Apuntes de Ingeniería (1993) (ISSN-0716-0348)

DISEÑO E IMPLEMENTACION DE UN SISTEMA DE APOYO

A LA PLANIFICACION DE MEDIOS

Sergio Maturana V., Ph.D. (*)

Sady Delgado B., Magister, Ing. (**)

RESUMEN

El problema de planificación de medios consiste en encontrar la

combinación de medios —llamada plan de medios— más efectiva para
alcanzar un cierto mercado objetivo, dado un cierto presupuesto de
publicidad. Existen ciertas medidas cuantitativas de la calidad del plan de
medios. Las medidas más usadas son: Costo por Contacto, “Gross Rating
Points” (GRP), el alcance y la frecuencia. Estimar el Costo por Contacto y el
GRP es relativamente fácil (en base a los rating de los vehículos, que son
conocidos). El alcance y la frecuencia, en cambio, requieren el uso de
metodologías especializadas debido a que existe un cierto grado de traslape
entre los medios. La labor del planificador de medios involucra estimar, para
la combinación de vehículos seleccionados, el alcance y la frecuencia del plan
de medios, calcular su costo, en base a las tarifas correspondientes a los
distintos vehículos y, además, tomar en cuenta aspectos cualitativos que
también influyen en la calidad del plan. En este trabajo se discute el diseño e
implementación de un sistema de apoyo al planificador de medios de una
agencia de publicidad chilena, que incorpora metodologías para estimar el
alcance y la frecuencia, automatizando así parte de su trabajo.

ABSTRACT

The media planning problem consists in finding the most effective

media combination —called media plan— for reaching a certain target market,
given a certain advertising budget. There are certain quantitative measures of
the quality of a media plan. The most commonly used are: Cost per
Thousand, "Gross Rating Points" (GRP), Reach and Frequency. To estimate
Cost per Thousand and GRP is relatively easy (based on the ratings of the
vehicles, which are known). Reach and Frequency, however, require the use
of specialized methodologies due to the overlap between different media. The
media planner's job involves estimating, for the combination of selected
vehicles, the reach and frequency of the media plan, compute its cost, based
on the prices corresponding to different vehicles, and also consider qualitative
aspects that also affect the worthiness of the plan. In this paper, the design
and implementation of a decision support system for a media planner of a
Chilean advertising agency is presented, that uses methodologies for
estimating reach and frequency, thus automating part of the planner's work.

(*) Depto. Ingeniería de Sistemas, P. U. Católica de Chile, Casilla 306–Correo 22,

Santiago–Chile.
(**) CMPC Internacional, Agustintas 1357, Piso 3, Santiago–Chile.
I.- INTRODUCCION

La planificación de medios es una de las actividades más importan-

tes relacionadas con la publicidad y es generalmente llevada a cabo por los
Departamento de Medios de las agencias de publicidad. Cabe hacer notar
que los montos que manejan estos Departamentos son bastante importantes.
Se estima que la inversión total en medios, en el país, es de alrededor del 1%
del PGB. En la Tabla 1 se puede apreciar los montos invertidos en publicidad
por los mayores avisadores en Chile, el año 1992:
Empresa Miles de Pesos Por otro lado, las
Lever Chile 7.683.716 agencias de publicidad chilenas
Nestlé Chile 5.474.977 no le habían dado hasta hace
C.C.U. 4.621.765 poco, a la actividad de
C.M.P.C. 2.570.576 planificación de medios, la
importancia que merece, lo que
Falabella 2.388.463
era motivado en parte por la
Soprole 2.314.495
mala calidad de la información
Almacenes París 2.158.350 que se manejaba. Esto, a su
Procter & Gamble 2.080.845 vez, ha resultado en
Centenario 1.895.148 planificaciones de medios
Emb. Andina 1.799.455 relativamente poco
C.T.C. 1.762.685 tecnificados. Sin embargo, con
Lotería 1.754.193 la introducción del “People
Hites 1.580.923 Meter”, que es un nuevo
Shell Chile 1.448.512 sistema para medir la audiencia
Ripley 1.415.152 de la televisión, la situación ha
Tabla 1: Inversion Publicitaria en Chile empezado a cambiar
Fuente: Megatec S.A. rápidamente. Como decía
Juan Ignacio Oto, en el
Editorial de la Revista Publimark de Abril de 1993:
“Todavía correrá mucha agua bajo los puentes del People Meter. Pero,
desde ya, se puede apreciar que está influyendo para que agencias y
avisadores tengan que aguzar su profesionalismo y creatividad, ahora
no sólo para idear los mensajes, sino que también para planificar la
estrategia de medios.”
El presente trabajo intenta contribuir a mejorar la actividad de
planificación de medios en las agencias de publicidad chilenas.

