Google Meridian y Meta Robyn son paquetes gratuitos y de código abierto de marketing mix modeling (MMM), pero encajan con equipos distintos. Meridian es el modelo bayesiano de Google en Python, pensado para datos a nivel geográfico y para calibrar con experimentos; la versión 2.2.0 salió el 5 de noviembre de 2026. Robyn es el paquete de R de Meta que ajusta regresiones ridge y las afina con una búsqueda evolutiva; su última versión en CRAN, la 3.12.1, es de julio de 2025.
Una herramienta de MMM alojada es un servicio de pago que ejecuta por ti un modelo como estos, con conectores de datos, una interfaz y soporte. La elección depende menos del algoritmo que de quién será el responsable del modelo: un científico de datos de Python, un analista de R o nadie en tu equipo.
Esta guía compara Meridian, Robyn y PyMC-Marketing, la tercera opción seria de código abierto, con cinco herramientas alojadas, incluida la nuestra. Cada dato de las herramientas se comprobó en las páginas del propio proyecto o proveedor en noviembre de 2026. Para saber qué es el MMM y cómo funciona, empieza por nuestra guía de marketing mix modeling.
Puntos Clave
- Google Meridian es un MMM bayesiano de código abierto en Python bajo Apache 2.0. Está disponible de forma general desde el 29 de enero de 2025 y alcanzó la versión 2.2.0 el 5 de noviembre de 2026.
- Meta Robyn es un MMM de código abierto en R bajo la licencia MIT. Usa regresión ridge con la búsqueda evolutiva de hiperparámetros de Nevergrad y devuelve un conjunto de modelos candidatos óptimos de Pareto, según su documentación.
- La última versión etiquetada de Robyn en GitHub es la v3.12.0 de diciembre de 2024, y su README sigue calificando el paquete de «experimental». Meridian y PyMC-Marketing publicaron versiones en noviembre de 2026.
- La documentación de Meridian de Google recomienda al menos dos años de datos semanales para modelos geográficos y tres años para los nacionales.
- Los paquetes son gratis; el costo son las personas y el cómputo. El README de Meridian recomienda al menos una GPU, y la documentación de Robyn recomienda al menos 2.000 iteraciones y 5 pruebas por ejecución.
- Las herramientas alojadas cambian control por rapidez. A noviembre de 2026, los precios publicados van de 500 € al mes (Cassandra Starter) a 8.500 $ al mes (Sellforte Enterprise), y varios proveedores no publican precios.
Meridian, Robyn y PyMC-Marketing comparados
Los tres paquetes de MMM de código abierto se diferencian sobre todo en método y lenguaje. Meridian y PyMC-Marketing son bibliotecas bayesianas de Python que devuelven la incertidumbre completa y admiten modelos a nivel geográfico. Robyn es un paquete de R basado en regresión ridge que ofrece un primer modelo rápido y automatizado a nivel nacional. Los tres pueden tomar resultados de experimentos e incluyen un optimizador de presupuesto.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Mantenedor | Meta Marketing Science | PyMC Labs | |
| Lenguaje | Python (el README indica de 3.11 a 3.13) | R, más una API de Python en beta que requiere R | Python (3.12 o superior) |
| Licencia | Apache 2.0 | MIT | Apache 2.0 |
| Método | Inferencia causal bayesiana con priors | Regresión ridge, búsqueda evolutiva de hiperparámetros con Nevergrad, Prophet para tendencia y estacionalidad | Bayesiano (PyMC) |
| Qué devuelve | Distribuciones posteriores, intervalos de credibilidad | Un conjunto de modelos candidatos óptimos de Pareto, agrupados; eliges uno | Distribuciones posteriores |
| Modelo geográfico | Sí, y recomendado | Sin modelo geográfico jerárquico | Sí, jerárquico |
| Alcance y frecuencia | Sí | Calibrador de curvas en beta; el asignador es un prototipo | No figura en su página de comparación |
| Calibración con experimentos | Sí, experimentos como priors de ROI | Sí, tests de incrementalidad y geográficos como objetivo (MAPE.LIFT) | Sí, calibración con tests de incrementalidad |
| Optimizador de presupuesto | Sí, más planificación de escenarios | Sí, respuesta máxima u objetivo de ROAS/CPA | Sí |
| Última versión (nov. 2026) | 2.2.0, 5 de noviembre de 2026 | v3.12.0 en GitHub (dic. 2024), 3.12.1 en CRAN (jul. 2025) | 1.4.0, 9 de noviembre de 2026 |
| Ideal para | Equipos de Python con datos geográficos y tests de incrementalidad | Equipos de R que quieren una primera lectura nacional rápida | Equipos de Python que necesitan un modelo personalizado |
Fuentes: el README de Meridian y su documentación, el README de Robyn y su documentación de funciones, y la propia página de comparación de PyMC-Marketing, consultados el 17 de noviembre de 2026.

