Marginia
MarginiaPrice & Campaign Intelligence
Metodología

Un ROI honesto empieza por saber de dónde viene el volumen.

Marginia no reporta el uplift bruto de una promoción: lo descompone, descuenta lo que no es incremental y estima una curva de respuesta para saber dónde el descuento deja de comprar volumen.

Origen del volumen

De dónde viene realmente el volumen incremental.

02040+38%Uplift observadolo que se reporta hoy−9 ptsCanibalizaciónotros SKU del portafolio−6 ptsPull-forwardcompra adelantada+23%Incremental netolo que sirve para el ROI

Cifras ilustrativas.

El ROI calculado sobre el uplift observado sobreestima el retorno.

En el ejemplo, el ROI calculado sobre +38% es un 65% más alto que el real. Con esa cifra se aprueban promociones que destruyen margen.

Las cuatro fuentes del uplift

  • Canibalización — Volumen que se movió desde otro SKU propio.
  • Pull-forward — Compra adelantada. Se paga el mes siguiente.
  • Switching de competencia — Volumen ganado al mercado.
  • Expansión de categoría — Consumo nuevo. El mejor.

ROI promocional = margen incremental neto / inversión promocional. Es un número más bajo y más honesto que el habitual. Es el único que sirve para decidir.

Elasticidad

Elasticidad no es un número: es una curva con un punto de saturación.

Umbral de activaciónbajo esto, el consumidor no reaccionaPunto de saturaciónMargen regaladoProfundidad de descuento →Volumen incremental →

Curva ilustrativa. Se estima por SKU, cliente, canal y mecánica.

La zona roja es dinero que ya se está regalando.

Recortar la profundidad hasta el punto de saturación mantiene el volumen y libera margen de inmediato. Es la primera fuente de ahorro que aparece en todo proyecto de pricing y promociones.

Qué estimamos

  • Elasticidad de precio propia — Efecto del precio regular.
  • Elasticidad promocional por mecánica — Un −20% no equivale a un 2x1 ni a una exhibición.
  • Umbral y saturación — Por SKU, cliente y canal.
  • Elasticidad cruzada — Matriz de canibalización entre formatos y variantes del mismo portafolio.

¿Por qué un modelo jerárquico?

Un SKU nuevo o un cliente pequeño no tiene historia para estimar su propia elasticidad. El modelo la toma prestada de su categoría y la corrige a medida que llegan datos, en vez de dar un número sin sustento o negarse a darlo.

Cómo confiar en el número

Econometría causal + machine learning.

La econometría explica por qué: elasticidades interpretables que el negocio puede discutir. El ML precisa cuánto. Juntos dan un número que además se puede defender.

Base vs. incremental

Baseline contrafactual con inferencia causal (diferencias en diferencias y control sintético).

Elasticidades

Log-log jerárquico: propia, promocional y cruzada.

Origen del volumen

Canibalización, pull-forward, switching y expansión de categoría.

Predicción

Gradient boosting sobre variables causales, con re-entrenamiento periódico.

Optimización

Máximo margen incremental sujeto a presupuesto y restricciones de negocio.

Validación

Backtesting out-of-time, bandas de confianza y test & learn con grupo de control.

WhatsApp