¿Qué acciones realiza un usuario después de interactuar con un anuncio? Este es uno de los grandes retos de los especialistas en marketing. Además de la modelización de conversiones, existen otros modelos de machine learning que pueden ayudarte a completar esa información. Descúbrelos en este artículo.
Las marcas y los anunciantes necesitan saber qué anuncios se han mostrado a un cliente, qué campañas han conseguido los mejores resultados y qué puntos de contacto han sido determinantes para conseguir conversiones.
Sin embargo, comprender las acciones que realizan los usuarios después de interactuar con un anuncio supone un gran desafío, ya que la información de la que disponen los profesionales del marketing puede estar incompleta. Por ejemplo, los clientes pueden adquirir productos a través de varios navegadores y dispositivos, o investigar sobre ellos online y luego comprarlos en una tienda física. También puede que vean varios anuncios, pero que solo uno de ellos genere una conversión.
Las empresas aún necesitan tomar decisiones basadas en datos y enfocarse en mejorar el recorrido del cliente. Es ahí donde entran en juego los modelos de machine learning.
Estamos observando cambios en el comportamiento de compra provocados por una pandemia que no ha terminado. Al mismo tiempo, la actitud de las personas hacia la privacidad digital exige cambios en la forma en que los especialistas en marketing han medido sus esfuerzos publicitarios hasta el momento.
Aun así, las empresas necesitan tomar decisiones basadas en datos y enfocarse en mejorar el recorrido del cliente. Es ahí donde entran en juego los modelos de aprendizaje automático. Como soporte para sus negocios, los especialistas en marketing confían cada vez más en estos modelos para completar la información cuando los datos sobre el consumidor no están disponibles.
Descubre cómo funcionan los modelos de machine learning
Los modelos de machine learning se generan analizando grandes cantidades de datos del historial, identificando correlaciones y tendencias entre datos clave, y usando esos insights para hacer predicciones precisas sobre el comportamiento de los consumidores.
Los profesionales del marketing llevan años usando el aprendizaje automático para modelar tasas de conversión cuando falta información sobre lo que ocurre entre la interacción con un anuncio y la conversión, como en el caso de transacciones offline derivadas de publicidad online. Pero estos modelos también pueden funcionar cuando otros tipos de datos que se suelen recoger ya no están disponibles. Por ejemplo, cuando los usuarios optan por no recibir cookies.
El año pasado presentamos el modo de consentimiento para los anunciantes que operan en el Espacio Económico Europeo y en el Reino Unido. Los especialistas en marketing pueden usarlo para actualizar automáticamente el comportamiento de las etiquetas de Google en función de las opciones de consentimiento de cookies elegidas por el usuario.
Si usamos el machine learning para identificar patrones en el comportamiento de los usuarios que dan su consentimiento, podemos utilizarlos para elaborar las rutas de atribución de los usuarios que no lo dan. Este año empezamos a ofrecer el modelo de conversiones mediante el modo de consentimiento, que permite a los anunciantes reconstruir los recorridos de los usuarios desde que hacen clic en un anuncio hasta que completan una conversión y, al mismo tiempo, respetar sus decisiones sobre privacidad.
Ve más allá de la modelización de conversiones
Sin embargo, la modelización de conversiones es solo una de las áreas en las que el aprendizaje automático puede llenar los vacíos cuando los datos observables no están disponibles. Veamos cuatro casos en los que los modelos de machine learning pueden ayudarnos a completar la información.
1. Modelos de comportamiento
¿Tu empresa está preparada para un mundo sin cookies? En caso de ser así, ¿estás notando alguna pérdida de datos en tus reportes?
Los modelos de comportamiento ofrecen a las empresas insights sobre las conversiones que las personas podrían realizar en un sitio web o en una aplicación después de no dar su consentimiento para el uso de cookies. Este método consiste en analizar la actividad de usuarios similares que han dado su consentimiento y, a partir de ella, crear un modelo de comportamiento de aquellos que no lo han hecho. Así, los anunciantes pueden vincular usuarios y sesiones para responder a preguntas como: "¿Cuántos usuarios nuevos he adquirido desde que puse en marcha la última campaña?".
La modelización de conversiones es solo una de las áreas en las que el machine learning puede llenar los vacíos cuando los datos observables no están disponibles.
2. Modelos de atribución
Puede que ya estés usando algún tipo de modelo de atribución para determinar cuáles son los puntos de contacto que producen más actividad de compra durante el recorrido del consumidor. Pero ¿buscas mejorar la rentabilidad de tu gasto en medios multicanal?
Si bien hay muchas formas de asignar un valor de conversión a cada punto de contacto de marketing, los modelos de atribución basados en datos ofrecen los resultados más precisos, ya que utilizan el machine learning para decidir cuán importante es cada uno.
Otros modelos pueden otorgar todo el valor al primero o al último anuncio en el que un usuario hizo clic. Sin embargo, los modelos de atribución basados en datos comparan las rutas de los clientes que realizan una conversión con las de los que no lo hacen. De ese modo, se identifican patrones entre las interacciones publicitarias que contribuyen a las conversiones.
3. Modelos del online al offline
¿Tus establecimientos están conectados con tus campañas publicitarias? ¿Cargaste datos de ventas propios para complementar la medición de los anuncios online que producen conversiones offline?
Los modelos del online al offline pueden atribuir compras o visitas presenciales a puntos de contacto publicitarios en línea. Antes, los anunciantes no podían saber si esos puntos producían ventas en la tienda, pero estos modelos pueden combinar señales de varias fuentes (como encuestas, búsquedas online de indicaciones para llegar a un sitio o llamadas a un establecimiento) con datos de ventas en tienda para estimar el rendimiento de campañas específicas.
Los modelos de atribución basados en datos comparan las rutas de los clientes que realizan una conversión con las de los que no lo hacen.
4. Modelo de alcance único
¿Qué importancia tienen tus métricas de alcance de audiencia en tus iniciativas empresariales y de marketing? ¿Hay algún segmento concreto al que logras llegar con éxito, o alguno que te gustaría mejorar?
El modelo de alcance único ayuda a los especialistas en marketing a determinar con qué frecuencia se muestra un anuncio a un grupo demográfico concreto y desde qué dispositivo. Es muy habitual que los usuarios utilicen varios dispositivos a lo largo del día, lo que vuelve más compleja la tarea de identificar si la visualización de un anuncio en un ordenador y en un dispositivo móvil corresponde a la misma persona o a dos diferentes.
Este modelo usa el machine learning para medir el alcance total de un anuncio teniendo en cuenta los casos en que las personas pueden verlo desde diferentes dispositivos, o bien cuando varias personas comparten el mismo dispositivo. Esta información puede ayudar a los anunciantes a identificar cuáles son los puntos de contacto más rentables para su presupuesto publicitario.
Empieza hoy mismo a preparar la medición para el futuro
Te recomendamos que revises los distintos tipos de modelos de datos disponibles y que hables con tu equipo para saber si ya están usando alguno o si hay oportunidades para explorar nuevos.
Ahora que nos adentramos en un mundo con menos cookies y otros identificadores, realizar mediciones precisas dependerá mucho del uso inteligente de los datos propios, de técnicas que respeten la privacidad (como la agregación de datos) y de modelos de aprendizaje automático. Los especialistas en marketing que pasen a la acción hoy mismo conseguirán el mejor rendimiento en sus campañas de marketing.