Google Meridian
Google Meridian es un modelo bayesiano de marketing mix de código abierto que estima el efecto causal de cada canal de medios sobre un KPI como las ventas. Funciona en Python, rinde mejor con datos a nivel geográfico, acepta entradas de alcance y frecuencia y resultados de tests de incrementalidad como priors, e incluye optimización de presupuesto. Es gratis y necesita un científico de datos para ejecutarlo.
Meridian sucede a la anterior biblioteca LightweightMMM de Google, y el README enlaza una guía de migración. Google lo puso a disposición de todos el 29 de enero de 2025, con un programa de socios de «más de 20 socios de medición formados y certificados en Meridian».
Lo que lo distingue:
- Priors y experimentos. Puedes codificar lo que ya sabes como priors. La documentación de Google llama a los experimentos de incrementalidad
«quizá la mejor base» para un prior de ROI, y un
CalibrationBuilderayuda a traducirlos. - Modelado a nivel geográfico. Google recomienda recopilar los datos por región; un modelo nacional es la alternativa cuando no hay datos geográficos.
- Alcance y frecuencia. Para los canales de vídeo, Meridian puede modelar el alcance y la frecuencia, no solo las impresiones.
- La demanda de búsqueda como control. La introducción sugiere usar Google Query Volume como control del interés orgánico por la marca.
- Herramientas de planificación. Google añadió el 19 de febrero de 2026 un Scenario Planner sin código para probar escenarios de presupuesto, y la MMM Data Platform aporta datos de medios de Google (impresiones, clics, costo).
Lo que te exige: Python, conocimientos de modelado bayesiano para fijar priors y leer diagnósticos de convergencia, y hardware. El README dice que Meridian se probó en una GPU T4 con 16 GB de RAM y recomienda al menos una GPU. La exigencia de datos también es alta: al menos dos años de datos semanales para modelos geográficos y tres para los nacionales.
Una salvedad honesta: Google vende anuncios y construyó el modelo que los mide. El código es abierto, así que puedes inspeccionar cada supuesto, que es la principal salvaguarda.
Meta Robyn
Meta Robyn es un paquete de marketing mix modeling semiautomatizado y de código abierto en R, de Meta Marketing Science. Ajusta regresiones ridge, busca hiperparámetros de adstock y saturación con el algoritmo evolutivo de Nevergrad y devuelve un conjunto de modelos óptimos de Pareto en lugar de una sola respuesta. Encaja con anunciantes digitales de respuesta directa con datos semanales a nivel nacional.
La documentación de funciones de Robyn describe la mecánica:
- Búsqueda de modelos. Regresión ridge (L2), afinada con TwoPointsDE de Nevergrad. Prophet descompone la tendencia, la estacionalidad y los festivos.
- Tres objetivos. Cada candidato se puntúa por error de predicción (NRMSE), un error de plausibilidad de negocio (DECOMP.RSSD) y, si tienes experimentos, un error de calibración (MAPE.LIFT). El agrupamiento k-means reúne candidatos similares para que puedas elegir.
- Calibración. Los experimentos de Conversion Lift y los geográficos sirven para orientar el modelo hacia resultados causales.
- Asignador de presupuesto. Dos modos: respuesta máxima para un presupuesto dado, o una eficiencia objetivo como ROAS o CPA.
- Alcance y frecuencia. Un calibrador de curvas para datos de alcance y frecuencia está en beta; el asignador de alcance y frecuencia es «un prototipo y todavía no está disponible».
Lo que te exige: R, además de la biblioteca de Python Nevergrad, y paciencia con el cómputo. La documentación recomienda al menos 2.000 iteraciones y 5 pruebas. La guía del analista de Robyn pide al menos dos años de datos semanales y unas 10 observaciones por variable. Existe una API de Python (beta), pero es un envoltorio que requiere tener instalado el paquete de R.
