Portfolio optimization:
asignación matemática
que maximiza
retorno total.
Cuando la intuición y los tests manuales no alcanzan, los modelos cuantitativos ayudan. Portfolio optimization usa datos históricos para encontrar la distribución que maximiza el retorno total bajo restricciones reales.
De la intuición al modelo: qué es portfolio optimization.
Portfolio optimization es el proceso de usar modelos cuantitativos para encontrar la distribución de presupuesto entre canales que maximiza un objetivo definido — revenue, margen, conversiones — dado un presupuesto total fijo y restricciones operativas reales.
El término viene de la teoría de portfolio de Markowitz (1952) en finanzas: dado un conjunto de activos con distintos retornos y riesgos, existe una distribución óptima que maximiza el retorno para un nivel de riesgo dado. En marketing, los "activos" son canales, el "retorno" es revenue incremental, y el "riesgo" es la incertidumbre sobre la curva de respuesta de cada canal.
A diferencia de la optimización manual — análisis de ROAS por canal + tests de hold-out — portfolio optimization modela las interdependencias entre canales, los efectos de saturación y los lags temporales de forma integrada. El resultado es una distribución prescriptiva: "invertí $X en Google, $Y en Meta, $Z en SEO para maximizar revenue total."
02 — MMMMarketing Mix Modeling: el modelo estándar de la industria.
Marketing Mix Modeling (MMM) es la técnica estadística más usada para portfolio optimization. Usa datos históricos de inversión por canal, resultados de negocio y variables externas (estacionalidad, competencia, factores macro) para estimar la contribución incremental de cada canal y su curva de respuesta al presupuesto.
El output de un MMM bien ejecutado incluye cuatro elementos fundamentales. Primero, la descomposición de contribución: qué porcentaje del revenue total es atribuible a cada canal, a la base orgánica, y a factores externos. Segundo, la curva de respuesta por canal: cómo el retorno varía con el nivel de inversión. Tercero, los efectos de carry-over: cuánto de la inversión de esta semana sigue generando impacto en las siguientes. Cuarto, las interdependencias cross-canal: cómo la inversión en un canal afecta el retorno de otros.
Con estos cuatro elementos, el modelo puede calcular la distribución óptima y simular escenarios: ¿qué pasa si aumento el presupuesto un 20%? ¿Qué pasa si corto Meta completamente? ¿Cuál es el presupuesto mínimo viable?
Al menos 2 años de datos semanales de inversión por canal y resultados de negocio. Con menos de 1 año, el modelo no puede separar estacionalidad del efecto real de cada canal. Cuantos más canales activos tengas, más datos necesitás — cada canal adicional agrega parámetros que el modelo necesita estimar. Sin suficientes datos, las estimaciones son inestables.
Curvas de respuesta: la forma que tiene el retorno de cada canal.
Cada canal tiene una curva de respuesta que describe la relación entre inversión y retorno incremental. La forma más común es la curva de saturación (logística o Hill): retorno creciente rápido al principio, luego desaceleración progresiva, luego plateau. Pero no todos los canales tienen la misma forma.
Curva plana con techo bajo
Demanda limitada por volumen de búsquedas de marca. Satura rápido. Retorno alto pero no escala — captura lo que hay y no más.
Curva logística clásica
Crece con keywords adicionales. Desacelera cuando se agotan queries relevantes de alta intención. Escalable hasta el techo de demanda de búsqueda.
Convexa con decay por fatiga
Alto retorno inicial. Desacelera con frecuencia creciente y fatiga creativa. Necesita renovación constante de creativos para mantener la curva.
Lag temporal + acumulación
Retorno diferido (3–12 meses). Cada pieza acumula tráfico. La curva sube lentamente pero no satura del mismo modo que paid.
Entender la forma de la curva de cada canal permite anticipar cuándo se va a saturar y cuánta capacidad tiene. Un canal con curva plana (brand search) se llena rápido. Un canal con curva convexa amplia (Meta prospecting) tiene más recorrido pero necesita renovación creativa. Un canal con lag temporal (SEO) parece ineficiente en ventanas cortas pero es el de mayor retorno acumulativo en 12+ meses.
