Marketing mix modeling: qué es y cuántos datos hace falta de verdad para hacerlo

Cuando las cookies dejaron de contar la historia completa, medio sector redescubrió una técnica de los años sesenta: modelizar la venta a partir de la inversión, sin seguir a nadie. El marketing mix modeling —MMM— promete decir cuánto aporta cada canal usando solo datos agregados. Y por eso lo vende hoy cualquiera.

Lo que casi nadie dice en español es lo primero que habría que preguntar: cuántos datos hacen falta para que el modelo signifique algo. La respuesta está publicada, es incómoda, y decide si su empresa puede hacer MMM o no.

Qué es, sin la envoltura

Un MMM es una regresión: se toma una serie histórica de ventas y se explica a partir de las variables que pudieron moverla —inversión por canal, precio, promociones, estacionalidad, festivos, incluso el tiempo— para estimar cuánto aportó cada una.

Frente a la atribución de siempre, cambian tres cosas:

• No sigue a personas. Trabaja con totales por periodo, así que no le afectan las cookies, el consentimiento ni los identificadores.
• Mide canales que la atribución no ve: televisión, exterior, radio, patrocinios.
• No dice quién compró. Da estimaciones agregadas con incertidumbre, no una lista de conversiones.

Esa última diferencia es la que más fricción genera dentro de las empresas: el MMM no sustituye al panel de campañas, responde otra pregunta.

El requisito que decide si puede hacerlo

Google publica Meridian, su MMM de código abierto, con la documentación abierta. En su página sobre la cantidad de datos necesaria —consultada el 7 de septiembre de 2026— dice literalmente:

«With two years of weekly data (104 data points), you have four data points per parameter. This sample size is too low to estimate the model reliably.»

Y recomienda «use three years' worth of weekly data instead of two».

Léase otra vez: dos años de datos semanales —lo que la mayoría de las empresas medianas considera un histórico largo— son, según la documentación del propio Google, insuficientes para estimar el modelo de forma fiable.

Para modelos por geografía la cuenta mejora, porque cada región aporta su propia serie: el ejemplo que da es que «105 geos and three years of weekly data yield 16,380 data points».

Y no hay un umbral mágico

El matiz que conviene entender antes de contratar a nadie: Meridian no fija un mínimo absoluto. Lo que propone es calcular la razón entre puntos de datos y parámetros del modelo —cuantas más variables se meten, más historia hace falta— y validar «by actually fitting the model».

Es decir: la respuesta depende de cuántas cosas quiera explicar. Un modelo con cinco canales necesita menos historia que uno con quince. Quien le prometa MMM sin preguntarle cuántos años de datos tiene, no ha empezado por el principio.

Qué hace falta reunir

• Ventas o conversiones por periodo, en la misma unidad y sin huecos. Semanal es el estándar.
• Inversión por canal y periodo, incluida la que no es digital. Si la televisión no entra, el modelo le atribuirá su efecto a otro canal.
• Variables de control: precio, promociones, festivos, roturas de stock. Sin ellas, una subida de ventas por una promoción se apunta a la publicidad.
• Constancia. Un canal que siempre gasta lo mismo es indistinguible de la base: sin variación no hay nada que estimar.

Ese último punto es el más contraintuitivo y el que más modelos arruina: si nunca ha cambiado la inversión en un canal, el modelo no puede saber qué aporta.

Para qué sirve de verdad, y para qué no

• Sí: repartir presupuesto entre canales a medio plazo, justificar la inversión en medios sin clic y estimar saturación —a partir de qué punto invertir más deja de rendir—.
• No: decidir qué creatividad pausar el martes. Para eso está el panel de campañas y la experimentación.
• Tampoco: sustituir la medición del día a día. Lo razonable es combinarlo con experimentos que calibren el modelo.

Y conviene saber contra qué se compara: si el reparto lo decide una campaña automatizada, el valor que se le envía condiciona el resultado. Lo explicamos en qué es Performance Max en Google Ads.

Cuatro errores que se repiten

• Empezar sin histórico. Es el error caro: se paga un proyecto de meses para descubrir que no había datos suficientes. La pregunta va primero.
• Meter todos los canales «porque están». Cada variable añadida exige más historia. Un modelo con pocas variables bien elegidas estima mejor.
• Leer los resultados como certezas. Un MMM devuelve intervalos, no cifras exactas. Presentarlo como un número redondo en un comité es donde empieza el problema.
• No calibrarlo. Sin experimentos que contrasten el modelo con la realidad, sus estimaciones envejecen sin que nadie se entere.

Y una advertencia sobre los datos de entrada: si su analítica tiene huecos, el modelo los hereda. Ya vimos lo que ocurre cuando GA4 deja propiedades sin datos durante horas.

Preguntas frecuentes

¿Cuántos años de datos necesito?

La documentación de Meridian considera insuficientes dos años de datos semanales y recomienda tres. Pero no hay umbral fijo: depende de cuántas variables incluya el modelo, y la forma correcta de decidirlo es la razón entre puntos de datos y parámetros.

¿Sirve para una pyme?

Rara vez, y por el histórico más que por el presupuesto. Sin tres años de series limpias y con variación en la inversión, el modelo no tiene de dónde aprender. Antes de eso rinde más la experimentación.

¿MMM o atribución?

Responden preguntas distintas. La atribución dice qué pasó en un recorrido concreto; el MMM estima cuánto aporta cada canal en agregado. Los equipos que lo usan bien mantienen las dos y las contrastan con experimentos.

¿Hace falta comprar una herramienta?

No necesariamente: Meridian, de Google, es de código abierto y su documentación es pública. Lo que hace falta es alguien que sepa preparar los datos e interpretar la incertidumbre, que es la parte cara.

¿Cada cuánto se actualiza?

Trimestral es lo habitual, y siempre tras un cambio grande de estrategia, precio o catálogo. Un modelo entrenado con un mix que ya no existe describe una empresa que ya no es la suya.

La cita sobre la cantidad de datos procede de la documentación pública de Meridian, consultada el 7 de septiembre de 2026. Portada: «Data Chart», de khunkorn laowisit (StockSnap), con licencia CC0.