Webinar | ¿Está tu empresa lista para Google Meridian?

En este webinar tuvimos la oportunidad de ver de qué es Meridian, en qué casos aporta verdadero valor y qué condiciones debe cumplir una empresa para aprovecharlo, además de dar con las claves para identificar si tu contexto actual justifica un cambio de modelo de atribución, y qué pasos puedes dar para avanzar hacia una atribución más realista y accionable.

¿Quieres ver la grabación del webinar?

¿Qué es Google Meridian?

Google Meridian es un framework de código abierto lanzado en enero de 2025, diseñado para realizar Marketing Mix Modeling (MMM). Permite medir cómo los diferentes canales de marketing (TV, redes sociales, búsqueda, etc.) influyen en las ventas y otros indicadores clave, ofreciendo una visión holística que integra datos online y offline, marketing, ventas y factores externos.

¿Por qué es importante el Marketing Mix Modeling (MMM)?

El MMM es crucial porque los modelos de atribución tradicionales se están quedando obsoletos, la omnicanalidad crece, y muchas empresas invierten sin saber qué funciona realmente. Meridian ayuda a superar estos desafíos al:

• Estimar el impacto de las acciones de marketing en ventas y KPIs de conversión.
• Asignar el presupuesto de marketing de manera más efectiva y eficiente.
• Aumentar las ventas y el ROI de los distintos canales.
• Funcionar con datos agregados y anónimos, compatible con la privacidad.

Meridian responde preguntas clave como:

• ¿Qué canal contribuye más a las ventas?
• ¿Cuál es la inversión óptima en marketing y cómo redistribuir el presupuesto?
• ¿Cuánto retorno obtengo por cada euro invertido?

¿Cuándo es el momento de considerar Meridian?

Es el momento de pensar en adoptar Meridian si:

• Tu modelo de atribución actual es obsoleto.
• El gasto aumenta pero no los resultados.
• La complejidad de tu mix de marketing ha crecido.
• Necesitas justificar tu estrategia de marketing con datos sólidos.
• Tus competidores ya están utilizando MMM.

El MMM es especialmente valioso para empresas con un alto volumen de datos de calidad, un mix de marketing complejo (online y offline), una alta inversión en marketing, grandes objetivos de crecimiento y necesidad de planificación a largo plazo.

¿Qué datos necesitas para Meridian?

Para implementar Meridian, necesitas información detallada sobre:

• Publicidad (inversión, rendimiento, resultados).
• Ventas (e-commerce y puntos de venta físicos).
• Factores externos (festivos, clima, noticias).

¿Quieres saber cómo empezar con Meridian? Descubre cómo hacerlo viendo el webinar completo.

---

Transcripción del webinar

Antón: Bueno, pues arrancamos con este nuevo webinar que organizamos en Aditu. El título del webinar es bastante claro, y es una pregunta que nos suelen hacer habitualmente nuestros clientes y las empresas y agencias con las que colaboramos: ¿está mi empresa lista para Meridian? Hoy vamos a hacer una exposición muy práctica y visual, intentando responder a las principales preguntas que nos suelen hacer sobre Meridian, la plataforma de marketing mix modeling de Google.

¿Por qué organizamos este webinar, y por qué nos preguntan tanto por esto? Porque en Aditu somos un data partner especializado en análisis de datos para marketing digital. Trabajamos en proyectos con necesidades avanzadas de analítica digital, tanto con agencias, partners y consultoras, como con marcas que necesitan nuestra ayuda, y llevamos ya bastante tiempo haciéndolo. Además, conocemos bien el panorama tecnológico de analítica: somos bastante agnósticos en cuanto a tecnología, y siempre adaptamos la solución al ecosistema de datos de cada cliente. Este año estamos trabajando en varios proyectos de Meridian, y cada vez nos hacen más consultas, así que de ahí surge esta charla. Dentro de nuestros servicios, todo lo relacionado con marketing mix modeling está dentro de nuestras soluciones de analítica predictiva. Estamos preparando, además, algún próximo webinar relacionado con inteligencia artificial, así que, si sois asiduos a nuestros webinars, esperamos poder avisaros pronto.