II.- PLANIFICACION DE MEDIOS

La planificación de medios es una parte especializada del plan de

marketing de una empresa. En un plan de medios se decide, por un lado, la
selección de medios (televisión, diarios, radios, etc.) que se usará en una
campaña de publicidad y, por el otro, la programación de los vehículos en
cada medio. Es decir, por ejemplo, en que programas de televisión se
colocarán comerciales y en qué cantidad.
Para decidir la programación se toman en cuenta ciertas medidas
cuantitativas, como el alcance y la frecuencia, que están relacionadas a los
ratings de los programas. También se considera el costo de los distintos

2
vehículos, ya que existe una restricción presupuestaria. Además existen
criterios cualitativos que son importantes de considerar, que hacen que la
planificación de medios sea considerada por muchos un arte más que una
ciencia. Sin embargo, el contar con buenas metodologías de planificación de
medios constituye un importante apoyo a esta actividad.
El principal problema que enfrenta un planificador de medios es
determinar cuánta gente va estar expuesta a un cierto mensaje publicitario,
dada una cierta programación de medios. En general, la forma de medir la
bondad de un cierto plan de medios es por el alcance, que es el número de
personas del mercado objetivo que es expuesta al mensaje, y la frecuencia,
que es el número de veces que una persona promedio es expuesta al
mensaje.
La medida cuantitativa más básica, y generalmente la más fácil de
calcular, es el llamado “Gross Rating Points”, o GRP, que corresponde a la
sumatoria de los ratings de los vehículos del programa de medios, para el
mercado objetivo. Estos ratings se pueden obtener, en el caso de la
televisión, con una precisión relativamente buena, gracias al “People Meter”
recientemente implementado en Chile (PUBLIMARK 1992). El alcance y la
frecuencia, en cambio, no son tan fáciles de medir ya que existe, en general,
traslape entre los medios. Es decir, dados dos vehículos distintos, se puede
dar el caso de una persona que es alcanzada por los dos, una que sólo es
alcanzada por uno y otra que no es alcanzada. En otras palabras, en el GRP
se puede estar contando a las personas más de una vez. Por otro lado, es
fácil demostrar que el producto del alcance por la frecuencia promedio debe
ser igual al GRP, por lo que si se conoce el alcance, la frecuencia se puede
calcular dividiendo el GRP por el alcance y análogamente, si se conoce la
frecuencia, el alcance es fácil de calcular.

III.- MODELOS DE ESTIMACIÓN DE ALCANCE

En general existen dos grandes clases de modelos de estimación

de alcance: aquellos que se aplican a un sólo vehículo, como es un programa
de televisión o un número de una revista, y aquellos que se pueden aplicar a
múltiples vehículos.
Alternativamente se han desarrollado tablas de alcance que en
cierta forma reemplazan a los modelos de estimación de alcance. Sin
embargo, en la práctica no han dado buenos resultados.

3.1. Tablas de Alcance

Las tablas de alcance son del tipo que aparecen en (SISSORS y

GOODRICH 1983) o como las que proporcionó Alfred Politz Research Inc.
durante los años 50.
Estas tablas entregan estimaciones de alcance, GRP's y algunas
otras variables. Obviamente existe un serio problema de promediación en
estas tablas. Engelman (ENGELMAN 1965) encontró graves errores ya que
tratan a programas de medios distintos con el mismo número de GRPs, tal
como si fueran idénticos. Dada la amplia disponibilidad computacional de hoy
en día, y la gran cantidad de modelos de estimación de alcances, ya no exis-
ten razones serias para usar técnicas tan antiguas de estimación.

3
3.2. Modelos para un Sólo Vehículo

El modelo binomial

Este es el modelo más simple que puede usarse para estimar el

alcance. Sea p la fracción de la población expuesta en promedio a un aviso
en el vehículo en estudio, que en general puede estimarse como el rating del
programa de televisión, o el tiraje promedio de revistas. Luego, si se hacen N
inserciones del aviso, el alcance estimado, RN es simplemente:
N
RN = 1- (1- p ) (1)
Se ha mostrado empíricamente que el Modelo Binomial presenta
algunos problemas (RUST 1986, p.8), debido principalmente a que este
modelo considera a todos los individuos de la población como si fueran
exactamente iguales.
El primer modelo para estimar alcances que tuvo buenos resultados
empíricos fue propuesto por Agostini (AGOSTINI 1962). El propósito de su
modelo era entregar un método que fuera implementable computacionalmente
para estudiar acumulaciones de audiencias alcanzadas por n ejemplares de
una revista, conociendo sólo el alcance de dos de ellos. Para esto se basa en
la modelación recursiva de (RN − R N−1 ) (1− RN −1 ) como la función de
potencia a/Nb donde a y b son coeficientes que se obtienen empíricamente.
Agostini presenta su modelo para medir las acumulaciones de audiencias
basándose en la siguiente regla:
"Cada nuevo ejemplar de una revista suma a la audiencia ya alcanzada
por los números anteriores, una fracción cada vez menor de la
audiencia no alcanzada".
−x
Esta fracción de que habla Agostini, decrece de la forma n donde
n es el número de ejemplares publicados incluyendo el nuevo y donde el
parámetro x es inherente a la revista.
De esta forma el modelo resultante es:
⎡ a ⎤
RN = R N−1 + (1 − R N−1 )⎢ ⎥ (2)
⎣ Nb ⎦
donde a = R1 y b = (1 ln(2))ln(R1 (1 − R1 ) (R2 − R1 )) con R1 el alcance
promedio de audiencia del primer ejemplar y R2 la audiencia acumulada con
el segundo ejemplar. Luego, se puede conocer, por medio de recursión, el
alcance acumulado de n ejemplares de una revista, con sólo conocer el
alcance de los dos primeros.

