Aprende a seleccionar los mejores priors para tu modelo bayesiano de Marketing Mix en Morpheus. Descubre qué controla cada hiperparámetro y cómo ajustarlos según tu conocimiento de marketing.
Introducción
Al construir un modelo de Marketing Mix (MMM) en Morpheus, uno de los pasos más importantes es configurar correctamente los priors, también llamados hiperparámetros. Estos valores definen cómo se comporta el modelo antes de ver los datos reales, y pueden marcar una gran diferencia, especialmente si tienes pocos datos o mucho ruido.
En este artículo te explicamos en lenguaje claro:
-
Qué son los priors,
-
Qué controla cada hiperparámetro en Morpheus,
-
Y cómo ajustarlos en función de tu experiencia como marketer.
¿Qué son los priors en Marketing Mix Modeling?
En un modelo bayesiano (como el que usa Morpheus), los priors representan nuestras expectativas antes de analizar los datos. Por ejemplo:
-
Si crees que la TV suele tener un efecto pequeño y retrasado, puedes usar un prior que refleje eso.
-
Si no estás seguro sobre un parámetro, puedes dejarlo "abierto" usando un prior neutral o poco informativo.
Piensa en los priors como guías iniciales para el modelo. Cuanto más claro tengas algo, más fuerte puede ser esa guía.
Priors por defecto en Morpheus: explicados
Aquí te explicamos de forma simple qué hace cada hiperparámetro por defecto en Morpheus:
| Hiperparámetro | Qué controla | Prior por defecto | Qué significa para marketers |
|---|---|---|---|
| intercept | Nivel base de ventas sin medios ni tendencia | Normal(0.2, 2) | Ventas base estimadas; amplio rango para dejar que los datos decidan |
| saturation_beta | Qué tan rápido se saturan los canales | HalfNormal | Asegura que la curva se “doble” (rendimientos decrecientes); no puede ser negativo |
| saturation_lam | Qué tan pronunciada es la curva de saturación | Gamma(3, 1) | Saturación moderada; valores altos = saturación más rápida |
| gamma_control | Efecto de variables de control (precio, clima...) | Laplace(2, 0.2) | Se espera que tengan influencia fuerte pero puntual |
| gamma_fourier | Fuerza de la estacionalidad | Normal(0, 0.3) | Se permite cierta estacionalidad pero no excesiva |
| likelihood | Ruido o incertidumbre en los datos observados | Normal | Asume que el error se distribuye normalmente alrededor de lo esperado |
| adstock_alpha | Persistencia del efecto publicitario en el tiempo | Beta(2, 2) | Supone efecto persistente, pero no demasiado largo ni corto |
| peak_effect_delay | Retraso hasta que el medio genera máximo impacto | Beta(1, 4) | Se asume que el impacto llega rápido (primeros días) |
| coef_trend | Tendencia de largo plazo | Normal(0, 1.5) | Permite tendencias suaves (positivas o negativas) |
Cómo ajustar los priors según tu experiencia de marketing
1. Usa tu experiencia en campañas
Si ya tienes experiencia previa:
-
La TV suele tener efecto retardado → aumenta el delay o adstock.
-
Las campañas en redes sociales tienen impacto inmediato pero se saturan rápido → ajusta saturation_lam para que sea más alta.
Puedes modificar estos priors en Morpheus para que reflejen lo que tú ya sabes.
2. Empieza con lo básico y luego ajusta
Si no estás seguro sobre un parámetro:
-
Deja el prior por defecto.
-
Corre el modelo y analiza los resultados.
-
Luego ajusta un prior a la vez y observa cómo cambia el modelo.
Esto es útil para hacer análisis de sensibilidad, que te ayuda a confirmar que el modelo es estable y no depende demasiado de una sola suposición.
3. Evita usar priors demasiado cerrados
No intentes forzar al modelo a confirmar tus creencias usando priors extremadamente estrechos. Por ejemplo:
-
Un Normal(0.2, 0.01) le dice al modelo: “Estoy 100% seguro de que las ventas base son 0.2” — lo cual puede ser riesgoso.
-
En cambio, usa algo como Normal(0.2, 2) para decir: “Creo que es 0.2, pero estoy abierto a que varíe bastante.”
4. Prueba qué pasa cuando cambias los priors
Una buena práctica en MMM es hacer pruebas:
-
¿Qué pasa si aumentas la varianza de un prior?
-
¿Cambia mucho el ROI de un canal?
-
Si sí, tu modelo podría ser muy sensible y necesitar más datos o priors más informativos.
Errores comunes y cómo evitarlos
| Problema | Qué está pasando | Qué hacer |
|---|---|---|
| El modelo cambia demasiado | Priors muy fuertes o muy débiles | Usa priors más moderados |
| Resultados inestables o raros | El modelo no se guía bien por los datos | Usa priors más informativos o simplifica el modelo |
| Canales sin efecto | Priors muy restrictivos | Afloja el prior (aumenta la desviación estándar) |
| Ignora variables de control | El prior las considera irrelevantes | Usa un prior más neutral o con más amplitud (Laplace(0,1)) |
Hiperparámetros que se autoajustan con nuevos datos
Una de las funcionalidades más potentes que llegará próximamente a Morpheus es la posibilidad de que tu modelo ajuste automáticamente los hiperparámetros a medida que se incorporan nuevos datos.
Actualmente, cada vez que reentrenas un modelo con datos nuevos, debes revisar o volver a definir los priors manualmente. Pero en el futuro cercano, Morpheus permitirá el aprendizaje incremental, lo que significa:
-
Entrenas tu modelo una vez con los priors iniciales.
-
A medida que agregas nuevos datos (por ejemplo, resultados mensuales), Morpheus ajustará los priors en función de lo que ya ha aprendido.
-
Esto genera un proceso de modelado más inteligente y adaptable, sin necesidad de empezar desde cero.
Por qué es importante:
-
Ahorra tiempo en análisis MMM recurrentes.
-
Construye insights más sólidos a largo plazo, ya que el modelo “aprende” de las campañas pasadas.
-
Reduce el riesgo de sobreajuste en datasets pequeños, ya que se conserva y mejora el conocimiento previo.
Resumen
Elegir priors en Morpheus no requiere ser científico de datos—pero sí requiere aplicar tu intuición como marketer. Pregúntate:
-
¿Qué sé sobre el comportamiento de este canal?
-
¿Quiero que el modelo tenga libertad o quiero guiarlo más?
-
¿Estoy probando cómo mis supuestos afectan el resultado?
Al entender qué controla cada hiperparámetro y cómo se relaciona con la realidad del marketing, podrás afinar tus modelos para obtener insights más claros y confiables.