Qué es Meridian y por qué genera tanto interés

Explicado de forma sencilla, Meridian es la solución de Google de marketing mix modeling, disponible desde enero de 2025, y viene a democratizar los modelos de atribución para cualquier tipo de empresa. Normalmente, las empresas grandes que trabajaban con consultoras o agencias grandes venían desarrollando modelos de mix modeling como proyectos complejos, que requerían inversiones altas; sin embargo, Google Meridian está disponible para cualquier empresa, que lo puede abordar por su cuenta o con la ayuda de un partner, como Aditu. Tiene cierta complejidad, sobre todo en la recopilación de datos y en la construcción del modelo, pero, una vez superada esa parte, funciona muy bien: tiene un porcentaje de acierto altísimo, y puede responder a muchas preguntas de negocio, sobre todo de marketing digital.

Una pequeña reflexión, para quienes no conozcáis bien el concepto: el marketing mix modeling es una técnica que analiza datos históricos para estimar el impacto de las acciones de marketing, principalmente en las ventas, pero también en cualquier otro KPI de conversión —un lead, una visita a tienda, la compra de una promoción concreta—. También permite asignar el presupuesto de marketing de forma más efectiva y eficiente, aumentando las ventas y el ROI. Responde a preguntas como: ¿qué canal contribuye más a las ventas? ¿Qué inversión debería hacer por plataforma, ya sea de paid media o de canales offline? ¿Cómo me funcionaría balancear presupuesto entre, por ejemplo, televisión o radio y streaming TV, connected TV o podcast? En resumen: nos da una visión global de la atribución de todos los canales, y nos recomienda un balanceo presupuestario para vender más y ser más eficientes en la inversión de marketing. Suena un poco a ciencia ficción, pero llevamos ya varios modelos hechos, y es una auténtica pasada cómo funciona.

El reto al que se enfrentan las empresas

Modelos de atribución obsoletos, que hacen difícil medir el ROI global y justificar presupuestos —por ejemplo, probar un canal nuevo, o decidir si un canal está ya demasiado saturado, cuando cada año hay que replantear presupuestos y da miedo quitarle inversión a un canal para metérsela a otro—. También está el crecimiento de la omnicanalidad, no solo en las compras —compro online, recojo en tienda, veo el anuncio en una plataforma y acabo comprando en otro sitio—, sino también en los impactos publicitarios. Además, hay cierto desconocimiento del impacto incremental: hay canales que dan una base recurrente de visitas y ventas, pero llega un momento en que se saturan, y hace falta incorporar nuevos canales para seguir generando ese alcance incremental que permite seguir creciendo. Y, por supuesto, todo lo relacionado con la privacidad: los datos se trabajan de forma agregada y anónima, lo que permite tomar decisiones sin comprometer la privacidad del comportamiento de compra de los usuarios.

Ventajas de Meridian como modelo de datos

Ofrece una visión holística que integra datos online y offline de marketing, junto con factores externos; calcula el ROI real e incremental; habilita la planificación predictiva y la simulación de distintos escenarios —qué pasaría si recorto presupuesto aquí y lo meto allá, o si empiezo a invertir en un canal nuevo—; y funciona con datos agregados y anónimos.

Qué es Meridian, en detalle

Alazne: Vamos a ponerle cara y ojos a Meridian. Al principio hemos dicho que somos agnósticos, es decir, que trabajamos con herramientas de distintas compañías, y sin embargo este webinar lo enfocamos mucho en Meridian. Esto tiene que ver, por un lado, con que es lo que los clientes están pidiendo para sus proyectos de marketing mix modeling, y, por otro, con ventajas propias de la herramienta.

