¿Es posible construir un MMM sin datos de sellout?

Una premisa que usa la mayoría de los MMM

Casi todos los casos de Marketing Mix Modeling parten de una premisa: la empresa ve la venta al consumidor final. Los retailers, e-commerces, bancos y apps la ven. Una parte enorme de la economía, no: las industrias B2B2C, que fabrican el producto, lo venden a distribuidores y cadenas minoristas, y solo entonces el producto llega al consumidor o al profesional que decide la compra.

Piensa en un fabricante de tubos y conexiones, de pinturas, de cemento o de mortero. Invierte millones en medios para construir marca ante el consumidor y el instalador, pero el dato de ventas que aparece en el ERP es el sell-in, la facturación al canal. El sellout, la venta de la tienda a quien de hecho usa el producto, ocurre en un territorio que la industria no controla y que, en la mayoría de las categorías, ni siquiera puede comprar en forma de dato.

De ahí la pregunta que escuchamos con frecuencia de los gestores de marketing de estas industrias: sin sellout, ¿se puede hacer MMM? Se puede. Antes, sin embargo, hay que entender por qué el sell-in es un dato traicionero, qué recomienda la literatura y cómo el diseño del modelo compensa la ausencia de la venta final.

Por qué no basta con "comprar el sellout"

En supermercados, farmacias y perfumerías existe toda una industria de paneles de sellout: Scanntech, NIQ y similares capturan el ticket en la caja y venden series de mercado. Esa infraestructura, sin embargo, no cubre todas las categorías. El retail brasileño de materiales de construcción tiene cerca de 330 mil puntos de venta pulverizados, de los cuales los home centers son una fracción pequeña, y ningún jugador armó un panel sindicado para la categoría. Scanntech cubre supermercados, mayoristas, farma y perfumería; materiales de construcción, no. GfK-NIQ atiende "home improvement" solo en nichos como herramientas eléctricas.

Lo que existe de pago, como Mtrix (hoy NielsenIQ) e Implanta IT, mide el sellout del distribuidor al punto de venta y los inventarios, pero solo de los productos del propio contratante, en los canales integrados. Es un dato valioso para quien ya lo contrata, pero no es un panel de mercado: falta share auditado y no está disponible de fábrica. Para muchas industrias, la serie mensual de sellout de la categoría simplemente no existe a ningún precio.

Qué dice la literatura sobre modelar con sell-in

Lo primero que la literatura deja claro es el motivo de tanta desconfianza. El paper seminal de Lee, Padmanabhan y Whang (1997) sobre el efecto látigo (bullwhip) demostró que la varianza de los pedidos hechos al fabricante es sistemáticamente mayor que la varianza de las ventas al consumidor, y que la distorsión crece a medida que se sube en la cadena. Las causas son conocidas: pedidos por lotes, racionamiento en períodos de escasez, lectura sesgada de las señales de demanda y, sobre todo, promociones comerciales que hacen que el canal compre cuando el precio está bueno, y no cuando el consumidor está comprando.

Hanssens (1998) llevó esa discusión al terreno del marketing al modelar los pedidos de fábrica de un fabricante de bienes durables junto con las ventas minoristas y el mix de marketing. Mostró que un alza del 10% en la demanda del consumidor podía convertirse en oscilaciones del 40% en los pedidos a la fábrica, y también un punto práctico que explica por qué existe este artículo: en la jerarquía de costo de los datos, los pedidos (sell-in) son los más baratos y fáciles de obtener, y por eso tantos fabricantes solo tienen ese dato. Su contribución fue justamente usar econometría para separar, dentro de la serie de pedidos, qué es movimiento de corto plazo del canal y qué es tendencia de demanda real.

En Brasil, Bessani y Bajay (2022) documentaron el caso de la industria de defensivos agrícolas, un mercado B2B2C clásico. En el período analizado, el 37% del volumen anual tuvo sell-in por debajo del sellout, evidencia de que mirar solo la venta al canal "puede enmascarar la demanda real". El trabajo describe la solución práctica: recolectar inventarios de los distribuidores y reconstruir el sellout mediante la identidad contable, en la que el sellout es el sell-in más el inventario inicial del canal menos el inventario final. Cuando la industria tiene una relación cercana con pocos distribuidores grandes, esa reconstrucción es perfectamente viable y transforma un dato sesgado en una serie mucho más cercana a la demanda.

Cuidados prácticos

Si el sell-in va a ser la variable respuesta, tres fenómenos deben entrar en el diseño del modelo, porque todos crean picos y valles que no tienen nada que ver con los medios.

El primero es el trade loading. Cerca del cierre de trimestre, el equipo comercial empuja volumen hacia el canal para cumplir la meta, inflando el sell-in en el período y abriendo un valle justo después. Ese patrón refleja el calendario fiscal y los incentivos de ventas, no la demanda.

