Datos MMM: probar la identificabilidad antes de reunir más filas.
Estado de la evidencia
Qué se ha reproducido y qué no demuestra.
El CSV y Python verifican los tres índices de triaje, sus usos autorizados y la prioridad ilustrativa de TV. No validan ni un MMM, ni la endogeneidad, ni la causalidad, ni un rendimiento de mercado.
- Especificación técnica de la matriz de identificabilidad 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.
Variación explotable
La variación útil es la que no está enteramente explicada por estación, precio, promociones, distribución u otros medios. Un coeficiente de variación elevado puede seguir siendo inutilizable si sigue exactamente a otro canal.
Grano coherente
Gastos, exposiciones, resultados y controles deben compartir una geografía, un periodo y una definición estable. Imputar un canal nacional en cada región crea filas sin añadir información independiente.
Decisión proporcionada
La viabilidad depende del uso. Unos datos pueden bastar para un efecto de medios global pero no para separar dos plataformas. El nivel de decisión autorizado debe ser más grueso que el nivel de incertidumbre.
Método
Evaluar lo que los datos pueden separar realmente
- 01Escribir el modelo de decisión
Enumerar resultado, canales, controles, grano, ventana y decisiones esperadas; descartar las variables que no pueden definirse de forma estable en todo el periodo.
- 02Medir la variación
Calcular semanas no nulas, coeficiente de variación, cambios de nivel, variación geográfica y parte del soporte próxima al gasto actual.
- 03Probar la separación
Examinar correlaciones, inflación de varianza, condicionamiento y alineación con promociones o estación; agrupar las variables cuya separación depende de una hipótesis frágil.
- 04Prescribir la prueba que falta
Asociar cada debilidad a una acción — taxonomía, recogida geográfica, variación planificada, experimento, prior o agrupación; publicar el nivel de uso autorizado.
La matriz variación × separación × geografía
Tres canales que disponen del mismo histórico reciben niveles de viabilidad diferentes según su variación, su correlación y su heterogeneidad geográfica.
| Canal | Semanas activas | Variación | Correlación máx. | Índice | Decisión |
|---|---|---|---|---|---|
| Búsqueda | 100 % | 0,28 | 0,82 | 0,030 | Agrupar |
| Social | 95 % | 0,32 | 0,77 | 0,049 | Calibrar |
| TV | 45 % | 0,65 | 0,45 | 0,129 | Modelizar |
Escenario pedagógico: 156 semanas no bastan para separar tres canales
En esta matriz pedagógica ficticia, Search posee un 100 % de semanas activas, un coeficiente de variación de 0,28 y una correlación máxima de 0,82. Social alcanza 0,32 y 0,77. TV solo está activo el 45 % del tiempo pero su variación vale 0,65 y su correlación máxima 0,45.
Índice de triaje = parte activa × variación × (1 − correlación) × factor geográfico. Search: 1 × 0,28 × 0,18 × 0,6 = 0,030. Social: 0,95 × 0,32 × 0,23 × 0,7 = 0,049. TV: 0,45 × 0,65 × 0,55 × 0,8 = 0,129.
El índice no es una prueba estadística formal, pero revela dónde investigar. TV ofrece la mejor variación independiente; Search y Social deben agruparse, calibrarse o separarse mediante un experimento antes de una asignación fina.
Condiciones de aceptación
Lo que debe cumplirse para actuar.
- 01
El grano de gastos, resultados y controles es coherente.
- 02
Cada canal posee una variación distinta de las demás decisiones comerciales.
- 03
El nivel de asignación solicitado corresponde al nivel realmente identificable.
- 04
Toda variable débil recibe una agrupación o un plan de prueba.
Límites
Lo que este análisis no demuestra.
- El índice de triaje propuesto no sustituye los diagnósticos del modelo.
- Una correlación débil no elimina la endogeneidad del gasto.
- La granularidad geográfica no ayuda si se apoya en imputaciones nacionales.
Referencias
Trabajos citados.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.
- Sun, Y. et al. (2017), « Geo-Level Bayesian Hierarchical Media Mix Modeling », Google Research.
- Zhang, Y. et al. (2024), « Media Mix Model Calibration With Bayesian Priors », Google Research.