Modelo beta binomial

El modelo beta binomial (Metheringham 1964), tuvo un gran

impacto sobre la planificación de medios en los Estados Unidos. Este modelo
es como el binomial, en que cada individuo tiene una probabilidad p de ser
expuesto a un cierto aviso. Lo interesante es que el modelo beta binomial

4
permite que la probabilidad p sea distinta para cada persona. La distribución
de p en la población se modela como una distribución beta, la cual por su gran
flexibilidad permite aproximarse a la mayoría de las distribuciones unimodales
sobre los valores de p entre 0 y 1.
El alcance se estima como:
(b + N −1)(b + N − 2)...(b)
RN = 1 − (3)
(a + b + N −1)...(a + b)
donde
R1 R2 − R12
a= (4)
2R1 − R12 − R2

a(1 − R1 )
b= (5)
R1
El método de Metheringham llegó a ser muy popular por su
habilidad para estimar toda la distribución de frecuencia de exposiciones,
cosa que el método de Agostini no pudo hacer. No obstante el Modelo Beta
Binomial presenta ciertos problemas. Primero, su desempeño empírico no es
mejor que el de Agostini y, segundo, tiene la desventaja que las ecuaciones
para a y b pueden dar resultados negativos, lo cual lleva a resultados
imposibles.

3.3. Modelos para Múltiples Vehículos

En el caso que se tiene una combinación de vehículos, la estima-

ción se hace algo más compleja. Para esto se han desarrollado muchos
modelos distintos de los cuales se presentan a continuación los más usados.

La fórmula de Sainsbury

La fórmula de Sainsbury ha llegado a tener cierta popularidad

aunque sus resultados son bastante pobres. Básicamente es una extensión
del modelo binomial al caso en que vehículos diferentes pueden tener
probabilidades de exposición distintas.
Si los vehículos 1, 2, 3,..., etc. tienen probabilidades de exposición
(ratings) p1 , p2 , p3 , etc., respectivamente, y además estas probabilidades
son independientes y la población es homogénea, el alcance puede ser
calculado simplemente como el complemento de la población no expuesta.
R = 1 − [(1 − p1 )(1 − p2 )(1 − p3 )... ] (6)
A simple vista se puede apreciar que la fórmula no puede entregar
buenos resultados por la exigencia de suponer independencia entre los
vehículos y población homogénea.

5
El modelo de Metheringham

Como ya se ha dicho, el Modelo de Metheringham es realmente un

Modelo Beta Binomial. El método que usa para estimar alcances de una
combinación de vehículos es prácticamente idéntico al anterior en que se
estimaba el alcance de un solo vehículo. Tan sólo se necesita hacer una sola
suposición, y es que los vehículos son homogéneos. Así, los vehículos son
tratados como si fueran inserciones distintas de un mismo vehículo.
Luego, los parámetros del modelo son el promedio entre los
vehículos programados:
pij
R1 = ∑ (7)
N
pij
R2 = 2 R1 − ∑ (8)
N(N −1)
donde pi representa el rating del vehículo i y pij la audiencia duplicada entre
el vehículo i y el vehículo j. Por lo tanto, es necesario conocer las
duplicaciones entre los vehículos para poder estimar alcances. Si las duplica-
ciones no fueran conocidas o no estuviesen disponibles, deberán ser
estimadas.
Finalmente, el alcance de la programación se calcula igual que
antes usando las expresiones (3), (4) y (5).
Aunque el Modelo de Metheringham tiene cierto sesgo de sobresti-
mación en los alcances, es bastante razonable bajo circunstancias normales
(RUST 1986, p.12). La principal falla del modelo es suponer homogeneidad
en los vehículos lo que llevará a errores cuando se programe un vehículo de
alto rating junto a otro de bajo rating.

La fórmula de Hofmans

Esta fórmula es una extensión a la fórmula de Agostini (HOFMANS

1966). Sin embargo, al igual que el modelo de Metheringham, también
presenta problemas ya que sistemáticamente sobrestima el alcance.
La forma de estimar el alcance usando la Fórmula de Hofmans es la
siguiente:

(∑ p )
2

R=
i
(9)
∑ pi + ∑ kij pij
donde
pi + p j
k ij = (10)
pi + p j − pij
Se ha sugerido que si existen algunas duplicaciones pij no
conocidas, se reemplacen esas duplicaciones por pi p j . Esta práctica
desemboca en los mismos problemas que el modelo binomial, por lo cuál

6
debe ser usada como último recurso.