El segundo es el forward buying. Como mostraron Desai, Koenigsberg y Purohit (2010), los minoristas compran más de lo necesario cuando hay promoción de trade. Buena parte del pico de sell-in durante una acción comercial es anticipación de compra futura, no venta incremental.

El tercero es el desfase. OMP documenta que el tiempo entre la señal de sellout y su reflejo en el sell-in puede llegar a meses, porque el canal primero quema inventario. La campaña genera demanda hoy y el pedido a la fábrica llega dos o tres meses después.

En la práctica, esto significa incluir la promoción comercial, las metas y las fechas de cierre como controles explícitos en el modelo, trabajar con ventanas de carryover más largas de las que se usarían con sellout (la metodología bayesiana de adstock de Jin et al., de Google, fue hecha para acomodar desfases de este tipo) y, siempre que sea posible, recolectar inventario de canal de los principales distribuidores para reconstruir la demanda, como hicieron Bessani y Bajay.

Los frameworks modernos no exigen ingresos de sellout

Un temor común es que las herramientas de MMM "exijan" datos de venta final. No los exigen. La documentación de Google Meridian define el KPI como la variable respuesta del modelo y acepta explícitamente un KPI genérico no monetario, con un factor de conversión para traducir el resultado en ROI. La guía oficial de Meta Robyn afirma que la variable dependiente más común es la venta, pero cita aperturas de cuenta para bancos y sign-ups para telecom como alternativas legítimas. PyMC-Marketing formula el objetivo del modelo como "ventas, adquisición de nuevos clientes o cualquier otro KPI". La práctica del mercado lo confirma: Measured publica casos reales con pedidos incrementales, suscripciones y lift de tienda física, Adjust corre MMM para apps con instalaciones y compras in-app, y Merkle recomienda, para B2B sin visibilidad de la venta final, usar leads como proxy direccional con valoración posterior. Un sell-in tratado, o un sellout reconstruido, es un KPI tan válido para esos frameworks como cualquiera de esos ejemplos.

Las proxies públicas que sostienen el modelo en Brasil

El segundo pilar del diseño es anclar el modelo en series públicas de demanda, que ayudan a separar qué es mercado y qué es medios. Para materiales de construcción, Brasil ofrece algunas cosas interesantes. La PMC del IBGE trae ingresos y volumen del retail de materiales de construcción, mensualmente, desde 2000, y es la mejor proxy pública de sellout del canal. El SNIC publica el consumo aparente de cemento por región, termómetro clásico de la actividad de obra. El Índice Abramat acompaña la facturación deflactada de la industria del sector, y el Índice de Confianza de la Construcción de la FGV anticipa el ánimo de la cadena. Se suman el INCC como deflactor y el Termómetro Anamaco como lectura mensual del retail. Esas variables entran como controles de demanda y estacionalidad, y cumplen parte del papel que cumpliría el sellout: decirle al modelo cuándo el mercado entero subió o bajó, para que los medios no se lleven el crédito (ni la culpa) por el ciclo económico.

Entonces, ¿es posible?

Es posible, y hay precedente académico y práctico para cada pieza del diseño. Lo que no se puede es ignorar la naturaleza del dato: un MMM que trata el sell-in como si fuera venta al consumidor le atribuirá a los medios los picos del cierre de trimestre y las promociones trade, y se equivocará. En cambio, un modelo que reconoce el efecto látigo, controla los incentivos comerciales, alarga el carryover, reconstruye el sellout donde haya inventario de canal disponible y ancla todo en proxies públicas de demanda entrega lo que el CMO necesita: una lectura defendible de cuánto contribuye cada unidad invertida en medios a la demanda real, incluso sin ver la caja registradora. La falta de sellout cambia el diseño del modelo; no impide que exista.

Principales referencias

• Hanssens, D. M. (1998). Order Forecasts, Retail Sales, and the Marketing Mix for Consumer Durables. Journal of Forecasting, 17, 327-346.
• Lee, H. L.; Padmanabhan, V.; Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546-558.
• Bessani, A. N.; Bajay, M. M. (2022). "Sell-out" como ferramenta de planejamento de vendas na indústria de defensivos agrícolas. Quaestum, 3: e2675623.
• Desai, P.; Koenigsberg, O.; Purohit, D. (2010). Forward Buying by Retailers. Journal of Marketing Research, 47(1), 90-102.
• Srinivasan, S.; Pauwels, K.; Hanssens, D.; Dekimpe, M. (2004). Do Promotions Benefit Manufacturers, Retailers, or Both? Management Science, 50(5), 617-629.
• Jin, Y. et al. (2017). Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects. Google Research.
• Documentación oficial: Google Meridian (MMM Unified Schema), Meta Robyn (Analyst's Guide to MMM), PyMC-Marketing (Introduction to Media Mix Modeling).
• Series públicas: IBGE PMC (materiales de construcción), SNIC (consumo aparente de cemento), Índice Abramat, FGV (Índice de Confianza de la Construcción).