La cuestión del estado importa. El README de Robyn sigue describiéndolo como un paquete «experimental». La última versión etiquetada en GitHub es la v3.12.0 de diciembre de 2024, y la última de CRAN es la 3.12.1 de julio de 2025. Eso no significa que esté roto, pero un equipo que empiece hoy debe sopesar las actualizaciones más lentas frente a Meridian y PyMC-Marketing, que publicaron versiones en noviembre de 2026.
PyMC-Marketing
PyMC-Marketing es una biblioteca de Python de código abierto de PyMC Labs para modelos bayesianos de marketing mix y de valor del tiempo de vida del cliente. Es la más flexible de las tres: su documentación enumera modelos geográficos jerárquicos, calibración con tests de incrementalidad, un optimizador de presupuesto, interceptos y coeficientes que varían en el tiempo, priors personalizados y términos de modelo personalizados.
El repositorio de PyMC-Marketing tiene licencia Apache 2.0, y la versión 1.4.0 se publicó el 9 de noviembre de 2026. Su página de comparación recomienda Robyn para equipos de R que quieren un enfoque más simple, Meridian para una API más simple con vínculos con el ecosistema de Google y PyMC-Marketing para la máxima flexibilidad.
La misma página informa de un muestreo más rápido y un error menor que Meridian en un benchmark que ejecutó el propio PyMC Labs. Tómalo como una afirmación del fabricante: no hemos encontrado que se haya replicado de forma independiente. Elige PyMC-Marketing cuando tu equipo escriba Python, conozca el modelado bayesiano y necesite una estructura de modelo que las otras dos no ofrecen.
¿Cuál es más preciso?
No hemos encontrado ningún benchmark independiente y directo de Meridian, Robyn y PyMC-Marketing con los mismos datos reales. La única comparación publicada por un fabricante es la del propio PyMC Labs. La precisión depende más de tus datos, tus priors y tu validación que del paquete.
Así que prueba cualquier modelo de la misma manera, elijas el que elijas:
- Ajuste con datos retenidos. Entrena con la mayoría de tus semanas y comprueba qué tan bien predice el modelo las semanas que no vio.
- Plausibilidad. Las contribuciones y el ROI de los canales deben estar en un rango creíble. Un modelo que atribuye a la búsqueda de marca la mayoría de tus ventas suele no haber separado la demanda existente del gasto.
- Experimentos. Ejecuta un test de incrementalidad o de control geográfico en tu canal más grande y compara. Nuestro artículo sobre si Google Ads aumenta el tráfico orgánico explica un diseño de test de pausa.
- Estabilidad. Reajusta con semanas nuevas o con otros priors. Las estimaciones que oscilan mucho no están listas para decisiones de presupuesto.
Herramientas de MMM alojadas
Una herramienta alojada de marketing mix modeling ejecuta el modelo por ti: conecta tus fuentes de datos, ajusta y actualiza el modelo, y muestra contribuciones y escenarios de presupuesto en una interfaz. Pagas una suscripción y renuncias a parte del control sobre el modelo. Las herramientas siguientes se comprobaron en sus propios sitios web; los datos y precios son de noviembre de 2026.
| Herramienta | Modelo, según el proveedor | Experimentos | Quién lo ejecuta | Precio publicado |
|---|---|---|---|---|
| Recast | MMM bayesiano propietario | Tests GeoLift que alimentan el MMM | El equipo de Recast o un socio Operator certificado | Ninguno en su sitio |
| Sellforte | «MMM bayesiano causal siempre activo» con ROAS incremental diario por campaña y conjunto de anuncios | Geo Lift, Conversion Lift y tests A/B | Plataforma del proveedor con un gestor de éxito del cliente | De 1.900 $ a 8.500 $ al mes; Full-Funnel MMM 4.500 $, con 300.000 $ de gasto medio mensual en medios |
| Haus | Experimentos de incrementalidad más un «Causal MMM» | El producto principal | Estrategas de medición y científicos de datos, según el nivel | No publicado; Causal MMM está en los niveles Plus y Enterprise |
| Cassandra | MMM más tests de incrementalidad, usado mediante un asistente de IA en Slack, Teams o Google Chat | Producto de tests de incrementalidad | De autoservicio a niveles gestionados | Starter 500 € al mes con hasta 1 M€ de gasto anual en anuncios; autoservicio desde 3.000 € |
| AmICited (el nuestro) | Google Meridian, ejecutado y alojado | Sin entrada de tests de incrementalidad | Autoservicio en la aplicación o mediante herramientas MCP | Planes Premium y Enterprise, más un cargo por el paquete de modelo; consulta los precios |
Las respuestas de IA a esta pregunta también nombran a Measured, Lifesight, Mutinex y Analytic Partners. No verificamos a esos proveedores para este artículo, así que no están en la tabla.
