MMM vs encuestas post-compra: qué ve cada uno

La reunión financiera en una marca DTC donde alguien menciona MMM se ve igual en todas partes en 2026. Alguien acaba de ver un deck de agencia sobre media-mix modeling. Alguien más preguntó si se puede confiar en las respuestas de la encuesta post-compra. El responsable de crecimiento quiere saber si el equipo debe elegir una, comprar las dos o esperar a que el polvo de la medición se asiente.

No son la misma herramienta. No están respondiendo la misma pregunta. Y bien usadas, se cubren los puntos ciegos entre sí.

El media-mix modeling y las encuestas post-compra volvieron a tener protagonismo por el mismo motivo: la señal a nivel individual en la que el ecommerce se apoyó durante una década se está secando. Las cookies de terceros están siendo eliminadas en la mayoría de los navegadores, y las tasas de opt-in de App Tracking Transparency en iOS se mantienen cerca de un cuarto de los usuarios que reciben el prompt según la medición continua de Flurry. Reconstruir el journey de compra solo con píxeles se vuelve menos honesto cada trimestre.

Pero los dos métodos responden a esa presión de forma muy distinta. Uno modela el mercado entero de arriba hacia abajo. El otro le pregunta al cliente directamente. Entender la diferencia es lo que le permite a un equipo chico elegir uno, o combinarlos, sin quemar un trimestre.

Dos respuestas a dos preguntas distintas

El media-mix modeling responde: ¿cuántos ingresos incrementales generó cada canal el mes pasado, en agregado? Ajusta curvas estadísticas a inversión semanal o mensual, ventas y factores externos — estacionalidad, promociones, cambios de precio, distribución — y estima el retorno marginal de cada canal. El paquete open-source Robyn de Meta y Meridian de Google codifican este enfoque en librerías listas para producción bajo licencias permisivas.

Una encuesta post-compra responde una pregunta distinta: ¿cómo describe la persona que acaba de comprar dónde nos encontró? Muestra las palabras del cliente, en el momento de la compra, un comprador a la vez. No te va a decir cuánto lift incremental tuvo tu inversión en Meta la semana pasada. Sí te puede decir que una porción creciente de compradores hoy menciona TikTok aunque tu presupuesto pago en TikTok esté estable — señal adelantada de que tu canal pago se está apoyando en un alcance orgánico que no presupuestaste.

Son dos ventanas distintas hacia la misma compra.

Qué puede ver el media-mix modeling

MMM tiene fortalezas reales que los datos de encuesta nunca van a igualar.

• Lift agregado por canal. El objetivo de MMM es separar impacto incremental de demanda base, incluso para canales sin señal a nivel de usuario (podcast, TV lineal, OOH, Reddit orgánico, catálogo).
• Rendimientos decrecientes y saturación. Los MMM bayesianos modernos como Meridian modelan curvas de adstock y saturación para que el próximo dólar en cada canal se pueda comparar honestamente con el próximo dólar en cualquier otro canal.
• Planeación de escenarios. Una vez ajustado, el modelo permite mover presupuesto en papel y ver el impacto estimado — algo que ninguna encuesta puede producir.

Los costos también son reales. Un MMM útil necesita al menos un año de datos de inversión estables, granularidad semanal, variación significativa en esa inversión, y alguien capaz de leer un posterior bayesiano sin avergonzarse. La propia guía de mejores prácticas de MMM de Nielsen advierte que un modelo construido solo con variables de marketing — sin promociones, clima, macroeconomía ni distribución — sobreestimó el crecimiento de ventas en 47% y el ROI publicitario en 68% en la propia revisión multi-marca de Nielsen. Construir un MMM que no sea confiadamente incorrecto exige paciencia que la mayoría de los equipos chicos no tiene.

Qué pueden ver las encuestas post-compra

Una encuesta post-compra bien colocada cambia rigor estadístico por algo que MMM estructuralmente no puede entregar: la explicación del cliente en sus propias palabras, capturada cuando todavía está fresca.