3.4. Conclusión

En resumen, si se tiene que estimar el alcance de un vehículo, el

modelo de Agostini aparece como una buena alternativa, seguido del modelo
Beta binomial en segundo lugar. Ambos modelos necesitan datos sobre la
audiencia de cada vehículo. Para el caso de medios locales, esta información
tal vez no esté disponible, por lo cual no quedará más remedio que utilizar
tablas de alcance.
Si se desea estimar el alcance de un programa que contiene dos o
más vehículos, la Fórmula de Hofmans pareciera ser la mejor, seguido nueva-
mente de la fórmula Beta Binomial de Metheringham.

IV.- MODELOS DE ESTIMACIÓN DE FRECUENCIA

Muchos planificadores se conforman con describir la frecuencia de

una programación de medios, en términos de la frecuencia promedio y del
alcance. La frecuencia promedio, sin embargo, es una medida muy pobre de
un plan de medios.
Como ejemplo ilustrativo, suponga que de un total de diez perso-
nas, tres son expuestas a una programación de medios. Una de estas tres
personas se expone diez veces y las otras dos tan sólo una vez. Luego,
fácilmente se calcula: Alcance = 3 y Frecuencia = 12 / 3 = 4.
Intuitivamente se puede esperar que en la persona que se expuso
diez veces realmente se haya logrado un efecto, mientras que en las dos que
se expusieron una vez, no tanto.
Krugman (KRUGMAN 1972) plantea la hipótesis de que se
necesitan al menos tres exposiciones de una persona a una programación de
medios, para que ésta realmente sea efectiva. Volviendo al ejemplo anterior, y
usando los conceptos de Krugman, tan sólo una de las diez personas habría
sido expuesta en forma efectiva.
Ahora, supongamos otras diez personas, de las cuales tres de ellas
son expuestas cuatro veces a la programación. El alcance y la frecuencia pro-
medio serán exactamente iguales al caso anterior, pero en este caso serán
tres las personas efectivamente expuestas. Por esto es recomendable obte-
ner información sobre cómo se distribuye la frecuencia.
Existen bastantes trabajos sobre cómo estimar distribuciones de
frecuencias. En los Estados Unidos existen muchas agencias de publicidad y
servicios de planificación de medios que utilizan la distribución de la
frecuencia en la planificación de medios.
Un estudio hecho en los Estados Unidos (LECKENBY-KISHI 1982),
mostró que el 77% de los planificadores de medios requerían saber la
distribución de la frecuencia. Mas aún, el 45% de los clientes solicitaban tal
información. También descubrieron que el 49% de las agencias estudiadas
usaban dos o más métodos para estimar tales distribuciones.
El concepto de exposición efectiva es cada vez más popular. En es-
pecial porque lleva implícito la estimación de la distribución de la frecuencia.
Es más, si se considera que tres exposiciones son consideradas efectivas,
cero, uno, o dos exposiciones serán consideradas inútiles.
Básicamente existen dos tipos de modelos para estimar fre-

7
cuencias. El primer tipo de modelo requiere conocer las duplicaciones de
audiencia entre los vehículos, mientras que el segundo no requiere de esta
información.

4.1. Modelos que Requieren Conocer las Duplicaciones

Anteriormente ya se discutió el Método de Metheringham para

estimar alcances. El método usaba la distribución beta binomial, la que tam-
bién sirve para estimar la frecuencia de exposición a una programación. Si
A = ∑ Ri (11)

D = ∑ Rij (12)
i≠ j

donde A es la sumatoria de las audiencias y D la sumatoria de las audiencias

duplicadas. Entonces, dado n vehículos en el programa, los parámetros a y b
de la distribución beta binomial se calculan como:
2 DA − A 2 (n − 1)
a= 2 (13)
A (n − 1) − 2 Dn
a(n − A)
b= (14)
A
Luego la distribución de la frecuencia se calcula como:
Γ (n + 1)Γ (a + b )Γ ( a + x )Γ (n + b − x )
f ( x) = (15)
Γ ( x + 1)Γ (n − x + 1)Γ ( a )Γ (b )Γ ( a + b + n )
donde x es el número de exposiciones y f ( x ) es la frecuencia de las x
exposiciones.
Aún cuando el método de Metheringham todavía es popular, sus
usuarios deben ser cuidadosos de sus supuestos y limitaciones. Cabe hacer
notar que a cada persona de la población se le fija una probabilidad de ser
expuesto a cualquiera de los vehículos en el programa lo que significa que se
está considerando a todos los vehículos como si fuesen idénticos. La ventaja
del Modelo Beta Binomial de Metheringham es que todas las personas
pueden tener probabilidades p diferentes (se asume una distribución de
probabilidades continua de los p).
Algunos de los problemas que presenta el método de
Metheringham (RUST 1986) son los siguientes:
a) Existe el fenómeno de disminución de alcance. Esto significa que es
factible que al sumar un nuevo vehículo al programa, se produzca
una disminución del alcance total. La razón de tal efecto radica que,
en términos de una distribución de frecuencia, el alcance se mide
como: Alcance = 1 − f ( 0 )
b) Existe una tendencia sistemática en el modelo a aumentar la
estimación del alcance, es decir, a disminuir f ( 0) .
c) El modelo no tiene un buen desempeño cuando se tiene una

8
 distribución bimodal para p, lo cual podría ocurrir cuando se tienen
dos segmentos diferentes de personas.