Lo primero: es open source, es decir, un código abierto al que cualquiera puede acceder y con el que cualquiera puede trabajar, lo cual implica también que sea gratuita. Segundo: aunque es un modelo reciente —salió en enero de este año—, y por tanto tiene poco recorrido, tiene muchísimas funcionalidades que otros modelos no tienen; al ser de Google, tiene esa capacidad adicional de predecir usando datos de la red de búsqueda de Google, la más amplia que existe, lo que hace que el modelo sea más preciso, útil y fiable. Y, por último, es un modelo que se puede poner en marcha muy rápido, obteniendo resultados en poco tiempo, lo que hace que los proyectos estén listos en plazos cortos, manteniendo todas las ventajas anteriores, más de lo que se puede aprovechar con otras herramientas del mercado, como Robyn —de Meta— o el modelo de marketing mix modeling de Nielsen.

Un ejemplo práctico

Antón: Vamos a ver algunos casos que solemos abordar con Meridian. Más adelante entraremos en detalle técnico sobre qué tipos de datos se pueden introducir —eso nos lo contará Alazne—, pero antes quería ir directamente al grano, ya que hemos hecho varias presentaciones de Meridian, y mostraros cómo se ve un modelo una vez montado.

En este caso hemos hecho un modelo ficticio —no podemos mostrar el de un cliente real— de una empresa tipo que invierte tanto en canales online como offline. Metemos todos esos datos en la coctelera —datos históricos de tres años, con granularidad semanal—, y, una vez cargado todo, le pedimos a Meridian que responda preguntas, y empiezan a salir gráficos automáticamente. Por ejemplo: aquí nos dice que tenemos un baseline muy potente —el 84% de las ventas son orgánicas, y un 16% se atribuyen directamente a la publicidad—, y qué porcentaje de esa atribución corresponde a cada canal. También nos da el ROI por canal en función de la inversión, y su impacto directo en las ventas: en este ejemplo, Amazon tendría un ROI más alto, y la radio, uno más bajo, similar a TikTok.

Otro indicador interesante es el esfuerzo que hay que hacer por canal para vender más: aquí vemos que, para la radio, ese esfuerzo sería más alto que para Amazon —prácticamente el doble—. También saca la efectividad de cada canal en función del ROI: en este ejemplo, Google y Amazon están mejor posicionados, Meta estaría en un punto intermedio, TikTok y radio más abajo, y la televisión tiene una gran efectividad, aunque quizá un ROI algo menor. Y también nos indica la probabilidad de crecimiento de cada canal: por mucho que sigamos invirtiendo, algunos canales ya están muy saturados, mientras que otros todavía tienen mucho recorrido para nuestra marca —incluso se pueden inferir resultados en canales en los que todavía no hemos invertido, lo cual está muy bien para probar alternativas—.

Imaginad que nos preguntamos: «¿cómo optimizar la inversión en los canales de marketing manteniendo el mismo presupuesto del año anterior?» —una pregunta muy habitual en las empresas—. Aquí el modelo empieza a sugerir balanceos presupuestarios: por ejemplo, «desinvierte en estos dos canales y aumenta la inversión en estos otros», y, si se hace así, las ventas podrían crecer, en este ejemplo, de 63 a 66 millones de euros. Esto está muy bien, sobre todo para balancear presupuesto o para contrastar con datos algún prejuicio sobre un canal concreto, en vez de decidir solo por intuición. También puede darnos el balanceo en porcentaje. Evidentemente, cada caso es distinto, y estas respuestas se pueden aplicar de forma más o menos drástica —es un modelo estadístico que afina muy bien y con alta probabilidad, aunque esa probabilidad depende también de la calidad de los datos introducidos—. Se puede seguir el modelo al 100%, o usarlo como pista, si ya tenemos sospechas sobre un canal o restricciones de presupuesto.