Antes de firmar con cualquier proveedor alojado, pregunta tres cosas. ¿El modelo es propio o es un Meridian o Robyn gestionado? ¿Puedes exportar los datos y los resultados del modelo si te vas? ¿Cómo valida el modelo frente a los tests de incrementalidad?
Dónde encaja AmICited
AmICited es nuestro producto, así que lee esta sección con eso en mente. Su Media Marketing Mix (MMM) ajusta un modelo bayesiano con Google Meridian y lo aloja: eliges en la aplicación un resultado (ingresos o pedidos de la tienda, compras de GA4 o cualquier conversión de GA4) y los canales, y el modelo informa de la contribución de cada canal con intervalos de credibilidad del 90%, curvas de respuesta de 0× a 3× del gasto, un mejor reparto del presupuesto actual y diagnósticos de convergencia. El gasto y las impresiones vienen de las cinco plataformas de anuncios de nuestras integraciones de anuncios, más costos personalizados para los canales offline.
Lo que lo diferencia de un MMM alojado genérico: un modo de pago a orgánico que fija como resultado los clics de Search Console, los clics de Bing o las sesiones orgánicas de GA4 y estima si la búsqueda de pago suma o resta a tu tráfico orgánico. Podrías construir lo mismo tú mismo en Meridian o PyMC-Marketing usando los clics orgánicos como KPI; AmICited lo empaqueta.
Sus límites, dichos con claridad:
- Restricción de plan y costo. Solo en los planes Premium y Enterprise. Un cargo recurrente por el paquete de modelo empieza con la primera ejecución de entrenamiento confirmada, y las comprobaciones de preparación y el entrenamiento usan créditos medidos.
- Historial. Un modelo estándar necesita 164 semanas completas (156 semanas de resultado más un retardo de arrastre de 8 semanas). Un modo de historial limitado empieza en 24 semanas, pero no puede aprender de forma fiable la estacionalidad anual y sus recomendaciones se etiquetan como solo orientativas. Google Ads conserva unos 13 meses de historial, así que la mayoría de las cuentas nuevas empiezan en modo de historial limitado.
- Ingresos, no ganancia. El ROI son ingresos por unidad de gasto. Para retornos que tengan en cuenta el margen, usa el ROAS real de ganancias o nuestra explicación del ROAS real.
- Más limitado que Meridian en bruto. La aplicación modela una serie semanal para todo el sitio o la tienda. A noviembre de 2026 no ofrece un modelo a nivel geográfico, entradas de alcance y frecuencia ni una entrada de calibración con tests de incrementalidad.
¿Cuál deberías elegir?
Elige según quién será el responsable del modelo y qué datos tienes, no según qué empresa construyó el código. Los paquetes de código abierto encajan con equipos que tienen un analista capaz de preparar datos, fijar priors y validar resultados. Las herramientas alojadas encajan con equipos sin esa persona, a cambio de un costo mensual. Con menos de dos años de datos semanales limpios, arregla primero los datos o haz antes un test.
| Tu situación | Mejor opción | Por qué |
|---|---|---|
| Científico de datos de Python, datos de ventas regionales, tests de incrementalidad previstos | Google Meridian | Modelo bayesiano a nivel geográfico, experimentos como priors, desarrollo activo |
| Analista de R, datos semanales nacionales, necesitas una primera lectura rápida | Meta Robyn | Búsqueda automatizada de hiperparámetros y un asignador de presupuesto listo; revisa su ritmo de versiones más lento |
| Equipo de Python que necesita efectos variables en el tiempo o términos de modelo personalizados | PyMC-Marketing | La más flexible de las tres, y la más exigente |
| Nadie que se haga cargo de un modelo; ecommerce con ventas offline o en marketplaces | Un proveedor alojado como Sellforte, Recast o Haus | Conectores de datos, actualizaciones y soporte incluidos |
| Quieres Meridian sin código; datos de tienda o GA4 y cuentas de anuncios ya conectados | AmICited | Meridian alojado, más un modo de pago a orgánico; solo modelo semanal a nivel de cuenta |
| Necesitas saber si Google Ads cambia los clics de búsqueda orgánica | Un modelo de pago a orgánico | Fija los clics orgánicos como resultado, en AmICited o en tu propia versión de Meridian |
| Menos de dos años de datos semanales limpios | Arregla primero los datos, o haz un test con grupo de control | Cualquier MMM depende de sus priors cuando el historial es corto |
| Presupuesto pequeño, uno o dos canales | Olvida el MMM por ahora | Un test de pausa o geográfico responde la pregunta de forma más barata |
Qué necesitas para ejecutarlo
Cada opción necesita la misma materia prima: datos semanales de resultados (ventas, conversiones o clics orgánicos), gasto e impresiones semanales por canal y controles como promociones, precios y estacionalidad. Lo que cambia es quién hace el trabajo y cuántas habilidades y cuánto cómputo requiere.
