Algunos apuntan a los proponentes de los modelos de idiomas grandes de código abierto y esperan que no sea un caso del oligopolio digital de Adland que construya un mejor trampa para los presupuestos de los especialistas en marketing, solo que esta vez emplea la narrativa de la privacidad de los usuarios como un foso.

Vale la pena preguntar, o incluso volver a capacitar, ¿qué es MMM en la era del marketing en línea como LLM de código abierto, agentes y otras aplicaciones de IA ganan impulso?

¿Qué es realmente y cuáles son sus funciones?

Los especialistas en marketing han utilizado MMM durante décadas. El término ingresó al léxico popular de la industria a fines de la década de 1980 hasta principios de la década de 1990, pero sus raíces conceptuales se remontan a las décadas de 1950 y 1960, ya que los CPG buscaban usar el modelado econométrico para asignar la distribución de presupuestos de medios en canales como OOH, Impres. Radio, Radio, Radio, y televisión.

A medida que los especialistas en marketing comenzaron a gastar más y más de sus presupuestos publicitarios en línea, la capacidad de aplicar el seguimiento de eventos granulares (es decir, atribución multitáctil, también conocida como MTA) comenzó a ganar popularidad a partir de principios de 2010.

Vale la pena señalar que si bien MMM y MTA tienen los mismos objetivos, son tácticamente distintos. Por ejemplo, el primero se basa en datos agregados en un período de semanas o meses, incluso años en algunas circunstancias, y factores en varios tipos de intervenciones de marketing.

Mientras tanto, MTA emplea el seguimiento a nivel de usuario en un período de tiempo más corto, principalmente en canales digitales (como búsqueda, social, etc.), para calcular los ROA y optimizar la asignación del presupuesto en consecuencia. Para muchos, esto ha llevado a una excesiva dependencia del modelado de atribución de último clic, pero esto se critica regularmente como un enfoque bidimensional para asignar valor a canales de medios específicos y se está volviendo cada vez más difícil en la primera era de marketing digital .

¿Por qué ‘MMM’ lidera las conversaciones entre los especialistas en marketing ahora?

Uno de los MMM de código abierto más reciente es Meridian de Google, que Google previo previo el año pasado. Da acceso a una nueva plataforma de datos MMM que incluye información sobre métricas como impresiones, clics, costos, volumen de consulta de búsqueda y otras métricas, incluidos el alcance y la frecuencia para las impresiones de video.

En lugar de los modelos basados ​​en la regresión utilizados por los MMM tradicionales, el modelo meridiano se basa en la inferencia causal bayesiana. Esto permite a los especialistas en marketing combinar sus propias fuentes de datos con otros datos de campaña para estimar el impacto incremental de las campañas. Google también ha creado un “programa de socios meridianos” con casi dos docenas de socios de medición iniciales, incluidas medusas, kisso, publicis medios, groupm, dentsu, monjes y acenture.

Si bien los MMM tradicionales a menudo son cajas negras de proveedores de terceros, el marco de código abierto de Meridian promete una forma de ser más transparente y más compatible con la privacidad. También crea nuevas formas para que los equipos de datos personalicen, auditen y refinen sus modelos.

Kamal Janardhan, director senior de los anuncios de Google liderando el equipo de productos de medición, dijo que Meridian ayuda a los clientes con una mayor asignación de presupuesto de largo alcance. El uso de Meridian también podría ayudar a las empresas a medir formatos de anuncios más nuevos como las descripción general de la IA de Google y YouTube TV.

“No es solo algo en lo que tienes decisiones internas de asignación de presupuesto, sino cosas como la estacionalidad, los precios, lo que sucede en la economía”, dijo Janardhan. “La promesa de datos agregadas es lo que nos permite decir ‘esto será transparente y protege sus datos, al tiempo que le permite procesarlo y compartirlos y sacar conclusiones e ideas de ellos'”.

El surgimiento de los MMM de código abierto

Los modelos de código abierto han existido por un tiempo. Sin embargo, últimamente ha habido más interés en las LLM de código abierto, gracias en parte a toda la exageración en torno a LLM de código abierto como Deepseek’s R1, Meta’s Llama Models y LLM de la startup francesa Mistral.

Al usar un marco de código abierto, el objetivo es ayudar a los anunciantes a tomar decisiones presupuestarias de una manera más transparente a pesar de la mayor pérdida de señal. Google publicó Meridian MMM en GitHub, que presenta un repositorio con base de código, documentación detallada, demostraciones y archivos de configuración. La página también incluye una forma de chatear con otros usuarios, informar errores y solicitar nuevas funciones.

Meridian no es el único modelo en el mercado. En 2021, el código abierto de Meta, Robyn, debutó para ayudar a los especialistas en marketing a automatizar el modelado para las campañas de los canales cruzados, incluidos anuncios de búsqueda, CTV y fuera de línea. En 2022, Amazon lanzó un MMM de autoservicio para anuncios de Amazon utilizando los datos de primera parte de Amazon.

Entonces, ¿qué necesito para comenzar?

Gary Danks, Gerente General, AIM, en Kochava señaló que el requisito mínimo de datos para comenzar es de tres meses, preferiblemente más cercano a 12, con insumos que incluyen el desglose de gastos de marketing por canal (tanto en línea como fuera de línea), geografía y datos de conversión correspondientes por plataforma, etc.

“Las soluciones SaaS MMM de próxima generación tienen tiempos de incorporación más rápidos que los modelos MMM tradicionales, que pueden tardar de seis a 12 meses en construirse”, dijo, señalando cómo se pueden incorporar completamente en aproximadamente 50 días. “Si bien el MMM tradicional proporciona solo actualizaciones de modelos trimestrales o bi-anuales, una plataforma SaaS MMM actualiza con datos diarios para proporcionar información siempre encendida para actualizaciones semanales del modelo”.

Esto suena genial, pero ¿hay alguna captura?

A pesar de la naturaleza de código abierto de Meridian, algunos se preguntan si todavía existe la posibilidad de que el MMM pueda estar sesgado hacia las propias plataformas de Google. Por ejemplo, no está claro de dónde proviene la atribución, lo que podría hacer que los anunciantes duden de los resultados del modelo.

Algunos apuntan a un patrón de comportamiento por parte de algunos de los proveedores de estos modelos MMM de código abierto. Por ejemplo, Google compró la compañía de atribución Adometry en 2014, con sus cambios posteriores en el programa de medición del atuendo que conduce a acusaciones de sesgo.

Otro desafío para la industria es tener suficiente talento para que los equipos de datos implementen los modelos, y para que les ayuden a conectar los puntos entre datos y equipos comerciales.

La granularidad es crucial en MMM para una asignación de presupuesto efectiva. Si bien los modelos meridianos a nivel de táctica, la verdadera optimización requiere información específica de la campaña, ya que el rendimiento varía según el tipo de anuncios. El mayor desafío es la consistencia de los datos: como los datos estructurados de la serie temporal mejoran, los MMM se volverán aún más potentes.

– Ronan Shields contribuyó a esta historia