Existen varios otros modelos para estimar distribuciones de fre-

cuencia, cada uno con sus propias fortalezas y debilidades. Uno de estos es
el Método de la Matriz Beta (GREENE y STOCK 1967) y que ha sido usado
por largos años por una de las principales agencias de estudios sobre medios
en los Estados Unidos.
Otros modelos que merecen atención son los Modelos de Dirichlet
(Rust 1986), que son una extensión de múltiples variables de la distribución
beta. La gran ventaja de estos modelos es que, a diferencia del Modelo Beta
Binomial que permite que los individuos tengan distintas probabilidades de
exposición con vehículos idénticos, éste permite distintas probabilidades de
exposición con vehículos diferentes.

4.2. Modelos que no Requieren Conocer las Duplicaciones

Por lo general cuando se programa televisión no se utilizan modelos

que requieran duplicaciones como entrada, ya que a menudo no se tiene tal
información. Es necesario primero hacer una estimación de las duplicaciones,
para luego aplicar un modelo que las requiera.
Lo más simple es suponer que todos los vehículos en la progra-
mación son independientes uno de otro, pero idénticos. Esto permite hacer
una primera estimación de la frecuencia como:
n
f ( x) = ( ) p (1 − p)
x n− x
(16)
x

donde n es el número de vehículos, x el número de exposiciones y p el rating

promedio (expresado en porcentaje) de los n vehículos. Nuevamente no hay
problema si se desean varias inserciones por cada vehículo, ya que sólo
basta considerar cada inserción como un vehículo propio.
Este es un método que entrega resultados bastante pobres y que
sólo debe utilizarse como último recurso.
Existe una variación al método llamada Modelo Binomial Revisado
(BALACHANDRA 1975) y (AAKER 1975). Este se basa en la idea de que n no
tiene por qué ser necesariamente el número de vehículos y p no tiene porque
ser necesariamente el rating promedio.
Desafortunadamente, los resultados empíricos de esta versión
modificada, al igual que la versión original, resultaron ser bastante pobres
comparados otros modelos.
El modelo de Leckenby-Rice (LECKENBY y RICE 1985) es el
modelo que mejores resultados empíricos ha tenido en la estimación de
distribuciones de la frecuencia. Este modelo se basa en la idea de un
procedimiento separado en dos etapas, en la que primero se estima el
alcance (una estimación alta y otra baja) y luego se estima la beta binomial
usando el método de medias y ceros.
La estimación alta del alcance se calcula como:

AA = 1 − ∏ (1 − pi )
ni
(17)
donde el producto se realiza sobre el número de vehículos i en el programa,

9
dado su rating pi (expresado en términos relativos) y el número de
inserciones en cada vehículo, ni . La estimación baja del alcance se calcula
como:
AB = 1 − ∏ (1 − pi ) (18)
Para obtener la estimación del alcance, sólo se debe promediar AA
(alcance alto) con AB (alcance bajo). No existe una razón teórica para realizar
tal promedio. Cabe hacer notar que la estimación baja del alcance (AB) no
cambia aunque se modifique el número de inserciones en cada vehículo (no
depende del número de inserciones). En otras palabras, se podría tener una o
un millón de inserciones por vehículo y AB no cambiaría.
Este modelo como fue probado en más de cien casos versus el
Modelo de Headen-Klompmaker-Teel (HEADEN, KLOMPMAKER y TEEL
1977), que también destaca con buenos resultados empíricos y, en promedio,
se comportó mejor (RUST 1986).

