Por: Sebastian Maldonado, VP Data, Technology & Advanced Analytics.
Nunca habíamos tenido tanta información para entender el comportamiento de los consumidores, medir el impacto de los medios y evaluar el desempeño de las inversiones en marketing. Sin embargo, tener más datos no necesariamente significa tomar mejores decisiones.
La presión sobre marketing ya es estructural. En 2026, los presupuestos de marketing promedian 7,8% de los ingresos, 18% por debajo del promedio de cuatro años antes. Al mismo tiempo, 73% de los CMO describe las expectativas de crecimiento como altas, muy altas o excesivamente ambiciosas. Aunque 15,3% del presupuesto se asigna a inteligencia artificial, solo 30% reporta una preparación madura para escalar.
La investigación Marketing Mix Modeling, realizada por Harvard Business Review Analytic Services con el patrocinio de Google, encontró que el 87 % de los encuestados considera importante utilizar modelos MMM. Sin embargo, solo el 28 % afirma ser muy efectivo al convertir sus hallazgos en acciones oportunas. El estudio también clasifica a las organizaciones en tres grupos: líderes (22 %), seguidores (36 %) y rezagados (42 %).
Del análisis a la decisión: una nueva forma de entender el crecimiento
Desde Publicis abordamos este desafío a través de Growth Modeling, un enfoque que conecta información de negocio, medios y contexto para comprender qué impulsa los resultados, identificar la contribución incremental de las inversiones y evaluar distintos escenarios antes de comprometer el siguiente presupuesto.
Su valor no está únicamente en explicar lo que ocurrió, sino en ayudar a decidir qué mantener, qué ajustar, dónde probar y cuándo escalar.
Para lograrlo, trabajamos bajo E.V.I.D.E.N.C.I.A., un marco que pone el rigor metodológico al servicio de las decisiones de negocio. Desde la definición de la pregunta hasta la ejecución y medición de los resultados, cada etapa busca que los hallazgos sean comprensibles, verificables y accionables.
| COMPONENTE | PRUEBA DE RIGOR |
| E · ENFOQUE | La decisión está definida antes de modelar. |
| V · VARIABLES | Se incorporan los drivers disponibles que pueden mover el KPI. |
| I · INCREMENTALIDAD | Se separa el resultado observado del efecto atribuible. |
| D · DIAGNÓSTICO | Se valida calidad, granularidad y suficiencia de los datos. |
| E · EXPLICABILIDAD | El negocio entiende qué mueve el resultado y por qué. |
| N · NIVEL DE CONFIANZA | Se muestran incertidumbre, sensibilidad, supuestos y límites. |
| C · CRITERIO | La salida indica qué mantener, ajustar, probar o escalar. |
| IA · ITERACIÓN Y ACCIÓN | La decisión se ejecuta, se mide y actualiza el aprendizaje. |
Esto implica entender que existen tres lecturas diferentes que no deberían confundirse: el resultado observado, la contribución atribuible al marketing y el efecto incremental de una inversión. La primera muestra qué ocurrió en ventas, volumen o el KPI; la segunda permite estimar qué parte puede explicarse por las acciones de marketing; y la tercera ayuda a entender qué resultado adicional se generó gracias a ellas.
La diferencia es fundamental. Una inversión que tuvo buenos resultados en el pasado no necesariamente producirá el mismo retorno si recibe más presupuesto. Puede haber llegado a un punto de saturación o depender de condiciones que ya cambiaron. Por eso, la siguiente decisión no puede basarse únicamente en el desempeño histórico.
Dos casos, una misma prueba: el análisis sólo crea valor cuando cambia una decisión
Esta manera de trabajar se refleja en dos situaciones que muestran por qué el análisis sólo genera valor cuando logra transformar una decisión.
En el primer caso, una activación tradicional evolucionó hacia una estrategia de inversión basada en incrementalidad. El análisis permitió identificar un crecimiento incremental cercano al 8 % en volumen, un retorno sobre la inversión publicitaria (ROAS) de aproximadamente 3 veces y una evolución de la participación digital en el mix, que pasó del 2 % al 18 %.
Más allá de los resultados, el aprendizaje estuvo en comprender qué condiciones acompañaron ese desempeño. La combinación de medios y la anticipación de la activación fueron variables relevantes para evaluar su continuidad.
El modelo no solo mostró un resultado incremental. Permitió relacionarlo con una mezcla de medios menos concentrada y con una activación más anticipada. La recomendación no fue invertir más de forma automática, sino mantener la continuidad de la iniciativa bajo las condiciones que mostraron mejor desempeño y volver a medir la siguiente ola.
El primer caso pone el énfasis en la entrada del proceso: definir la decisión antes de modelar, comprobar que las variables y la granularidad permiten responder y separar la venta observada del efecto incremental mediante un escenario sin campaña.
