatización, cuando en realidad la tecnología que ayuda a ese proceso de automatización debería de ayudar a empoderar a las personas. Y estamos al contrario, estamos casi en un discurso de empoderar a las máquinas. Con lo cual esto que comentas yo creo que es totalmente, absolutamente necesario.
R.D: Si al final, si te das cuenta, cogiendo un ejemplo un poco externo, pero cuando se inventa la imprenta no significa que dejen de escribirse libros. Lo que significa es que se necesitan más escritores para poder difundir. Va a ser más fácil difundir el mensaje. Si tenemos este perfil del que estamos hablando, desde luego los modelos ahora no se hacen como se hacían hace 20 años, se hacen mucho más rápido, mucho más al punto y pronto necesitas ese perfil, pero tiene esa máquina y la máquina le va a facilitar mucho el trabajo. Pero el perfil es necesario.
E.C: Absolutamente de acuerdo. Volviendo a esta parte de este tipo de modelos, a mí me gustaría que nos contases cómo lo afrontamos desde t2ó, ¿cómo afrontamos estos análisis?
R.D: Yo creo que la forma diferencial en la que afrontamos desde t2ó se apoyaría en dos patas, bajo mi punto de vista, o así me gusta pensarlo y así lo traslado al equipo. Uno es que trabajamos en entender muy bien lo que quiere el cliente, qué ayuda al cliente. Porque si eso no es así, si te empiezas a hacer estas preguntas en medio del proceso creador del modelo de lo más técnico, pues estás perdido, porque el modelo tiene que estar planteado y ejecutado para responder a esas dos preguntas. Entonces lo trabajamos con reuniones de briefing con el cliente en el que entendemos la necesidad, entendemos qué vamos a usar en su caso, qué variables debemos meter, qué variables el cliente puede aportar, y a priori no se ha planteado que puede aportar y son interesantes para el modelo… Y luego también los mal llamados outputs, las salidas, las conclusiones. ¿Qué tipo de conclusiones Se van a ver bien al cliente para su día a día? Qué tipo de conclusiones se van a ver bien a mis compañeros en el equipo de paid, por ejemplo, para hacerles más fácil el trabajo y para poder hacer un trabajo de una forma más eficaz y eficiente.
Ese es un planteamiento que no puede faltar esas dos patas. Y no siempre será así. En otras opciones que veo en el mercado se trabaja más la parte tecnológica, pero esta parte se olvida, y para mí es vital. Y luego hay una segunda pata que es la tecnológica, evidentemente, pues tenemos un equipo de desarrollo como tú bien conoces. muy grande y especializado en todo lo que tiene que ver con los modelos insertos dentro de tecnologías de cloud, de algoritmos en Python. Como decíamos, toda esa aparte de prepararlo estratégicamente, es importante, pero tienes que tener también alguien que sepa de máquinas, ¿no? Lo que hemos dicho yo antes no invalida para nada el mérito que tienen las máquinas y el mérito que tiene la tecnología. Y en t2ó como tú sabes, insisto, el equipo tecnológico es un equipo muy, muy potente que hace que estos modelos sean mucho más vivos, mucho más rápidos y mucho más dúctiles para el cliente.
E.C: Y alguien que pudiese estar viendo una oportunidad en llevar a cabo un modelo de estas características, pero que ya cuenta con un modelo de atribución. ¿Cómo convive un modelo de atribución ya dentro de la organización y un modelo Marketing Mix Modeling?
R.D: Pues claro, son dos cosas distintas. Al final, el modelo de atribución, como se entiende en el entorno digital, es entender cómo los impactos digitales se convierten en una variable digital. Entonces, esa es una parte del cuento, claro, pero no es todo el cuento. Por ejemplo, las variables que expliquen pueden no circunscribirse a un entorno digital. Podemos hablar de variables de fuera de digital, como hemos dicho, impactos de otros medios. Podemos hablar de unas variables muy importantes en este tipo de modelos, que son las variables exógenas al propio negocio, como podrían ser situación económica, depender anunciante, situación económica, incluso de temas de temperatura. Hay un montón de variables que se hacen muy adhoc para para los modelos. Todo eso en un modelo de atribución digital al uso se pierde. Y por eso digo que hay una ampliación. Pero también lo que vas a explicar si yo quiero explicar visitas a mi tienda física, impulsadas por mis acciones digitales, ell modo de atribución no llega de esta forma, tanto en las variables que explican como en las variables a explicar, hay diferencias sustanciales entre un modelo de atribución y un marketing Mix modeling. Para trabajarlo, podemos entender un modelo de atribución como un sub modelo dentro de un modelo de marketing Mix Modeling. Por ejemplo, yo entiendo, dentro del modelo de marketing mix, cuál es la eficacia de digital en determinado KPI, y una vez que tengo delimitado esa tarta, cómo troceo esa tarta, es cuando me voy al modelo de atribución. Pero esa tarta puede ser mayor o menor de la que me está dando un modelo estrictamente digital, porque podemos estar de hecho, en digital pasa mucho, aportar a otros medios más allá de lo estrictamente digital. Campañas digitales de upper middle funnel que están aportando a visitar tienda, a visita, concesionario o lo que fuere, y en un modelo totalmente digital eso se pierde.