04 — HerramientasHerramientas: Robyn, Meridian y alternativas.
| Herramienta | Tipo | Lenguaje | Costo | Para quién |
|---|---|---|---|---|
| Robyn (Meta) | MMM open-source | R | Gratis | Equipos con capacidad de R y 2+ años de datos |
| Meridian (Google) | MMM open-source | Python | Gratis | Equipos con Python y bayesian modeling |
| Analytic Partners / Nielsen | MMM consultora | N/A | $50K–$200K/año | Enterprise con presupuesto de consultora |
| Planilla + hold-outs | Método manual | Spreadsheet | Gratis | Cualquier equipo con 6+ meses de datos |
Para la mayoría de los negocios que no tienen equipo de data science dedicado, el método más práctico sigue siendo la combinación de análisis de ROAS por canal + tests de hold-out trimestrales + reasignación basada en eficiencia marginal. No es un MMM formal, pero captura el 80% del valor con el 20% del esfuerzo.
MMM formal tiene sentido cuando: invertís en muchos canales simultáneamente (5+), el presupuesto es significativo ($100K+/mes), necesitás justificar la distribución con rigor cuantitativo, o tenés interdependencias cross-canal que el análisis manual no captura.
05 — LimitacionesLimitaciones y sesgos: lo que los modelos no pueden hacer.
Garbage in, garbage out
Un MMM con datos de mala calidad produce recomendaciones de mala calidad con alta confianza aparente — lo cual es peor que no tener modelo. Si el tracking estaba roto durante 3 meses, o si la atribución cambió a mitad del período, el modelo incorpora esos datos defectuosos como verdad.
Correlación ≠ causalidad
MMM encuentra correlaciones entre inversión y resultados. Pero correlación no implica causalidad. Si siempre invertís más en Meta en diciembre y diciembre siempre vende más, el modelo puede atribuir a Meta un efecto que es estacionalidad pura. Los buenos modelos controlan por estacionalidad — pero ningún control es perfecto.
El pasado no predice cambios estructurales
Si Meta cambió su algoritmo con Andromeda en 2025, los datos de 2023–2024 reflejan un sistema que ya no existe. La solución: complementar MMM con incrementality tests periódicos que validen las estimaciones del modelo en el mundo actual.
Los modelos no capturan calidad creativa
Un MMM puede estimar cuánto retorno genera Meta Ads como canal, pero no distingue entre una creatividad excelente y una mediocre. La eficiencia real depende enormemente de la calidad del copy, el diseño y la oferta.
06 — Preguntas frecuentesPreguntas frecuentes.
¿Mi negocio necesita un MMM?
Si invertís menos de $50.000/mes en marketing total, probablemente no. El método manual (ROAS por canal + hold-outs trimestrales) captura la mayoría del valor. MMM tiene sentido cuando el presupuesto justifica la inversión en análisis sofisticado, cuando hay muchos canales interactuando, y cuando necesitás evidencia cuantitativa rigurosa para las decisiones.
¿MMM reemplaza los tests de incrementality?
No, se complementan. MMM estima contribución usando correlaciones históricas — es un modelo predictivo basado en el pasado. Incrementality tests miden causalidad mediante experimentos controlados — son evidencia directa del presente. Lo ideal es usar incrementality tests para calibrar y validar el MMM: si el modelo dice que Meta contribuye 30% del revenue y un lift test dice que es 22%, el modelo necesita ajuste.
¿Robyn o Meridian?
Si tu equipo trabaja en R: Robyn. Si trabaja en Python: Meridian. Ambos producen resultados comparables. Robyn tiene una comunidad más grande y más documentación práctica. Meridian es más reciente, usa inferencia bayesiana por defecto y tiene integración nativa con datos de Google Ads. Lo importante no es la herramienta sino la calidad de los datos que le alimentás.
Referencias y bibliografía.
Markowitz, H. (1952). "Portfolio Selection." Journal of Finance, 7(1), 77–91.
Chan, D. & Perry, M. (2017). "Challenges and Opportunities in Media Mix Modeling." Google Inc.
Jin, Y., Wang, Y., Sun, Y., Chan, D. & Koehler, J. (2017). "Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects." Google Inc.
Meta Open Source. (2022). Robyn: Automated Marketing Mix Modeling. GitHub.
Google. (2023). Meridian (ex Lightweight MMM). GitHub.
Rust, R. T., Lemon, K. N. & Zeithaml, V. A. (2004). "Return on Marketing." Journal of Marketing, 68(1), 109–127.
Términos del glosario