Casos de uso

Antón: A partir de aquí, las preguntas que se le pueden hacer al modelo son muchas. Antes de introducir los datos, conviene reflexionar sobre qué tipo de preguntas queremos hacerle, porque eso condiciona qué datos vamos a necesitar —aunque también se puede trabajar al revés: meter todos los datos disponibles de todos los canales, y luego preguntar lo que se quiera—. Alazne nos va a contar algunos casos de uso.

Alazne: Todo lo que ha contado Antón —esos gráficos, esas preguntas que se le pueden plantear al modelo— se puede categorizar en siete casos de uso.

1. Optimización del presupuesto. Con un mix de canales amplio, hay que saber dónde interesa invertir, dónde desinvertir, y cuánto en cada caso.

2. Optimización del rendimiento. Tenemos distintos objetivos empresariales que cumplir, y lo que hace Meridian, o cualquier herramienta de marketing mix modeling, es dar visibilidad sobre el retorno de cada acción en cada canal.

Antón: Alazne, perdón que te interrumpa, tenemos una pregunta por aquí que quiero ir contestando sobre la marcha: ¿esos datos se sacan de Google Analytics?

Alazne: Buena pregunta. Se pueden sacar de muchos sitios. Lo que hay que subir a Meridian siempre es un archivo CSV, con datos volcados de distintas plataformas: se puede meter Analytics, Google Ads, datos externos que proporcione, por ejemplo, una plataforma de distribución, o cualquier dato offline. Lo importante es que esté todo consolidado en ese formato. Dependiendo de los canales que uses, sacarás los datos de fuentes distintas, pero siempre acabarán volcados en ese mismo CSV.

Antón: Luego tenemos un punto específico para hablar de qué tipos de datos se pueden meter, ¿verdad?

Alazne: Eso es.

3. Planificación de escenarios. Muchas veces tenemos dudas o hipótesis que queremos contrastar con el modelo, para ver cuál es la mejor opción, y eso se puede comprobar con Meridian de forma fiable.

4. Sinergias entre canales. Los canales no están aislados; si hago una campaña publicitaria hoy, es posible que el usuario luego busque mi marca, o me vea en redes sociales. Meridian ayuda a entender esas interacciones entre canales, cómo se benefician entre sí, cómo pueden llegar a perjudicarse, y cómo aprovechar mejor esas sinergias.

5. Justificación del gasto de marketing. Cuando invertimos mucho dinero en distintas acciones publicitarias, después tenemos que justificar esas decisiones ante nuestro equipo, la dirección o los stakeholders. Meridian es la forma de justificar, con datos, cualquier decisión de inversión o desinversión.

6. Saturación de canales. Si un canal ya está en su máximo rendimiento, Meridian nos dice cuán saturado está, cuánto conviene desinvertir, y hacia dónde redirigir ese presupuesto para optimizar el mix.

7. Efecto a corto y largo plazo. Hay acciones con efecto inmediato y otras con repercusión a más largo plazo; Meridian también da esa visibilidad, con horizontes de semanas, meses o incluso años.

Cuándo pensar en Meridian

Antón: El siguiente punto es si es el momento de usar Meridian. Antes de eso, aprovecho para preguntarte, Alazne: ¿qué pasa con los datos de televisión y radio? ¿Cómo se introducen en el modelo?

Alazne: A ver, repíteme la pregunta.

Antón: ¿Cómo se introducen los datos de televisión y radio en el modelo?

Alazne: Muchas veces el modelo es capaz de deducirlas o inferirlas a partir de otras fuentes; otras veces son las propias cadenas o emisoras las que nos dan el resultado de la inversión realizada. Combinándolo todo, conseguimos saber qué ha pasado y qué rendimiento ha tenido, para meterlo en el modelo. Es cierto que los canales offline son más difíciles de cuantificar, precisamente por su naturaleza, pero no imposible: siempre hay de dónde sacar los datos, y, si no, el modelo, al ser estadístico, puede ir deduciendo cosas a partir de factores propios y externos.

