/ marketing

Matémáticas y marketing

Aplicar las matemáticas a una estrategia de marketing no es fácil

ni sencillo. la mayoría de las veces salimos airosos con modelos
explicativos de las series de ventas, pero ni mucho menos esto es
suficiente y, además, también frecuentemente, la falta de un
esquema global y completo lleva a conclusiones erróneas.

Reducción de capacidad de influencia de las marcas
Supongamos que un director de marketing nos llama y nos
solicita que implementemos las matemáticas en todos los pro-
cesos de su departamento , ¿por dónde empezaríamos? En
primer lugar, antes incluso de buscar datos , hay que desarro-
llar un diagrama donde podamos ver todas las relaciones que
hay internas y externas en el departamento de marketing . Las
matemáticas son un lenguaje , otro lenguaje y, cuando uno
quiere implementarlas en una empresa, se trata sencillamen-
te de traducir la historia de esa empresa a números y relacio-
nes. Si no nos involucramos en conocer y entender cómo es
podríamos llegar a conclusiones inútiles. En la fig .1 vemos un
ejemplo de un diagrama muy sencillo.
Una vez construido el diagrama , será fácil comenzar a colec-
cionar información , pues detrás de cada uno de los responsa-
bles habrá un montón de fuentes de datos que cada cual
maneje. Por ejemplo, el product manager puede centrarse en
las ventas de Nielsen para manejar sus datos de negocio,
mientras que el director comercial puede hacerlo, sin embar-
go, en las ventas internas ¿De qué servirá un modelo explica-
tivo de las ventas de Nielsen a la hora de querer convencer al
equipo comercial de algo si ni siquiera estamos hablando del
dato que ellos manejan? Ésta es la razón por la que se debe
comenzar entendiendo la estructura del departamento y las
relaciones entre los diferentes agentes.
Datos y más datos, pero datos buenos

Nunca son demasiados los datos. Cada colección de cifras

nos estará dando una información y no podemos desestimar
ninguna . Ahora bien , el dato tiene que ser bueno . Nadie
maneja datos falsos , pero sí datos malos o erróneamente
entendidos. Pongamos un ejemplo sencillo. Imaginemos que
vamos a hacer un modelo de predicción de ventas con las 4
P's y poco más diciendo que: la distribución (placement) , el
precio (price) , el producto (product) y la publicidad (promo-
tían) . Normalmente las compañías que se dedican a hacer
modelos explicativos de las ventas, digamos de un producto
determinado (Producto A), tomarán como una de las variables
explicativas la distribución de dicho producto, que más o
menos viene a ser el % de metros cuadrados del total univer-
so donde se está vendiendo ese producto ¿Es esto correcto?
A priori todo el mundo diría que sí, pero no necesariamente .
e
cv Un producto puede tener una dístribución ponderada del 98%
e y sin embargo tener formatos que no lleguen a una pondera-
'o da del 60% . En tal caso, si tomamos como variable explicati-
'0 va la distribución ponderada total (98%) no estaremos siendo
"'oe>
~ • i& m nQ 107
 Matemáticas y marketing

Macarena Estévez
Socio consultor de Conento

No es necesario conocer las fórmulas

exactas, pero sí el razonamiento teórico
que hay detrás del modelo

justos, pues el modelo dará como resultado que ya no se además que prohibirlo. Los investigadores deberían presentar
puede crecer más en ventas a partir de crece r en distribución siempre a los clientes el esquema científico del proceso, que
y hemos visto que por formato sí había opción de crecimien- no es sino el razonamiento teórico que ha acompañado la
to. Hay que ser muy cuidadosos con los datos . modelización , incluyendo dicho razonamiento todas las expre-
siones matemáticas.
¿Cómo saber si un dato es bueno o no? Sobre todo debe
existir una primera fase de reflexión y análisis. En matemáti- Vamos a ver un ejemplo sencillo y obvio. Me atrevería a ase-
cas ha de venir primero el pensamiento y luego el lenguaje. gurar que el 100% de las empresas que venden modelos
Así, el investigador tiene que pensar primero cómo debería explicativos de las ventas llegan a soluciones basadas en
ser ese dato que va a tratar, cuá l es su origen, cómo se cons- modelos aditivos del tipo siguiente:
truye, entre qué valores se mueve, cuando no es así por Ventas = /30+ /31x Distribución + /32x Precio + /3, x Publicidad + ...
qué ... un sinfín de análisis que hay que hacer antes de
comenzar a tratarlo . Ahora bien , un modelo como el de arriba aplicado a un pro-
ducto de venta en tiendas no sería teóricamente válido, pues-
Además, regresando al diagrama de relaciones de marketing, to que si la distribución ponderada fuese =0 la ecuación segui-
es prácticamente imposible explicar las ventas de un produc- ría aportando ventas, y esto obviamente no sucedería en la
to con una sola ecuación. Las ventas de un producto depen- realidad .
den de otras variables y esto nos va a llevar a manejar un sis-
tema de ecuaciones en lugar de una ecuación única ¿O es De la misma forma, relaciones entre el precio y las ventas o
que si una marca crece en distribución ponderada pensamos entre el precio y la publicidad son no lineales y rara vez se ven
que esto no va a afectar a la distribución ponderada de sus este tipo de formulaciones en la práctica .
competidores , y viceversa? Las tiendas no son infinitas, ni su
tamaño.
VI VI
Por último, no todas las técnicas son aplicables a los mismos ~
datos . Cuántas veces nos enfrentamos a escenarios donde
c: c:'"
~ ~
se ha invertido en más de un medio a la vez y los modelos c: c:
econométricos no son capaces de discriminar cuánto aporta 'o" '"
B
cada medio. Son casos de variables que están muy correla- c: c:
cionadas entre sí y que incumplen una de las hipótesis de los
'"E '"E
modelos: la no-colinealidad. No hay que tirar la toalla sino '"ti '"ti
.s .s
esforzarse en pensar y buscar técnicas alternativas.
Preci o Pu blicidad