| Requisito | Meridian | Robyn | PyMC-Marketing | Herramienta alojada |
|---|---|---|---|---|
| Habilidades | Python, modelado bayesiano | R, regresión, juicio para evaluar modelos candidatos | Python, modelado bayesiano | Analista de marketing para revisar los resultados |
| Cómputo | GPU recomendada | CPU; 2.000+ iteraciones × 5 pruebas | CPU o GPU | El del proveedor |
| Preparación de datos | Construyes el conjunto de datos | Construyes el conjunto de datos | Construyes el conjunto de datos | Conectores, según el proveedor |
| Variación del gasto | Necesaria en cada canal | Necesaria en cada canal | Necesaria en cada canal | Necesaria en cada canal |
La última fila es la que la gente pasa por alto. Un modelo solo puede aprender el efecto de un canal si el gasto de ese canal se movió realmente con el tiempo. Un canal que gastó la misma cantidad cada semana durante dos años no da casi nada de lo que aprender a ningún MMM, ni de código abierto ni alojado.
Código abierto vs alojado
El MMM de código abierto no cuesta licencia y mantiene tus datos en tu propio entorno, pero pagas tiempo de analista, cómputo y mantenimiento. El MMM alojado cuesta una suscripción e implica compartir datos de ventas y gasto con un proveedor, a cambio de conectores, actualizaciones y soporte. La disyuntiva es personas y control frente a dinero y rapidez.
En seguridad, el código abierto gana por defecto: nada sale de tu infraestructura. Con un proveedor alojado, pide sus certificaciones de seguridad (Recast, por ejemplo, afirma cumplir SOC 2), dónde se almacenan los datos y si puedes eliminarlos.
¿Vale la pena el MMM alojado con un presupuesto pequeño? Normalmente no como primer paso. Si gastas en uno o dos canales, un test con grupo de control en el mayor te dirá más por menos. El MMM compensa cuando gastas en varios canales y necesitas repartir el presupuesto entre ellos.
Cómo empezar
- Escribe la decisión. «¿Deberíamos mover presupuesto de Meta a Google Ads?» necesita un modelo de ventas. «¿La búsqueda de marca canibaliza los clics orgánicos?» necesita uno de pago a orgánico.
- Audita tu historial. Cuenta las semanas completas de resultados y gasto por canal. Con menos de dos años, planifica un modelo limitado o un test antes.
- Comprueba la variación del gasto. Lista los canales cuyo gasto apenas se movió; agrúpalos o déjalos fuera.
- Elige al responsable. Un científico de datos de Python apunta a Meridian o PyMC-Marketing, un analista de R a Robyn, nadie a una herramienta alojada como el MMM de AmICited.
- Valida antes de actuar. Comprueba el ajuste con datos retenidos y la plausibilidad, y ejecuta un test de incrementalidad en tu canal más grande.
- Compara con los números de las plataformas. Contrasta las estimaciones del modelo con lo que informan las plataformas de anuncios; nuestro informe de atribución de Meta muestra cuánto se desvían las compras que afirman las plataformas de los pedidos reales.
- Reajusta con un calendario. Reajusta a medida que lleguen semanas nuevas y trata un gran cambio entre versiones como una advertencia, no como una nueva verdad.
La conclusión
Meridian, Robyn y PyMC-Marketing son motores de MMM creíbles y gratuitos, y las diferencias de método importan menos que el equipo que los ejecuta. Elige Meridian para equipos de Python con datos geográficos, Robyn para equipos de R que quieren un modelo nacional rápido y aceptan actualizaciones más lentas, PyMC-Marketing cuando necesitas un modelo personalizado y una herramienta alojada cuando nadie puede hacerse cargo del trabajo. Elijas lo que elijas, un MMM da estimaciones con incertidumbre, no pruebas, así que contrástalo con un experimento antes de mover presupuesto real.

