A medida que la publicidad online se vuelve más automatizada, los datos que se comparten a través de los algoritmos de machine learning se convierten en una de las ventajas competitivas más importantes en las estrategias de anuncios online. Estos datos funcionan como gasolina para el motor de las estrategias de pujas automáticas, y al igual que en el mundo del motor, la calidad de la gasolina importa.
Para aquellas campañas que , aparentemente no podrían dar mejores resultados debido a su excepcional optimización, sólo hay una manera de aumentar la rentabilidad de la inversión en publicidad online, mejorar la estrategias de puja a través de datos avanzados. La mejor manera de hacerlo es incluir señales generadas a través de modelos de machine learning que permitan a las estrategias de puja, como Google SmartBidding ,optimizar más allá de lo que se puede medir de forma online (formularios online, transacciones, etc.).
Para poder explotar al máximo la capacidad de estas herramientas es necesario incorporar señales como la probabilidad de venta en base a un formulario completado o el LifeTimeValue previsto de un nuevo cliente captado, de forma que podamos proporcionar una estimación del valor económico de cada una de estas señales predictivas a las estrategias de puja. Todo ello con el fin de que la herramienta pueda optimizar de manera automática el valor económico total conseguido. Gracias a la potencia de los algoritmos de machine learning empleados por las estrategias de puja, podremos encontrar más conversiones de alto valor económico.
Cómo mejorar tu estrategia de puja
A pesar de que cada empresa se enfrenta a una situación concreta, hay 3 consejos que pueden resultar útiles a la hora de mejorar las estrategias de puja de lass campañas de publicidad online:
- Ten en cuenta la calidad de los datos incorporados en las estrategias de puja. A mayor calidad, mayor rentabilidad. No es lo mismo utilizar los ingresos online como fuente de optimización que compartir los CLTV (Customer Lifetime Value) de los clientes captados. Esto no siempre resulta sencillo, por ejemplo, Carrefour, tenía como objetivo captar clientes con alta recurrencia a través de las campañas de Search Ads 360, pero la optimización tradicional a valor de transacción no permitía orientar sus campañas hacia la captación de clientes de alto CLTV. Finalmente, gracias a la utilización de un modelo ad-hoc de Machine Learning, lograron identificar los comportamientos de los consumidores online de alto valor a largo plazo. De esta manera lograron predecir cuáles serían los clientes de alto valor después de la primera compra y utilizaron esa señal como fuente de optimización de las herramientas de puja automática de Search Ads 360.
- Optimiza las ofertas mejor que los competidores. No te centres en la eficiencia a corto plazo, apuesta por maximizar la rentabilidad a largo plazo y enfócate en el crecimiento.
- Pronostica el futuro con mayor capacidad de acierto. Por ejemplo, no cometas el error de asumir que cada cliente potencial tiene el mismo valor económico, pronostica en base al CLTV, la probabilidad de realizar ventas cruzadas, etc…
La importancia de las señales de conversión
Este es uno de los puntos esenciales a la hora de implementar una estrategia de puja avanzada. Cuando hablamos de señales, nos referimos a una serie de atributos, eventos o valor identificables de un usuario o de su contexto que son compartidos con las estrategias de puja para obtener los resultados buscados.
Idealmente, para la medición se deberían tener en cuenta todos los pasos importantes de los primeros 7 días del recorrido del cliente. Por ejemplo, cuando un usuario solicitó información, cuando inició y terminó una solicitud, si respondió o no una llamada, si realizó la contratación... En muchos casos, la contratación sucede en un tiempo posterior a 7 días, por lo que deberíamos ampliar las señales online con señales obtenidas a través de modelos de Machine Learning que sirvan para predecir las acciones que suceden con posterioridad a 7 días y, que puedan incorporarse a las estrategias de puja como señales offline.
Este es el ejemplo de Verti, que incluyó en su estrategia de pujas todos los pasos previos a la contratación, así como la predicción de ventas de pólizas efectuada por un modelo de machine Learning justo después de que ocurra cada cotización. Gracias a ello, Verti transformó su negocio y fue capaz de utilizar dichos objetivos como señal para optimizar las estrategias de puja y , así, conseguir una mejora del coste por venta final.
Hacer coincidir los objetivos
El objetivo final de este tipo de mejoras es conseguir que los objetivos de marketing coincidan con los de negocio. He aquí la importancia de tener localizadas unas señales de conversión significativas que aporten valor real. En muchos casos este paso supone el punto diferencial para lograr una estrategia exitosa. Así fue el caso de Typeform que a la hora de optimizar sus campañas de Google Ads utilizó una combinación de señales fijas, junto a señales obtenidas de un modelo de machine learning ad-hoc que permitía segmentar los registros de sus usuarios de acuerdo a su valor. Todo ello les permitió implementar una estrategia de pujas basada en el valor de los usuarios adquiridos.
Cómo pronosticar mejor el valor económico
Obtener el valor económico más real posible de cada conversión es una de las partes más importantes de la estrategia. Este valor económico representa la mejor estimación de cuánto dinero generará cada conversión al negocio. Podrían ser las ganancias inmediatas, ganancias CLTV predichas, o ganancias basadas en un algoritmo de puntuación de clientes potenciales y un sinfín de opciones más que se pueden adaptar a cada caso particular.
Para conseguirlo existen tres pasos que pueden ayudar a pronosticar mejor el valor económico generado por Google Ads al adquirir nuevos clientes:
- Calcula el valor económico de los clientes existentes y utilízalos para entender qué variables son las más importantes a la hora de predecir el valor económico futuro.
- Antes de desarrollar un algoritmo complejo para pronosticar el valor económico, se debe comenzar con un algoritmo simple que sea fácil de ejecutar y que tenga un impacto importante asegurado.
- Una vez que el algoritmo simple comience a dar resultados, habría que crear un algoritmo de pronóstico del valor económico más sólido.
Aunque las estrategias de pujas automáticas llevan años existiendo, la gasolina que se incluye en forma de datos sobre las mismas hace que el rendimiento mejore de forma significativa. La incorporación de señales que permitan alinear los objetivos de la campaña con los objetivos estratégicos de negocio, hacen posible esta mejora en los resultados. En muchos casos, estas señales avanzadas se deben obtener a través de modelos ad-hoc de Machine Learning que permiten anticipar eventos futuros (ventas finales, CLTV, etc.). Es hora de mejorar las estrategias de pujas y conseguir maximizar los resultados de las campañas de publicidad online llevando las estrategias de puja automáticas al máximo nivel.