Marketing científico
Una vez que 1) conocemos el diagrama de las relaciones
internas y externas del departamento de marketing, 2) tene-
mos claramente definidas las distintas fuentes de información
que son importantes para cada uno de los responsables que
forman parte de dicho diagrama y 3) hemos recolectado todos
los datos y hecho el análisis pertinente para su validación,
debemos comenzar a 4) poner ciencia al proceso ¿Y qué sig-
nifica esto? ¿Ponerse a correr regresiones como locos en
SAS o en SPSS? iiiNo!!! No solo hay que huir de eso, habría
Por eso, conocer el esquema científico del proceso por parte
de los responsables de marketing será muy importante .
Cualquiera puede conseguir ajustes del 95% introduciendo
variables de cualquier tipo en un modelo. Cuidado.
Además, el dato , y posteriormente la inferencia que obtenga-
mos de él, debe servir a efectos de que sea el dato que dia a
día se maneja . Por ejemplo, las compañias proveedoras de
datos de ventas al consumidor suelen aportar datos de pro-
mociones por % de ventas o % de distribución , desagregados

i&m junio '10 .,

 Las matemáticas son un lenguaje,
otro lenguaje y, cuando uno quiere
implementarlas en una empresa,
se trata sencillamente de traducir
la historia de esa empresa
a números y relaciones Las relaciones entre el precio
y las ventas o entre el precio y la
publicidad son no lineales y rara
vez se ve este tipo de
formulaciones en la práctica

por tipo de promoción , que son muy distintos de los esque-
mas promocionales que manejan los jefes de producto .
Mientras un jefe de producto habla más a nivel "oferta de un
3x2 en Carrefour a lo largo de dos semanas", el dato de la
fuente vendrá posiblemente como "Exposición Especial" (si
casi seguro el producto se pone esas dos semanas en cabe-
ceras). Muchas veces he presentado resultados de las pro-
mociones a partir del dato de la fuente y observo que a los
jefes de producto no les convence.
Otras cuestiones importantes
Utilizar las matemáticas como herramienta de marketing no
puede ser algo ocasional, sino que debe ser parte del proce-
so habitual de la empresa . La tecnología es clave en este
punto, pues sólo aportando herramientas que los jefes de pro-
ducto puedan manejar en su día a día , conseguiremos que la
implementación se lleve a cabo (ver ejemplo en la imagen).
Como decíamos más arriba , no es necesario conocer las fór-
mulas exactas, pero sí el razonamiento teórico que hay detrás
del modelo, y una herramienta de implementación puede faci-
litar este conocimiento.

Son tantos los matices que cuesta sintetizarlos en un artículo. La ciencia está al alcan-
ce de todos, pero dos
Merece una mención , sin ~ son las claves de su
duda , los resulta- ~ éxito: 1) el correcto uso
dos a nivel regio- de la misma en base a
nal/local y, en gene- \ ,..... . -___ .. la construcción sobre
ral , la desagrega- .~., un principio teórico
ción de los datos . cierto y 2) la sencilla
Cuanto más desagre- implementación en
gado esté siempre todos los niveles de
será mejor y más con- la compañía , con
veni ente explicar la ayuda de la tecno-
totalidad como suma de logía . •
desagregados que
explicarla directamente.
Vamos a entenderlo
mejor con un ejemplo.

Si analizamos el mercado
de la cerveza en España, o
las ventas de cualquiera de
sus marcas, a nivel nacional ,
la temperatura entrará seguro como variable explicativa , pero
posiblemente las precipitaciones no. Sin embargo, si bajamos a
Utilizar las matemáticas
nivel regional, la lluvia entrará en los modelos restando ventas como herramienta de
¿Por qué sucede esto? ¿Cuál es la verdad? En España, aun-
que las temperaturas por regiones son distintas, cuando en el marketing no puede ser
sur hace más calor por llegar el verano, también ocurre lo
mismo en el norte, aunque a niveles diferentes. La temperatura
algo ocasional, sino que
de una región es una variable proxi de la temperatura nacional debe ser parte del proceso
(aproxima su comportamiento), y sirve como una variable expli-
cativa de las ventas en España. Sin embargo, no ocurre lo
habitual de la empresa
e mismo con las precipitaciones. Puede llover en una región y no
<V hacerlo en otra. Las lluvias en cualquier región no aproximan las
e lluvias a nivel nacional y, por lo tanto, no suele entrar como
-o variable explicativa a nivel agregado. Pero, ojo, lo cierto es que
·0
fa la lluvia resta ventas en el mercado de cervezas.
O
>
e
<V
c::: • i& m nº 107