E.C: Antes, cuando estábamos comentando, nos estás comentando cómo afrontar un análisis de estas características para llevar a cabo un modelo desde t2ó. A mí me gustaría que también que nos dijeses de qué tiempos hablamos para montar un modelo de estas características, entender cómo empezamos a tener datos que son útiles, que empiecen a ayudar a tomar decisiones.
R.D: Vale. Ahí es donde entra la tecnología. Va a depender mucho del tipo de variables que vayamos a meter, la capacidad para actualizar esas variables en tiempo más o menos rápido, la necesidad del cliente de que esté actualizado más o menos rápido y, bueno, y de nuestra capacidad, como decía antes, tecnológica, para poder implementar eso. En términos de timing Pues hay una primera parte que insisto, por lo que decía antes, para mí es muy importante que es toda la preparación. Entender que necesitamos, que vamos a meter, que no vamos a meter y qué periodo vamos a estudiar. Todo eso que lleva un tiempo que depende un poco también de la capacidad de interacción entre partners. Nosotros con los anunciantes un poco depende de cada anunciante, tiene una velocidad de reacción distinta y eso se puede solventar en una semana o se puede solventar en tres. Luego, la ejecución del modelo también va a depender bastante de las peculiaridades de las variables que metamos dentro. Para que te hagas una idea, hay modelos que tienen modelos anidados. Por tanto, yo intento explicar la eficacia de unas variables en otra variable y, una vez que tengo, esa variable que yo estaba explicando, pasa a ser de las que explican.
Por ejemplo, yo hago un modelo para explicar descargas de folletos en una página y una vez que tengo esa importancia de mis variables con respecto a descargas de folletos, las descargas de proyectos pasan a explicar visitas a un concesionario. Este es un modelo, un esquema típico de modelo anidado, y esos modelos anidados llevan más tiempo. Podemos estar hablando depende de mes y medio o dos meses depende, pero los timings… Y una cosa muy importante de todo esto es entender que un modelo econométricos es un modelo ad hoc. Y los modelos ad hoc por definición tienen una cuota inferior y una cota superior de tiempo, pero va a depender de cómo se desarrolle el modelo. Va a depender mucho de las circunstancias y de lo que necesite el cliente. Pero podemos estar hablando, insisto, en ese periodo inicial de un par de semanas y luego en la ejecución del modelo podemos estar hablando de un mes. Depende, depende. Insisto.
E.C: ¿Se tiene que contar con un conjunto mínimo de datos para que un modelo de estas características funcione? ¿De qué volúmenes estamos hablando para que sean eficientes?
R.D: Sí, normalmente lo que se habla es de histórico, estamos hablando de dos años de histórico como mínimo. Y aunque no está escrito en piedra y podemos jugar con menos datos, pero idealmente serían dos años. En datos con una granuralidad semanal. Y bueno, pues dos años con una granuralidad semanal estamos hablando de aproximadamente ciento y pico, ciento y algo, digamos unidades de entrada con las que podemos ir trabajando. También depende mucho el número de variables que expliquen y el número de variables que vayamos a explicar. O sea que eso también va a depender bastante, pero en el fondo un requisito importante a la hora de hacer un módulo de Marketing Mix Modeling es agregar suficiente información como para que la estacionalidad, ya sea a nivel día o a nivel mes, no sea algo que el modelo obvie. Me explico. Si yo hiciera un modelo en el que solo explicara desde junio hasta diciembre el modelo no sabría que la importancia que le estamos dando al mes de junio tiene que ver con que está en medio del año, sino que sabe que eso ha funcionado mejor que en invierno. Pero si tú le das suficiente data y entiendes todo el año y dos años ante la repetición, estadísticamente el modelo ya entiende que eso es eso es algo estacional, que es un componente estacional y por tanto puede entenderlo.
Por eso, por eso es la cantidad de tiempo que me voy hacia atrás para que el modelo tenga claro, desde el punto de vista estadístico, cuánto de la importancia de medios, cuánto es una aportación estacional y que tenga suficiente granuralidad con respecto a las variables que entran. Eso por un lado y luego por otro lado, es importante, el modelo nunca va a decir nada de algo que no ha sido leído por el propio modelo. Me explico. El modelo no va a saber cómo funciona un medio del que evidentemente no tengo datos en el modelo. Ni combinaciones si no tengo esas combinaciones en el modelo o puedo inferirlas, pero es más complicado. Por tanto, idealmente, además del tiempo, cuantas más combinaciones de marketing tenga dentro del modelo, cuantas más acciones cruzadas tenga, cruzadas e individuales, mejor porque le permite el modelo aprender más. Si siempre tengo una misma estrategia todo el rato, el modelo le resulta mucho más complejo entender las sinergias y esos efectos que hablábamos antes de canibalización.