• El canal que el cliente le atribuye, en sus propias palabras. Un comprador que responde "vi un TikTok" te está diciendo algo que la curva de ROI de TikTok en MMM nunca va a capturar — que TikTok influyó en la decisión aunque el último clic haya venido de una búsqueda de marca en Google.
• Canales nuevos y dark social. Cuando "un amigo" o "un podcast" empieza a aparecer en las respuestas de la encuesta antes de aparecer en tu planilla de inversión, ya tienes un indicador adelantado que ningún modelo agregado puede producir.
• Velocidad. Una encuesta produce señal útil en semanas — a veces en días en tiendas de alto volumen — mucho antes de que un modelo tenga suficiente variación de inversión para converger.

Los puntos ciegos son la imagen espejo. Las encuestas no conocen lift incremental. No corrigen por demanda base. No pueden decir si el último dólar en Meta se pagó a sí mismo. Y la memoria auto-reportada tiene límites reales: los compradores sobre-atribuyen a canales de marca que pueden recordar (Google, TikTok, "un amigo") y sub-atribuyen los que no pueden (un display específico, una secuencia de remarketing de medio funnel). Revisiones académicas neutrales sobre atribución auto-reportada han documentado estos sesgos durante décadas — la encuesta te cuenta la historia del comprador, no la verdad absoluta.

MMM responde "¿este presupuesto valió la pena?". La encuesta responde "¿por qué apareció este cliente?". Ningún negocio serio se maneja con una sola de las dos preguntas.

Dónde no coinciden — y por qué justamente ahí está el valor

Los casos interesantes empiezan cuando los dos métodos no coinciden.

Imagina una marca hipotética de suplementos que corre ambos. Su MMM dice que Meta aportó el 34% del ingreso incremental del último trimestre. Su encuesta post-compra dice que solo el 18% de los compradores menciona Meta. Esa brecha no es un bug de ningún método. Le está diciendo al equipo que Meta está haciendo mucho del trabajo asistido — mostrando el producto, alimentando búsquedas de marca, poblando remarketing — mientras que la memoria consciente del cliente se queda con el canal que cerró la última milla (normalmente un resultado de búsqueda o una recomendación).

El patrón inverso es igual de común. El MMM de la misma marca muestra un lift incremental modesto de la inversión en influencers, pero las respuestas de la encuesta se llenan de nombres de creadores. Esa brecha sugiere que los influencers están haciendo más construcción de marca de la que el modelo puede atribuir, sobre todo si el contenido de los creadores sigue vivo meses después del post pagado.

La discrepancia es el hallazgo. Si los dos números coincidieran perfectamente, una de las dos herramientas sería redundante. Lo que quieres es la triangulación: un modelo que te diga el agregado, una encuesta que te diga el "porqué", y el estómago para sentarte a mirar donde chocan.

Un punto de partida realista para marcas chicas y medianas

La mayoría de las marcas por debajo de unos $20M USD en ingresos no debería construir un MMM primero. El volumen de datos, la estabilidad de inversión y el tiempo de analista que exige un buen modelo casi siempre están mejor invertidos en un programa de encuestas y disciplina limpia de UTMs — y solo después, ya con esa base, en modelar por encima.

Una secuencia pragmática:

1. Agrega una encuesta post-compra en la confirmación de pedido y empieza a recolectar una sola pregunta de atribución limpia, sin opciones sugeridas piped. Nuestra guía completa de atribución por canal con encuestas cubre la mecánica.
2. Reconcilia las respuestas de la encuesta contra tu píxel y UTMs. Las tres fuentes rara vez coinciden, y las discrepancias son donde vive el aprendizaje real — el flujo está en Reconcilia encuesta, píxel y UTM.
3. Cuando tengas doce meses de datos de inversión y resultados limpios, considera correr un MMM open-source como Robyn o Meridian como chequeo periódico de realidad, no como dashboard en tiempo real.

Nota lo que hace esta secuencia. Pone la señal más rápida y barata en producción primero — la respuesta del propio cliente — y reserva la maquinaria estadística pesada para el punto en el que se puede usar con honestidad. Los dos métodos dejan de competir y empiezan a informarse mutuamente: MMM mide el agregado; la encuesta explica el "porqué", comprador por comprador.

¿Listo para agregar la capa más rápida a tu stack? Las encuestas post-compra no necesitan un equipo de datos, una librería de modelado, ni un trimestre de setup — necesitan un checkout que funcione y una pregunta bien escrita.

Empieza una prueba gratis en rauxdata.com/signup y ten una pregunta de atribución activa en tu checkout esta semana.