4.3. Modelos Sobre más de un Medio

Hasta ahora se ha supuesto que cada medio debe ser analizado

por separado para estimar alcance y frecuencia, lo que corresponde a lo que
se observa en la práctica Sin embargo, se sabe que por lo general un medio
no actúa solo, sino que debe complementarse con otros medios, por lo que es
razonable hacer esfuerzos en desarrollar modelos que modelen más de un
medio a la vez. Por ejemplo, conocer como se comporta un diario que
interactúa con televisión.
El primer modelo que mezcla varios medios fue propuesto por
Lodish (LODISH 1973), el cual sólo sirve de ayuda para evaluar la interacción
entre varios programas o varios medios. Para hacer una evaluación explícita,
se necesita disponer de una función de respuesta que relacione el impacto de
exponerse a un medio versus otros medios. La razón de su poca popularidad,
y de los no buenos resultados empíricos, es que implícitamente asumía que
toda la población era homogénea.
Un segundo esfuerzo, que es bastante más aceptado que el
anterior, permite estimar la unión de las distribuciones de frecuencia entre dos
medios (RUST y LEONE 1984). Este modelo, que sólo se aplica a la dupla
televisión-revistas, no exige el supuesto de Lodish de homogeneidad en la po-
blación y se basa en la idea de primero estimar las distribuciones de
frecuencia para cada medio por separado, para luego estimar la duplicación
intermedia. Esto hace que los resultados empíricos obtenidos sean muy
buenos. Para tener una idea de la certeza del modelo, en promedio el máximo
error que entregó al estimar la distribución de la frecuencia fue de 0,4%
(RUST 1986).

4.4 Conclusión

Resulta interesante comprobar que estimar la frecuencia ha

resultado, en la práctica, bastante difícil. Aún los mejores modelos entregan
resultados no enteramente satisfactorios. Entre los modelos que requieren
conocer las duplicaciones no hay un claro vencedor. Por otro lado, entre los
modelos que no requieren conocer las duplicaciones, los que parecen dar

10
mejores resultados está el de Leckenby-Rice.

11
V.- IMPLEMENTACION DE UN SISTEMA DE APOYO A LA
PLANIFICACION DE MEDIOS

Para obtener el “mejor” plan de medios, de acuerdo a la frecuencia

y al alcance, se requiere evaluar un gran número de combinaciones de pro-
gramas posibles. El número de combinaciones es demasiado grande, en
general, para permitir encontrar una solución óptima. Más aún, la función
objetivo no es tan clara ya que, por un lado, se puede querer maximizar el
alcance, para una frecuencia promedio y presupuesto dados, o maximizar el
alcance, para una frecuencia y un presupuesto dados. Por otro lado, se puede
querer minimizar el presupuesto, para una frecuencia y alcance dados.
Además, existen ciertos aspectos cualitativos que también deben ser
considerados y que pueden modificar el plan.
En la implementación de un sistema de apoyo a la planificación de
medios, se debe considerar, además, la interfaz con el usuario y la conexión
con los datos. La interfaz con el usuario debe ser lo más amistosa posible, ya
que los planificadores de medios, en general, no tienen experiencia en el uso
de programas computacionales complejos. La conexión con los datos es
importante ya que los ratings, que son los datos más importantes, son
bastante voluminosos y cambian con mucha frecuencia. Otros datos que se
requieren, como las tarifas de los programas de televisión, cambian bastante
menos frecuentemente.
Con el objeto de apoyar la actividad de planificación de planes para
televisión, se desarrolló un sistema computacional, llamado Planificador de
Medios Publicitarios, o PMP (DELGADO 1993). Este sistema usa
extensamente la funcionalidad de Excel 4.0 (bajo Windows 3.1), lo que lo
hace muy amistoso para el usuario. La Figura 1 ilustra las cuatro opciones
básicas del sistema: Medios, Programas, Base de Datos y Excel.
La opción
“Medios” permite generar un
plan de medios nuevo, luego
optimizar de acuerdo a una
heurística pre-definida,
actualizar los datos, generar
la gráfica deseada e
imprimir. La opción
“Programas” permite al
usuario insertar o eliminar
Figura 1: Interfaz del Sistema PMP
programas de televisión, que
es el único medio implementado, al plan, lo que es conveniente cuando la
preselección inicial que hace PMP de los programas (en base a restricciones
de GSE, sexo, edad, costo, rating, y hora) no incluye algún programa en
particular que se desea utilizar. La opción “Base de Datos” permite al
planificador generar la base de datos que alimentará el plan. Esta base se
genera a partir del rankeador de programas que entrega Time Media S.A. que
permite conocer los ratings promedio de cada programa para un GSE, sexo y
edad predeterminados. El rankeador puede entregar esta información en un
archivo de texto que PMP reformatea de tal forma que pueda ser usado por el
sistema. Finalmente la opción “Excel” permite al administrador del sistema
poder ingresar directamente a Excel, con lo cual se puede hacer mantención

