Calidad de los datos MMM: usar puertas bloqueantes, no una media tranquilizadora.
Estado de la evidencia
Qué se ha reproducido y qué no demuestra.
El CSV y Python verifican los seis controles, los tres fallos bloqueantes, la media ilustrativa de 96,1 % y la prohibición de asignación. No miden una calidad real, un MMM ni una causalidad.
- Especificación técnica del registro de calidad MMM, especificación en francés (se abre en una pestaña nueva)
v1, 31 de agosto de 2026 · CC BY 4.0 · especificación en francés · Documento de método redactado por marketing-mix.net. Las cifras son ilustrativas: no son mediciones de mercado.
Qué hay que distinguir
Tres condiciones antes de cualquier cálculo.
Conciliación con la fuente
Los gastos deben cotejarse con la fuente financiera mediante reglas documentadas para comisiones, impuestos, descuentos, abonos y producción. Una desviación inexplicada se convierte en un riesgo de rendimiento artificial.
Continuidad semántica
Un nombre de canal estable puede ocultar un cambio de perímetro, de herramienta o de compra. Las rupturas de taxonomía y de medición son eventos del modelo, no simples problemas de limpieza.
Corrección trazable
Toda imputación o reclasificación conserva valor inicial, regla, autor, fecha e impacto. Una corrección opaca impide la reproducción y hace imposible la vigilancia futura.
Método
Construir un control de calidad que pueda realmente detener el modelo
- 01Definir los controles
Para cada tabla, escribir dimensión, fórmula, umbral, frecuencia, responsable y acción; separar control informativo, alerta y puerta bloqueante.
- 02Reproducir el histórico
Aplicar los controles a todos los periodos y localizar rupturas, retrasos, duplicados, valores imposibles y desviaciones de conciliación; medir el efecto de las correcciones.
- 03Decidir por uso
Una desviación puede ser aceptable para una tendencia global y bloqueante para un rendimiento semanal por plataforma; vincular cada defecto al uso afectado.
- 04Vigilar las nuevas cargas
Automatizar los controles estables, registrar las excepciones y desencadenar una revisión ante un cambio de fuente, de definición o una superación de umbral.
El cuadro de control con tres puertas bloqueantes
Se controlan seis dimensiones, pero conciliación financiera, rupturas de serie y estabilidad taxonómica pueden bloquear el modelo por sí solas.
Escenario pedagógico: una calidad media del 96,1 % sigue siendo un no-go
En este registro pedagógico ficticio, el conjunto cubre 104 semanas. Completitud: 99,8 %. Conciliación de los gastos: 98,7 %. Estabilidad de taxonomía: 94 %. Frescura: 92 %. Siete rupturas de serie no están documentadas.
La media simple de los cuatro porcentajes alcanza el 96,1 %, pero tres puertas fallan: conciliación exigida al 99 %, taxonomía al 97 % y como máximo dos rupturas sin resolver. La desviación financiera ilustrativa representa 52 k€.
El modelo exploratorio puede servir para preparar los datos, pero la asignación está bloqueada. La decisión espera la conciliación de los 52 k€, la documentación de las rupturas y una taxonomía superior al 97 %.
Condiciones de aceptación
Lo que debe cumplirse para actuar.
- 01
Cada control posee una fórmula, un umbral, un propietario y una acción.
- 02
Las puertas bloqueantes no se compensan con una media.
- 03
Las correcciones conservan el valor inicial y su justificación.
- 04
Los usos autorizados se vinculan explícitamente a los defectos residuales.
Límites
Lo que este análisis no demuestra.
- Unos datos técnicamente limpios pueden seguir siendo causalmente insuficientes.
- Los umbrales deben variar con la exposición de la decisión.
- Una automatización detecta mal los cambios de sentido de negocio no declarados.
Referencias
Trabajos citados.
- Wang, R. Y. & Strong, D. M. (1996), « Beyond Accuracy: What Data Quality Means to Data Consumers », Journal of Management Information Systems, 12(4), 5–33.
- Batini, C. & Scannapieco, M. (2016), Data and Information Quality.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.