El resultado de 8% de lift y el ROAS de 3× no se usaron como licencia para escalar. Se leyeron con el cambio de la mezcla de medios, la anticipación de la activación y los límites del periodo analizado. Así, E.V.I.D.E.N.C.I.A. convierte una señal positiva en una regla revisable: mantener las condiciones que acompañaron el resultado y volver a medir la siguiente ola.
| ~8 % lift incremental en volumen | ~3× retorno sobre la inversión publicitaria, ROAS | 2 % → 18 % participación digital en el mix |
CASO 1 · DE UNA ACTIVACIÓN TRADICIONAL A UNA REGLA DE INVERSIÓN BASADA EN INCREMENTALIDAD
El segundo caso plantea un reto distinto: no siempre se trata de invertir más, sino de identificar dónde una inversión puede generar mayor valor. Al analizar un portafolio de productos, encontramos diferencias importantes en la contribución de los medios, con rangos entre el 4,2 % y el 15,6 %, retornos que alcanzaron aproximadamente 16 veces la inversión y un efecto halo cercano al 37 % sobre otras líneas de producto.
La lectura permitió identificar oportunidades que podían pasar inadvertidas al evaluar cada producto de manera independiente. Algunas inversiones estaban concentradas en espacios donde el retorno no compensaba; otras, en cambio, tenían potencial de crecimiento o contribuían al desempeño de otras líneas del portafolio.
Esto cambia la forma de asignar los recursos. Una palanca con baja inversión no necesariamente es una palanca poco efectiva: puede que nunca haya tenido suficiente presupuesto, continuidad o exposición para demostrar su potencial.
La respuesta tampoco consiste en trasladar todo el presupuesto hacia la alternativa con mejor ROAS histórico. Se trata de proteger las inversiones que sostienen el negocio, probar oportunidades de manera controlada y escalar únicamente cuando exista evidencia de un retorno adicional.
| 4,2 %–15,6 % contribución de medios según línea de producto | ~16× ROAS máximo | ~37 % efecto halo sobre otras líneas de producto |
CASO 2 · CUANDO EL RETO NO ES INVERTIR MÁS, SINO DARLE ESPACIO A LAS PALANCAS CORRECTAS
La lectura reveló tres desalineaciones: motores subutilizados, concentraciones donde el retorno no compensaba y un efecto halo que ampliaba el valor de determinadas inversiones. Mirar cada producto de forma aislada habría podido castigar palancas que sostenían al portafolio completo. Una palanca subutilizada no es necesariamente una palanca débil. Puede ser una inversión que nunca alcanzó el nivel, la continuidad o la combinación requeridos para demostrar su potencial. Por eso, la respuesta no es aumentar presupuesto de forma automática, sino probar una escala mayor bajo condiciones controladas.
El recorrido empieza por diagnosticar la causa. Si la señal es insuficiente, se prueba un incremento acotado en un mercado, periodo o audiencia comparable, sin debilitar las palancas que sostienen cobertura o valor de portafolio. La inversión solo escala si el resultado adicional se mantiene y la curva continúa dentro de un rango eficiente. Si no mejora, se corrige la configuración, se re asigna o se detiene
En resumen, un canal con poca inversión puede parecer poco efectivo porque nunca tuvo suficiente espacio para funcionar. La respuesta es probar, medir y escalar por etapas, no apostar todo el presupuesto de una vez.
En la activación cultural, Growth Modeling permitió separar el crecimiento observado del efecto incremental para responder si la iniciativa debía continuar y en qué condiciones. En el portafolio, la lectura conjunta de contribución, eficiencia y efecto halo mostró que optimizar cada producto de manera aislada podía ocultar parte del valor generado para el negocio.
Un resultado positivo no autoriza automáticamente a escalar. Un ROAS histórico alto tampoco garantiza que el siguiente peso producirá el mismo retorno. La decisión exige reconocer qué palancas sostienen la escala, cuáles todavía tienen recorrido, cuáles se acercan a la saturación y qué hipótesis deben probarse antes de comprometer más presupuesto.
Cada hallazgo debe conducir a una de cinco acciones: proteger una palanca que sostiene escala o valor de portafolio; mantener una inversión que opera en un rango eficiente; probar y escalar por etapas una oportunidad subutilizada; reasignar cuando otra palanca ofrece mayor retorno esperado; o reducir y detener cuando la inversión superó su rango eficiente o no mejora después de una prueba controlada.
Así, un resultado débil deja de ser el final del análisis y se convierte en un diagnóstico. Puede indicar inversión insuficiente, una configuración incorrecta, falta de continuidad, saturación o ausencia real de valor. Cada causa exige una decisión diferente.
Growth Modeling no elimina la incertidumbre. Evita que las marcas la oculten detrás de una métrica. Porque medir mejor solo importa cuando permite decidir diferente.
También te puede interesar: VML México retuvo el primer lugar del Grand Slam 2026 de FIAP