Antón: Claro, evidentemente, cuanto mayor sea el porcentaje de inversión digital, en teoría más rápido y fácil es construir el modelo, supongo, porque no dependes de terceros para pedir esos datos. También pasa, por ejemplo, con marcas que no venden directamente al consumidor final, sino a través de distribuidores: ¿cómo se introducen ahí los datos de ventas?

Alazne: Ahí, cada uno de los distribuidores suele pasar regularmente a la marca el sell-out que están generando, no solo el sell-in, y todo eso se mete en el modelo. Al fin y al cabo, el marketing mix modeling no es nada nuevo: lleva usándose unos 15 años, por empresas enormes como Procter & Gamble o Unilever, aunque antes construir estos modelos era muy complejo, tedioso, y no estaba al alcance de cualquier empresa. Meridian lo pone a disposición de cualquiera, pero sigue siendo muy importante introducir bien los datos: no solo su calidad, frecuencia e histórico, sino también cómo se cargan en el modelo.

Antón: Vamos a hacernos esta pregunta, que viene al caso: ¿cuándo es el momento de usar Meridian? Alazne, ¿lo cuentas tú o lo cuento yo?

Alazne: Me da igual, lo cuento yo si quieres.

Antón: Vale, ya lo cuento yo. Señales para pensar en adoptar Meridian: primero, que tu modelo de atribución ya no sea suficiente —estás invirtiendo en muchos canales, has sofisticado mucho la atribución de uno concreto, pero te cuesta entender cómo aporta cada canal—. El otro día estábamos con una empresa de cosmética que invierte mucho en publicidad en varios países, con un 95% de inversión digital, y que ahora está valorando canales nuevos y tiene que decidir el presupuesto del año que viene: un modelo como Meridian les viene fenomenal para eso.

Otro caso: desde la pandemia, el coste por clic ha subido muchísimo —en Google, por ejemplo, ha pasado de unos 0,80 € a 1,30 €, en Amazon pasa algo parecido—, así que no podemos seguir creciendo solo a base de invertir más; hay que empezar a usar los datos para optimizar esa inversión. Otro caso es el aumento de la complejidad del mix, parecido al ejemplo de la atribución. Otro, cuando desde dirección piden una justificación sólida de la estrategia para el año siguiente, más allá de la inercia de años anteriores: aquí Meridian viene genial para no basar decisiones en «porque mi agencia lo dijo» o «porque nos apetece probar», sino en datos. Y, por último, cuando la competencia empieza a afinar más y a usar mix modeling, ahora más accesible gracias a Meridian, y no nos podemos quedar atrás.

Antón: Alazne, cuéntanos un poco cuándo Meridian es la solución.

Alazne: Aquí tenemos distintos casos en los que ya sí conviene pensar en Meridian. Primero, cuando trabajamos en un mercado muy consolidado, con nociones claras de cómo funciona todo, y un buen histórico de datos que permite un modelo fiable. Segundo, cuando tenemos muchos canales —un mix de marketing muy amplio, entre publicitario, online y offline—, y necesitamos tener claro qué aporta cada uno y qué inversión requiere. Tercero, cuando manejamos un presupuesto elevado, dedicando gran parte del dinero a distintos canales, y cada vez es más necesario saber dónde invertir y cómo rentabilizarlo. También es la solución cuando la empresa quiere crecer, ya sea en facturación o en cuota de mercado: si la competencia ya usa mix modeling y nosotros nos adelantamos, podemos sacar ventaja. Y, por último, cuando queremos visibilidad a largo plazo: muchas veces trabajamos desde la incertidumbre, y tener esa visibilidad adicional ayuda a tomar mejores decisiones.