E.C: Raúl para cerrar y después de estar escuchándote cómo funcionan y el valor de estos modelos. Si una marca se plantea llevar a cabo un proyecto de estas características aquí, ¿qué aspectos ves que van a ser claves para el éxito del mismo? ¿dónde estaría el éxito para una marca?
R.D: Si yo estuviera en ese lado de una forma total, no como estoy desde el punto de vista del partner de la marca, para mí sería vital entender qué quiero conseguir de ese modelo y hacer una ejecución de alante a atrás. Entendiendo qué quiero de ese modelo, entender cómo voy a trabajarlo y entender que variables voy a necesitar. Si somos excesivamente maximalistas en los modelos, al principio metemos todo y queremos medir todo, es posible que luego el modelo tenga más tendencia a dar algún tipo de obviedad en algún caso, pero tiene que estar muy trabajada esa parte final para qué lo quiero, que por otra parte, y esto es un comentario un poco lateral, es algo muy típico en este sector. A veces nos vamos al producto por el producto, sin entender para qué lo quiero, simplemente porque me lo puedo permitir en términos económicos, incluso. ha pasado con otras tecnologías. Y si uno no, no tiene esa perspectiva de para qué, el modelo va a estar cojeando desde el principio. Y mi recomendación, evidentemente, es que el anunciante que quiera hacer esto, muchas veces esto forma parte, es una parte de su de su día a día, que se deje apoyar por los partners en cuestión, que le echen una mano a entender esto y a ayudarle. Y este es ejemplo de Marketing Mix Modeling para mí es es un caso paradigmático de la palabra partner de la que tanto hablamos. ¿No? Entre consultoras, agencias y clientes. Para mí, el marketing Mix modeling es un ejemplo en el que el ejecutor Tiene que trabajar de verdad como partners con el cliente. Si es un mero ejecutor, va a insatisfactorio para para los resultados finales. Entonces iría mi recomendación ya más por ahí que desde un punto de vista técnico, si usar este algoritmo, este otro y demás, porque eso siempre se puede corregir, pero como, c no entendamos esto, yo creo que al final la gestión de expectativas y la gestión de eficacia de lo que estoy haciendo se va a ver resentida.
E.C: En esa parte del éxito de llevar a cabo un proyecto de estas características por parte de cliente, ¿cuál es el interlocutor natural que ayudaría a eficientar esta conversación? ¿tienen que ser perfiles específicos, o puede ser un interlocutor, como podría ser un director de marketing con el que solemos interlocutar en muchos proyectos del entorno digital?
RD: Para mí ese perfil, es marketing. Si me apuras, luego el lado más técnico sería como aquello de las películas de mi abogado habla con tu abogado. Quiero decir, si hay algún tipo de pega técnica, pues ya los más técnicos pueden discutirla, pero tiene que ser una persona que tenga una visión del negocio y una visión del marketing y para mí una visión transversal de la compañía. Cuanto más transversal, mejor. Porque entienden este tipo de modelos mucho mejor. A veces, con que sea simplemente especialista en un medio lo puedo entender y no hay problema. Pero a veces hay ciertos frenos cuando son simplemente especialistas en un medio y no tienen esa visión transversal de todos los medios de acuerdo al anunciante. Para mí ese es el interlocutor, alguien que entienda el problema, que te lo traslade, que entienda que tú lo has entendido, que entienda tu solución y que luego deje trabajar a los técnicos para la parte técnica. Y ahí sí que evidentemente los interlocutores pueden ser gente más técnica, gente más en el mundo tecnológico y demás. Pero también enlaza un poco con lo que hablábamos antes. Si esto se reduce a una conversación entre ratones de biblioteca, pues tendremos ecuaciones perfectamente correctas, pero que no valen para lo que queremos. Entonces, al final, si no entiendes el problema y no te ayudan a entender el problema, la solución es muy complicada de realizar.
E.C: Totalmente de acuerdo pues Raúl, muchas gracias por por estos minutos que nos has dedicado en explicarnos qué es el Marketing Mix Modeling y sobre todo entender por qué la irrupción que está teniendo también los aspectos diferenciales que ofrecen estos modelos con respecto a la medición tradicional. Yo creo que has puesto un punto bastante relevante para que se entienda qué es lo que aporta estos modelos con respecto a lo que pueden tener ahora mismo las organizaciones y sobre todo, cuáles son los aspectos que son claves para para tener éxito si una marca se plantea llevar a cabo un tipo de medición con estas características.
R.D.: No, gracias a ti, Esther, por invitarme a hablar contigo de este tema, que es un tema que me encanta y que insisto, es muy agradecido desde el punto de vista de negocio, desde punto de vista de esa palabra que repetimos tanto como es partner, porque te permite pegarte al cliente y entender si cabe más del día a día que necesitamos conseguir 30 clientes más 25 botas más. Cuantificar y productificar el día a día, que a veces es muy etéreo en otras cosas. Así que muchas gracias.
