Kerzner International – Hostelería de Lujo

Optimizando la inversión
en medios con Google Meridian

“Queremos entender cómo cada dólar invertido en marketing genera ingresos, para poder planificar y asignar el presupuesto con total confianza”.

EL RETO

El equipo de marketing de Kerzner carecía de un método fiable para medir cómo la inversión en medios se traducía en ingresos a través de 11 mercados y un complejo mix de canales digitales.
La atribución se basaba en métricas aisladas de último clic (last-click) que no lograban separar los ingresos realmente impulsados por los medios de la demanda base que la marca habría obtenido de todos modos. Esto dificultaba la comparación justa entre canales, la justificación de los presupuestos y la planificación de la inversión de forma coherente y basada en datos.

DISCIPLINAS

Modelado Bayesiano, Machine Learning, Arquitectura Cloud, Visualización de Datos

NUESTRO ENFOQUE

Modelando la inversión para
tomar mejores decisiones

Uptimal propuso desarrollar un Marketing Mix Model (MMM) bayesiano sobre el entorno Meridian de Google. Para ello, se utilizaron los datos semanales de ingresos e inversión en medios de Kerzner, enriquecidos con la demanda de búsqueda, la estacionalidad y señales macroeconómicas, con el objetivo de aislar los ingresos incrementales que cada canal genera de manera real.

El pipeline se diseñó para ingerir automáticamente nuevos datos en cada ejecución, entrenar modelos probabilísticos en Vertex AI y mostrar los resultados a través de informes interactivos. Dado que los mercados difieren enormemente en escala y comportamiento, entrenamos un modelo Meridian dedicado para cada grupo de mercados, ajustando las priors de los canales, los controles, el efecto carryover y el muestreo a las dinámicas propias de cada mercado, en lugar de forzar un modelo único para todos. Cada modelo se validó mediante el marco de diagnóstico de Meridian, que incluye comprobaciones predictivas a posteriori, evaluaciones de credibilidad del ROI y validación de las contribuciones, garantizando recomendaciones estadísticamente robustas y económicamente plausibles.


  • Exploración de Datos

    Analizamos tres años de ingresos semanales e inversión en medios a través de 11 mercados, identificando la estacionalidad, el efecto carryover y los impulsores detrás de cada canal. La demanda de búsqueda, las ventanas vacacionales y de reserva anticipada, los tipos de cambio y las señales macroeconómicas se diseñaron como controles para dotar al modelo de un contexto mucho más rico.

  • Desarrollo del Modelo

    Construimos un MMM bayesiano flexible utilizando el framework Meridian de Google en Vertex AI y GCP, aplicando dinámicamente el modelo más adecuado a cada grupo de mercados. Los priors de ROI a nivel de canal, el efecto de arrastre y la saturación garantizaron la precisión y escalabilidad en toda la diversa cartera de Kerzner.

  • Visualización de Datos

    Desarrollamos informes interactivos que muestran el ajuste del modelo, la contribución por canal, el ROI, el ROI marginal y el coste por KPI incremental. Estas herramientas permiten a los responsables comparar canales, reasignar presupuestos y tomar decisiones basadas en la incrementalidad con total confianza.

“Trabajar con datos de varios
mercados permitió diseñar un sistema
de modelado adaptado a cada uno,
combinando machine learning bayesiano
y automatización cloud para aislar
ingresos incrementales y asegurar
escalabilidad”.

VAISHNAVI DEVENDRAN

Senior Data Scientist


RESULTADOS

¡Objetivos cumplidos!

La solución final proporcionó a Kerzner una visión automatizada y basada en la incrementalidad del rendimiento de marketing en todos sus mercados, transformando la asignación de presupuesto en un proceso claro, escalable y basado en datos. Más que un ejercicio puntual de medición, el framework funciona como una capacidad continua de soporte a la toma de decisiones: los escenarios de optimización con presupuesto fijo muestran cómo redistribuir la inversión actual entre canales para maximizar los ingresos incrementales, identificando los canales con margen para absorber más inversión y aquellos que se acercan a la saturación, donde el gasto adicional genera rendimientos decrecientes.


0,94


Ajuste del modelo (R cuadrado) a nivel geográfico, con 0,85 a nivel nacional



3,7x


el mayor retorno de inversión por canal, con 3,66 $ de ingresos por cada 1 $ invertido

11


mercados modelados a través de un único pipeline automatizado de MMM bayesiano


Ajuste del modelo (R cuadrado) a nivel geográfico, con 0,85 a nivel nacional

el mayor retorno de inversión por canal, con 3,66 $ de ingresos por cada 1 $ invertido

mercados modelados a través de un único pipeline automatizado de MMM bayesiano