12
en línea al sistema. Esta opción, lógicamente, está protegida de forma tal que
ningún usuario pueda hacer cambios al planificador sin estar autorizado.
Para usar PMP, el planificador debe definir, primero que nada, la
base de datos de ratings, mediante la opción “Base de Datos”, seleccionando
un archivo texto previamente generado por el rankeador de Time antes
mencionado. Este archivo contiene toda la información de los ratings para un
cierto grupo socio-económico, sexo y edad, que debiera corresponder al
mercado objetivo del plan de medios. Además se pueden especificar criterios
adicionales de selección de los vehículos, en términos de ratings, costos y
horarios. Es decir, se puede especificar, por ejemplo, que sólo se desea
considerar programas que tengan un rating superior a 2 y que estén en un
horario determinado, como se muestra en la Figura 2.
Una vez definida
la base de datos y los
programas a utilizar, se
debe seleccionar la opción
"Plan Nuevo", que es una de
las opciones bajo "Medios".
Al seleccionar esta opción,
el sistema solicita
información general sobre el
Figura 2: Criterio de Selección de Base de plan, como se muestra en la
Datos Figura 3, que sirve de
documentación, por un lado,
y para definir la duración de la campaña, por el otro.
Cabe hacer notar
que, aún cuando se pide
seleccionar los medios a
utilizar, sólo se ha
implementado hasta ahora,
la opción Televisión. Esto
se debe, en gran medida, a
que sólo este medio cuenta
actualmente con buena
información que permita
obtener las exposiciones
(los rating en el caso de la
televisión) en forma
Figura 3: Información General del Plan de relativamente confiable.
Medios Al seleccionar el
botón OK, el sistema
genera automáticamente una planilla de cálculo con todos los programas
seleccionados. A continuación el planificador debiera ingresar los costos de
cada programa o vehículo, en la columna correspondiente. Idealmente se
debiera poder accesar una base de datos con las tarifas, pero por ahora esto
no es muy práctico ya que existen muchas distintas tarifas, que dependen de
muchas cosas, entre otras ellas, del segundaje. Además estas tarifas
cambian con bastante frecuencia, por lo que se ha optado por ingresar los
costos en forma manual.
Después de haber ingresado los costos, se puede "Optimizar" el
plan, seleccionando la correspondiente opción en el menú Medios. En

13
realidad no se optimiza, sino que se encuentra una solución "buena". Para
encontrar este plan, el sistema solicita, mediante una caja de diálogo, el
ingreso del presupuesto destinado a televisión, el número de semanas con
publicidad (que en general corresponde a la duración de la campaña) y el
número mínimo de avisos por vehículo (generalmente cero). La heurística
empleada por PMP para generar un plan inicial es la siguiente:
1) Ordenar los programas de mejor a peor, en términos de
Costo/Rating
2) mientras quede presupuesto:
a) seleccionar el mejor de los programas
b) asignar al programa seleccionado un aviso por cada día de la
semana en que su rating sea mayor o igual a su rating promedio
c) una vez conocido el número de avisos semanales para el
programa, multiplicar por el número de semanas en que se
desea publicitar
d) una vez satisfecho el programa, se elimina de la lista.

En las Tablas 2, 3 y 4 se ilustra mediante un ejemplo, la operatoria

de la heurística. En la Tabla 2 se muestra la planilla de cálculo al comenzar la
optimización. La columna Rt. es el rating promedio de la semana.
Can Programa Pers. Hora L M W J V S D Rt. Costo Cto./R Avisos
7 Programa A 73061 15:30 6,1 6,6 6,9 6,3 7,1 6,6 715000 108333
9 Programa B 65312 21:45 5,9 5,9 400000 67796
13 Programa C 63098 19:05 5,8 5,6 5,7 397000 69649

Tabla 2: Estado del plan antes de que PMP recomiende una solución inicial.
En la Tabla 3, se muestra la tabla ordenada de menor a mayor
Costo partido por Rating promedio.
Can Programa Pers. Hora L M W J V S D Rt. Costo Cto./R Avisos
9 Programa B 65312 21:45 5,9 5,9 40000 67796
0
13 Programa C 63098 19:05 5,8 5,6 5,7 39700 69649
0
7 Programa A 73061 15:30 6,1 6,6 6,9 6,3 7,1 6,6 71500 108333
0

Tabla 3: Estado intermedio de PMP una vez que se han ordenado los
programas.
Finalmente, en la Tabla 4, se muestra el plan recomendado por
PMP.
Can Programa Pers. Hora L M W J V S D Rt. Costo Cto./R Avisos
9 Programa B 65312 21:45 5,9 5,9 40000 67796 2
0
13 Programa C 63098 19:05 5,8 5,6 5,7 39700 69649 2
0
7 Programa A 73061 15:30 6,1 6,6 6,9 6,3 7,1 6,6 71500 108333 6
0

Tabla 4: Estado final con la programación inicial propuesta por PMP.

Una vez definido el plan inicial, el planificador puede introducir
modificaciones en forma manual, al tomar en cuenta otras consideraciones.

14
Para cada plan, PMP calcula una serie de indicadores, entre los que
destacan, el GRP, el alcance y la frecuencia. El alcance se calcula utilizando
el modelo de Leckenby-Rice y la frecuencia se calcula dividiendo el GRP por
el alcance.
Se hicieron numerosas pruebas para determinar cuál era el modelo
más adecuado para medir el alcance y, aún cuando no hubieron diferencias
muy grandes entre algunos de los modelos, el Leckenby-Rice resultó ser el
que dio mejores resultados. Cabe hacer notar que el alcance y la frecuencia
estimado usando esta metodología no coincide con el entregado por el
sistema proporcionado por Time. Las razones de esta diferencia no están
claras ya que no se pudo determinar exactamente como era calculado el
alcance y la frecuencia por este otro sistema. En todo caso, el cálculo del
alcance y la frecuencia usando el sistema de Time toma mucho más tiempo
que el que toma el sistema PMP, lo que lo hace inconveniente para evaluar
un gran número de programaciones distintas.
El sistema PMP ha sido probado por los planificadores de medios
de una de las mayores agencias de publicidad del país, con muy buenos
resultados. Muy pronto será adoptada por el Departamento de Medios como
una herramienta básica en la elaboración de planes de medios.

