Esta sección tiene como objetivo ayudarte a entender las métricas clave utilizadas para evaluar el rendimiento y la precisión de tus modelos de Marketing Mix Modeling.
Al comprender estas métricas, puedes tomar decisiones informadas para optimizar tus estrategias de marketing. A continuación, proporcionamos explicaciones detalladas de cada estadística, lo que constituye buenos o malos resultados, y cómo interpretarlas para obtener conclusiones prácticas para tus esfuerzos de marketing.
R² (R-Cuadrado)
Qué significa
R² indica qué tan bien coinciden las predicciones del modelo con los datos reales. Representa la proporción de la varianza en la variable dependiente que es predecible a partir de las variables independientes.
Buenos vs. Malos Resultados
Un valor de R² cercano a 1 sugiere un buen ajuste, lo que significa que el modelo explica una alta proporción de la varianza. Un valor cercano a 0 indica un mal ajuste.
Interpretación y Decisiones
Un R² alto significa que tu modelo está capturando bien los patrones subyacentes. Un R² bajo podría indicar variables faltantes o que el modelo no es lo suficientemente complejo. Considera añadir más variables relevantes o probar diferentes tipos de modelos.
ExpVariance (Varianza Explicada)
Qué significa
Similar al R², mide la proporción de la varianza explicada por el modelo.
Buenos vs. Malos Resultados
Valores altos cercanos a 1 son buenos; valores cercanos a 0 no lo son.
Interpretación y Decisiones
Usa esto para corroborar los hallazgos de tu R². Si ambos son altos, tu modelo es fiable. Si no, revisa las variables de tu modelo.
MAPE (Error Medio Absoluto Porcentual)
Qué significa
MAPE muestra el error porcentual absoluto promedio entre los valores predichos y los reales.
Buenos vs. Malos Resultados
Valores bajos de MAPE indican una mejor precisión del modelo.
Interpretación y Decisiones
Un MAPE bajo (por ejemplo, por debajo del 10%) sugiere predicciones precisas, ayudándote a confiar en la salida del modelo para la toma de decisiones. Un MAPE alto indica que las predicciones del modelo pueden no ser fiables, lo que sugiere revisar la calidad de los datos o la elección del modelo.
MAE (Error Medio Absoluto)
Qué significa
MAE mide la magnitud promedio de los errores en un conjunto de predicciones, sin considerar su dirección.
Buenos vs. Malos Resultados
Valores bajos de MAE significan mejor precisión predictiva.
Interpretación y Decisiones
Un MAE bajo indica que tus predicciones están, en promedio, cerca de los valores reales. Valores altos de MAE sugieren la necesidad de refinar tu modelo para obtener mejor precisión.
Weighted MAPE (MAPE Ponderado)
Qué significa
Este es el MAPE ajustado para dar más peso a los errores en predicciones de mayor importancia.
Buenos vs. Malos Resultados
Valores bajos indican mejor rendimiento, particularmente en áreas clave.
Interpretación y Decisiones
Usa esto para centrarte en mejorar la precisión del modelo en las predicciones más críticas. Un MAPE ponderado alto podría sugerir reevaluar las variables de alto impacto.
MSE (Error Cuadrático Medio)
Qué significa
MSE mide la diferencia cuadrada promedio entre los valores predichos y los reales.
Buenos vs. Malos Resultados
Valores bajos de MSE indican mejor rendimiento del modelo.
Interpretación y Decisiones
Un MSE bajo sugiere buena precisión predictiva. Un MSE alto indica grandes errores en las predicciones, lo que sugiere revisar las suposiciones del modelo y el preprocesamiento de datos.
MedianAE (Error Medio Absoluto Mediano)
Qué significa
MedianAE es la mediana de los errores absolutos entre los valores predichos y los reales.
Buenos vs. Malos Resultados
Valores bajos de MedianAE indican mejor rendimiento del modelo.
Interpretación y Decisiones
Usa esta métrica para entender la magnitud típica de los errores. Un MedianAE alto podría sugerir que el modelo necesita ajustes para mejorar la precisión típica de las predicciones.
MaxError (Error Máximo)
Qué significa
MaxError indica el mayor error individual en las predicciones.
Buenos vs. Malos Resultados
Valores bajos de MaxError son mejores, ya que muestran menos errores extremos en las predicciones.
Interpretación y Decisiones
Aunque te centres en la precisión general del modelo, presta atención al MaxError para asegurarte de que no haya valores atípicos significativos que puedan impactar la toma de decisiones.
100-Weighted MAPE (MAPE Ponderado 100)
Qué significa
Esta es otra forma de MAPE ponderado escalado por un factor de 100.
Buenos vs. Malos Resultados
Valores bajos indican mejor precisión.
Interpretación y Decisiones
Similar al MAPE ponderado, pero escalado para una interpretación más fácil. Úsalo para evaluar la precisión en áreas críticas de tu modelo.
Root Mean Squared Error (RMSE)
Qué significa
RMSE es la raíz cuadrada de la diferencia cuadrada promedio entre los valores predichos y los reales.
Buenos vs. Malos Resultados
Valores bajos de RMSE indican mejor rendimiento del modelo.
Interpretación y Decisiones
Un RMSE bajo sugiere alta precisión y fiabilidad en las predicciones. Valores altos de RMSE indican que las predicciones del modelo están lejos de los valores reales, lo que requiere una mayor refinación del modelo.
Estas explicaciones deberían ayudarte a entender la importancia de cada métrica en la evaluación de tu modelo de Marketing Mix, identificar áreas de mejora y tomar decisiones informadas basadas en el rendimiento de tu modelo.