Antón: Perdona que te interrumpa en este punto: ¿qué tipo de estimación, con qué ventanas temporales contamos? Por ejemplo, si una empresa está planificando el presupuesto del año que viene, ¿cuándo habría que meter los datos en el modelo? ¿Podemos meterlos ya hoy, en junio, y nos dice lo que va a pasar el año que viene, y el siguiente, y el siguiente? Pensando en una estrategia a varios años, ¿cómo funcionaría, y cada cuánto se puede consultar?

Alazne: El modelo puede llegar a un plazo bastante largo —podríamos llegar, por ejemplo, hasta 2027—, pero hay que tener en cuenta que, cuanto mayor sea esa ventana, menos datos hay y menos capacidad de predecir de forma fiable. Lo que se suele hacer es empezar a corto plazo —de cara al año siguiente— e ir alimentando progresivamente el modelo para que las cifras de los años posteriores sean cada vez más fiables. Es un proceso iterativo: no es un modelo estático que se mete hoy y se olvida, sino que se va nutriendo con el tiempo. ¿Cada cuánto conviene alimentarlo? Cuanto más frecuente, mejor —una vez al mes, cada tres meses—; no tiene sentido hacerlo cada día o cada semana, porque los datos nuevos no serían significativos, pero sí cada mes o cada trimestre, para ir ampliando la fiabilidad de cara al largo plazo.

Antón: Entiendo.

Alazne: Luego tenemos otro punto: la inclusión del impacto del marketing offline, que enlaza con lo que comentábamos: a veces se trabaja el offline para branding y el online para performance, pero al final todo impacta en las ventas, y podemos tener una visión general de conjunto.

Cuándo Meridian no es la mejor opción

Si me pasas la siguiente diapositiva, Alazne: aquí tenemos más ejemplos, de cuándo no nos va a funcionar bien. Por ejemplo, si el histórico de datos es limitado, o si las campañas son muy pequeñas o muy cortas en el tiempo. También si la necesidad de atribución es a nivel individual —entiendo que esto se refiere a un canal muy concreto, ¿no? ¿A qué se refiere exactamente este punto?

Alazne: Lo que estamos diciendo aquí es que Meridian da visibilidad a nivel de canal —incluso se puede acceder a cierta granularidad por campaña dentro de un canal—, pero, si lo que quieres es ver el recorrido de un usuario único, ahí ya no llega: hay que recurrir a multi-touch attribution u otros tipos de atribución. Así que, si lo que buscamos es a nivel macro —canal, campaña—, Meridian es la herramienta; si buscamos el recorrido específico de un usuario, hay otras opciones.

Tampoco va a funcionar bien si hay cambios constantes de estrategia —cambiar cada año de canal o de orientación comercial—. Y el último punto: tampoco sirve para justificar por qué una acción tuvo más éxito que otra en concreto —eso ya sería gestión y optimización específica de cada canal, y esa respuesta no nos la va a dar.

¿Estás preparado para Meridian?

Antón: Vamos con el siguiente punto, que creo que es de los más importantes: si estás preparado para Meridian.

Alazne: Ya hemos adelantado que vamos a hablar de los tipos de datos. Como norma general, lo ideal es alimentar el modelo con datos históricos de calidad de entre dos y tres años —si hay más, mejor, pero pongamos dos años como mínimo—. En cuanto a tipologías de datos, cuantas más podamos incluir, mejor; no todas son imprescindibles, pero cuantas más tengamos, más certero será el modelo.

Publicidad. Información sobre la inversión realizada, el rendimiento obtenido —impresiones, clics, seguidores— y los resultados económicos concretos —ventas, ROI por canal—. Si además podemos añadir información complementaria —a qué audiencia nos dirigimos, en qué fechas, qué formato de anuncio usamos—, mejor.

Datos de ventas. Tanto de e-commerce como de puntos de venta físicos combinados: cuánto se ha vendido de cada categoría o tipología de producto en cada fecha.

Factores externos. Cosas que no son directamente de marketing pero que influyen: festivos del mercado en el que operamos, datos meteorológicos —que a menudo afectan a las tendencias de compra—, o noticias de gran repercusión que hayan podido afectar a las ventas.

