Gobernanza del MMM: proporcionar el control al riesgo de decisión.

DECISIÓN RESPALDADAAutorizar el uso del MMM según un nivel de riesgo calculado, con controles y límites proporcionados a la exposición y a la posibilidad de corregir la decisión.

Qué hay que distinguir

Tres condiciones antes de cualquier cálculo.

01

Uso autorizado

El mismo modelo puede ser apto para explicar tendencias, comparar escenarios o concebir una prueba sin ser apto para imponer una asignación. Cada uso debe aprobarse por separado.

02

Desafío independiente

La validación examina la coherencia conceptual, los datos, los resultados fuera de muestra, la sensibilidad, la calibración y la estabilidad de las decisiones. El validador debe poder restringir o rechazar el uso.

03

Vigilancia y retirada

Rendimiento, deriva de los datos, cambio de mercado, desviación respecto a los experimentos y decisiones reales se siguen. Unos umbrales determinan revisión, overlay, limitación o retirada.

Método

Poner el modelo bajo control durante todo su ciclo de vida

  1. 01Inventariar el modelo

    Documentar versión, propietario, desarrollador, datos, objetivos, usos, usuarios, dependencias, hipótesis, fecha de validación y decisiones influidas.

  2. 02Clasificar el riesgo

    Puntuar exposición financiera, incertidumbre, frecuencia y reversibilidad con criterios comunes; el nivel obtenido determina independencia, profundidad de las pruebas y autoridad de aprobación.

  3. 03Franquear las puertas

    Exigir revisión de los datos, validación técnica, comparación con referencias, prueba de sensibilidad y aprobación de negocio antes del uso; mantener las reservas y los límites visibles en las salidas.

  4. 04Vigilar el uso

    Comparar recomendaciones, decisiones tomadas y resultados; desencadenar una revisión tras un cambio mayor, una deriva, una desviación experimental o una superación de exposición.

RECURSO ORIGINAL

El registro de riesgo y las puertas de aprobación del MMM

El modelo recibe un nivel a partir de la exposición, de la incertidumbre y de la reversibilidad; cada nivel desencadena controles precisos.

Exposición · peso 40 %
1234

800 k€ desplazados

Incertidumbre · peso 40 %
1234

iROAS 0,8–2,6

Reversibilidad · peso 20 %
1234

Revisión mensual

NIVEL3,2 / 4RIESGO ALTO
01Inventario y usosuperada
02Validación independienterequerida
03Sensibilidad y calibraciónrequerida
04Piloto limitadoautorizado
05Despliegue completobloqueado
EXPOSICIÓN 800 K€Piloto limitado a 160 k€Validación obligatoria
JSONDescargar el registro de gobernanza MMM↓
EJEMPLO ILUSTRATIVO · DATOS SIMULADOS

Una reasignación de 800.000 € se limita a un piloto de 160.000 €

01 · SITUACIÓN

Un MMM propone desplazar 800.000 €. La exposición recibe 3 sobre 4, la incertidumbre 4 porque el iROAS va de 0,8 a 2,6, y la reversibilidad 2 porque el presupuesto puede revisarse mensualmente. Los pesos son 40 %, 40 % y 20 %.

02 · CÁLCULO

Puntuación de riesgo: 3 × 0,4 + 4 × 0,4 + 2 × 0,2 = 3,2 sobre 4, es decir nivel elevado. La regla impone validación independiente, sensibilidad, comparación experimental y piloto limitado al 20 %: 800.000 × 20 % = 160.000 €.

03 · DECISIÓN

El desplazamiento completo no está autorizado. El piloto mide la dirección del efecto y la capacidad operativa; la extensión exige que los resultados sigan dentro del rango aprobado.

Condiciones de aceptación

Lo que debe cumplirse para actuar.

  1. 01

    Cada versión posee un propietario, unos usos autorizados y unos límites.

  2. 02

    El nivel de control aumenta con exposición, incertidumbre e irreversibilidad.

  3. 03

    Los usos de riesgo elevado exigen un desafío independiente.

  4. 04

    Deriva, desviación experimental y cambio mayor desencadenan una revisión.

Límites

Lo que este análisis no demuestra.

  • La rejilla propuesta no es una norma regulatoria para el marketing.
  • Un buen proceso de gobernanza no repara un modelo conceptualmente débil.
  • La puntuación de riesgo no debe sustituir el juicio documentado del comité.

Referencias

Trabajos citados.

  1. Board of Governors, OCC & FDIC (2026), SR 26-2, Revised Guidance on Model Risk Management.
  2. Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.
  3. Zhang, Y. et al. (2024), « Media Mix Model Calibration With Bayesian Priors », Google Research.