VI.- CONCLUSIONES

En este trabajo se ha discutido el diseño y algunos aspectos de la

implementación de un sistema de apoyo a la planificación de medios. Cabe
señalar, que la planificación de medios involucra varias etapas. Primero se
debe determinar el mix de los medios, es decir, cuanto invertir en cada uno de
los medios como televisión, prensa, radio, etc. Luego viene la programación
detallada de como invertir en cada uno de los medios. El sistema presentado
en este trabajo apoya esta segunda etapa, automatizando y haciendo más
expedito el cálculo de los indicadores más usados por los planificadores de
medios: el alcance y la frecuencia.
Creemos que todavía falta mucho por hacer para mejorar aún más
la gestión de la planificación de medios. Una dirección posible de
investigación es mejorar las formas de estimar los indicadores de la calidad
de los planes de medios. Otra dirección también interesante, es explorar la
forma de integrar de mejor forma las distintas fuentes de información que se
manejan en una agencia de publicidad. En particular, la información referente
a los ratings, con la información requerida para la post-evaluación y con la
información que entregan los distintos medios, como la programación y las
tarifas.
Creemos que a las agencias de publicidad en Chile todavía pueden
avanzar mucho en el aprovechamiento de la información disponible y también
les falta incorporar los últimos avances tecnológicos en el área de la
informática.

AGRADECIMIENTOS

Este trabajo ha sido posible gracias a la gran ayuda de la Agencia

de Publicidad BBDO Chile, con la cuál existe un convenio de investigación.

15
 REFERENCIAS

1. AAKER, D. (1975) “ADMOD: An Advertising Decision Model”, Journal

of Marketing Research, Febrero, p. 37-45.
2. AGOSTINI, J. (1962) “Analysis of Magazine Accumulative Audience”,
Journal of Advertising Research, Diciembre, p. 24-27
3. BALACHANDRA, R. (1975) Media Selection and Advertising
Scheduling Strategy, Doctoral Dissertation, Columbia University, Nueva
York.
4. DELGADO, S. (1993) Planificador de Medios Publicitarios PMP:
Manual de Uso y Capacitación, Depto. Ingeniería de Sistemas,
Pontificia Universidad Católica de Chile.
5. ENGELMAN, F. (1965) “An Empirical Formula for Audience
Accumulation”, Journal of Advertising Research. Junio, p. 21-28.
6. GREENE, J. y STOCK, J. (1967) Advertising Reach and Frequency in
Magazines, Marketmath and Reader's Digest Association, Nueva York.
7. HEADEN, R., KLOMPMAKER, J. y TEEL, J. (1977) “Predicting
Audience Exposure to Spot TV Advertising Research”, Journal of
Marketing Research, Febrero, p. 1-9.
8. HOFMANS, P. (1966) “Measuring the Cumulative Net Coverage of Any
Combination of Media”, Journal of Advertising Research, Agosto, p.
269-78.
9. KRUGMAN, H. (1972) “Why Three Exposures May Be Enough”,
Journal of Advertising Research, Diciembre, p. 11-14.
10. LECKENBY, J. y KISHI, S. (1982) “How Media Directors View
Reach/Frequency Estimation”, Journal of Advertising Research, Junio-
Julio, p. 64-69.
11. LECKENBY, J. y RICE, M. (1985) “A Beta Binomial Network TV
Exposure Model Using Limited Data”, Journal of Advertising, 3, p. 25-
31.
12. LODISH, L. (1973) “Exposure Interactions Among Media Schedules”,
Journal of Advertising Research, Abril, p. 31-34.
13. METHERINGHAM, R. (1964) “Measuring the Net Cumulative Coverage
of a Print Campaign”, Journal of Advertising Research, Diciembre, p.
23-28.
14. PUBLIMARK (1992) “People Meter: La Revolución Anunciada”,
Publimark, No.46, p. 6-11.
15. RUST, R. (1986) Advertising Media Models, Lexington Books.
16. RUST, R., y LEONE, R. (1984) “The Mixed Media Dirichlet Multinomial
Distribution: A Model for Evaluating Television-Magazine Advertising
Schedules”, Journal of Marketing Research, Febrero, p. 89-99.
17. SISSORS, J. y GOODRICH, W. (1983) Media Planning Workbook,
Crain Books, Chicago.
18. SURMANEK, J. (1985) Media Planning, A Practical Guide, NTC
Business Books, Lincolnwood.

16