Datos de competidores. Qué acciones han llevado a cabo, cuánto han invertido, si es posible saberlo —sabemos que es más difícil de conseguir, pero, si se puede incluir, mejor—.

Datos demográficos. No trabajamos a nivel de usuario único, sino de población general: el perfil de quienes nos compran y de quienes viven en nuestro mercado, para inferir preferencias y ajustar la estrategia por audiencia o segmento.

Factores económicos generales. Inflación, renta per cápita, estabilidad del mercado, cualquier cambio económico que pueda afectar al comportamiento de compra.

Son distintas tipologías de datos que se pueden combinar; algunas más difíciles de conseguir que otras, pero cuantas más consigamos, mejor —es como una lista de comprobación que hay que ir marcando cuando se pueda—.

Conocimientos necesarios. Es una herramienta open source, a la que cualquiera puede acceder —os invito a crear una cuenta y trastear si queréis—, pero es una herramienta técnica, pensada para perfiles especializados: científicos de datos, con experiencia en modelado, modelos estadísticos y causalidad, y también analistas de datos, que son quienes después van a diagnosticar si el modelo es eficaz, si hace falta ajustarlo, y quienes van a interpretar todos los resultados que ofrece Meridian —porque, aunque nos da gráficos, hay mucha información que no es tan directa de interpretar—. Son perfiles bastante específicos, y, si no los tenemos internamente, hay que pensar en buscarlos fuera.

Antón: Esto de aquí, ¿qué es, Colab, Alazne?

Alazne: Eso es, Google Colab. Aquí es donde después vamos a volcar ese CSV del que hablábamos: vamos trabajando, metiendo las condiciones, que es el trabajo del científico de datos que comentábamos, encargándose de que los datos se procesen correctamente, se limpien, y de sacar la información que hemos trabajado antes.

Antón: ¿Entendido?

Alazne: Y esto ya es una checklist para vosotros, para ir marcando si cumplís o no los requisitos para empezar a trabajar con Meridian, o si, en realidad, no es la opción adecuada.

1. ¿Meridian os puede ayudar de verdad? No tiene sentido empezar si no os va a ayudar a cumplir vuestros objetivos de negocio o a responder vuestras preguntas —si tenéis dudas sobre la asignación de canales, o queréis mejorar el ROI, ese sería el primer check—.
2. ¿Trabajáis con varios canales? Si trabajáis con un solo canal, tiene menos sentido; si tenéis un mix de marketing variado, es la herramienta que os ayudará a medir esos resultados.
3. ¿Tenéis datos históricos de calidad? Un mínimo de dos años, idealmente más.
4. ¿Tenéis el equipo adecuado? Perfiles muy especializados, como hemos dicho; si no los tenéis internamente, hay que externalizarlo, buscar apoyo o formación.
5. ¿Los datos están procesados y limpios, o al menos sabéis cómo hacerlo? Muchas veces se tiene suficiente histórico, pero disperso —hay que pedirlo a una agencia, o recopilarlo de varias fuentes—, y ese trabajo de recopilación tiene que estar resuelto antes de empezar, además de tener los datos en el formato adecuado —CSV, listo para subir a Colab, de donde saldrá el modelo de Meridian—.

Antón: En el punto cuatro entraríamos nosotros, ¿no, Alazne?

Alazne: Eso es, ahí estaríamos como ese equipo externo que puede colaborar en esta parte.

Antón: Cinco preguntas, pero al final son las claves.

Alazne: Está claro, está claro.

Próximos pasos

Antón: Ahora, ¿cuáles serían los próximos pasos? Como decía Alazne, esto se puede hacer por cuenta propia, 100% in house —la ventaja es que no dependes de nadie para avanzar el proyecto, y te ahorras el coste de un partner externo—, aunque requiere un conocimiento alto, mucha dedicación, y haber probado varios modelos para asegurarte de que los datos que metes, y que van a comprometer la inversión futura de tu empresa, son correctos. La otra opción es hacerlo con un data partner, como Aditu, certificados en Google, que conocemos bien Meridian y sabemos qué claves hacen que el modelo arroje resultados rigurosos y precisos.

Los próximos pasos que solemos seguir son estos: primero, una toma de briefing de marketing mix modeling —desde Aditu mandamos un briefing sencillo, de unas ocho o nueve preguntas, sobre el tipo de datos que se tienen, las preguntas que se quieren responder, los canales en los que se invierte—; es como el checklist que comentaba Alazne, para dimensionar el alcance del modelo, que puede centrarse en una línea de negocio, un grupo de países, o incluso un grupo de canales concretos —por ejemplo, aunque una empresa invierta mucho offline y online, se le podría pedir al modelo que responda solo sobre los canales online, por facilidad de acceso a los datos—. Esto lo hacemos de forma gratuita, porque buscamos ser transparentes sobre si tiene sentido aplicar Meridian.

Si se supera ese briefing y tiene sentido aplicar Meridian, el siguiente paso es un diagnóstico de madurez del dato: en qué formato está, qué histórico hay, cómo se sacan los datos de cada canal, cómo es la base de datos, etc., para dimensionar bien el alcance. El siguiente paso es introducir los datos y obtener los primeros insights —normalmente la primera fase del proyecto llega hasta aquí, y se puede abordar en varias semanas, dando ya bastante información—. Después hay una fase de calibración y validación, alimentando el modelo cada dos meses o cada trimestre. Un cuarto paso es la capacitación: tenemos vocación didáctica y colaborativa, así que, si hay una persona responsable de datos en la empresa, no hay ningún problema en que aprenda a extender el modelo de forma autónoma, sin depender siempre de Aditu. Y, por último, una fase de soporte continuado: informes, preguntas, incorporación de nuevos canales, etc.

Preguntas y respuestas

Antón: Tengo una última pregunta para Alazne: ¿qué inversión mínima es deseable, o suficiente, para aplicar un modelo de Meridian?

Alazne: Normalmente, la inversión mínima suele estar a partir de los 200.000 €. Es cierto que se puede jugar con algo menos, pero, por lo general, hablamos de un volumen de datos bastante grande, con un mix de canales amplio.

Antón: Sí, yo creo que, más que la inversión, lo importante es la calidad y el histórico de los datos que metemos, ¿verdad?

Alazne: Eso es. Al final, los datos son los que nos van a dar todas las herramientas que necesitamos para trabajar con Meridian. Cuantos más tengamos y mejores sean, más viable será el modelo, y más ventajas de la herramienta podremos aprovechar.

Antón: Fenomenal. Y la otra pregunta del millón, que a mí me la hacen siempre, así que la contesto yo: ¿cuánto cuesta? La verdad es que no hay una respuesta fácil, pero, de forma resumida: si una consultora tipo Big Four o Big Six cobra a un cliente, por un proyecto de estos hasta los primeros insights, unos 150.000 €, en Aditu podéis quitarle un cero para haceros una idea. Así que es unas diez veces más económico que hacerlo a través de una consultora tradicional generalista, haciéndolo con un partner especializado.

Como todo, depende del alcance: no es lo mismo meter diez años de datos de treinta países que de tres países, o de uno solo, con una inversión moderada. De las empresas con las que hablamos en España, hay un grupo con inversiones en torno a los 300.000-400.000 €, y otro grupo, muy interesado también, con inversiones de entre 1 y 1,5 millones de euros o un poco más. Evidentemente, cuanta más inversión, más canales y más volumen de datos, mejor. El tipo de decisiones que se están tomando con esto van desde balancear presupuesto hacia streaming TV, connected TV, podcast o TikTok, hasta decidir si quitar radio y televisión para reforzar Google, etc.