Las marcas y los anunciantes necesitan saber qué anuncios se han mostrado a un cliente, qué campañas han tenido los mejores resultados y qué puntos de contacto han sido determinantes para conseguir conversiones.
No obstante, conocer las acciones que realizan los usuarios después de interactuar con un anuncio supone un gran reto, ya que la información de la que disponen los profesionales del marketing puede estar incompleta. Los clientes pueden ver productos en varios navegadores y dispositivos, o buscarlos por Internet y comprarlos luego en una tienda física. También puede que vean varios anuncios, pero que solo uno de ellos provoque acciones.
Las empresas siguen teniendo que fundamentar sus decisiones en datos y centrarse en mejorar el recorrido del cliente. Es ahí donde entran en juego los modelos de aprendizaje automático.
Y eso, siempre que se den condiciones favorables. Estamos observando cambios en el comportamiento de compra provocados por una pandemia que aún no se ha erradicado. Al mismo tiempo, la forma en la que los profesionales del marketing miden sus iniciativas publicitarias debe cambiar debido a las actitudes que tienen los usuarios respecto a la privacidad digital.
Con todo, las empresas siguen teniendo que fundamentar sus decisiones en datos y centrarse en mejorar el recorrido del cliente siempre que sea posible. Es ahí donde entran en juego los modelos de aprendizaje automático. Las empresas cada vez recurren más al aprendizaje automático para completar la información cuando no hay datos directos de consumidores.
Descubre cómo funcionan los modelos de aprendizaje automático
Los modelos de aprendizaje automático 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 modelizar tasas de conversión cuando falta información sobre lo que ocurre entre la interacción con un anuncio y la conversión; por ejemplo, en el caso de transacciones offline derivadas de publicidad online. Además, estos modelos también sirven cuando otros tipos de datos que se suelen recoger ya no están disponibles; por ejemplo, en los casos en que los usuarios no dan su consentimiento para usar cookies.
El año pasado implementamos en nuestros sistemas el modo de consentimiento, dirigido a anunciantes que operan en el Espacio Económico Europeo y en el Reino Unido. Los profesionales del marketing pueden usar este modo para que el comportamiento de las etiquetas de Google se ajuste automáticamente a las decisiones que toman los usuarios sobre si dar o no su consentimiento al uso de cookies. Si usamos el aprendizaje automático para identificar patrones en el comportamiento de los usuarios que dan su consentimiento, podemos usar estos patrones para elaborar las rutas de atribución de los usuarios que no lo dan. Este año empezamos a ofrecer la modelización de conversiones mediante el modo de consentimiento, lo 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
No obstante, la modelización de conversiones es solo una de las áreas en las que el aprendizaje automático puede servir para rellenar lagunas de datos observables. Veamos otros cuatro casos en los que los modelos de aprendizaje automático pueden ser de ayuda para completar la información.
Modelización del comportamiento
¿Está tu empresa preparada para un mundo sin cookies? En caso afirmativo, ¿faltan datos en las analíticas que registras?
La modelización del comportamiento ofrece a las empresas insights sobre otras acciones, aparte de las conversiones, que los usuarios podrían realizar en un sitio web o en una aplicación después de no dar su consentimiento para el uso de cookies de analíticas. 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. Esto permite a los anunciantes asociar usuarios y sesiones para dar respuesta a preguntas como: «¿Cuántos usuarios nuevos he adquirido desde que puse en marcha la última campaña?».
Modelización de la atribución
Puede que ya estés usando algún tipo de modelización de la atribución, un proceso al que los anunciantes recurren para determinar qué puntos de contacto en el recorrido del cliente producen más actividad de compra. No obstante, ¿te has planteado mejorar la rentabilidad de tu gasto en medios multicanal?
Aunque hay muchas formas de asignar un valor de conversión a cada punto de contacto de marketing, los modelos de atribución basada en datos ofrecen los resultados más precisos. Así, estos modelos usan el aprendizaje automático para determinar lo importante que es cada punto de contacto respecto a una conversión. Otros modelos pueden atribuir todo el valor al primer o al último anuncio en el que un usuario hizo clic. Sin embargo, los modelos de atribución basada en datos comparan las rutas de los clientes que completan una conversión con las rutas de los clientes que no lo hacen. Así, se identifican patrones entre las interacciones con anuncios que contribuyen a las conversiones.
Modelización del valor offline de los anuncios online
¿Hay alguna conexión entre tus establecimientos y tus campañas publicitarias? ¿Has subido datos de ventas propios para complementar la medición de los anuncios online que producen conversiones offline?
La modelización del valor offline de los anuncios online puede atribuir compras o visitas presenciales a puntos de contacto publicitarios online. Antes, los anunciantes no podían saber si los puntos de contacto online producían ventas en tienda. Ahora, la modelización del valor offline de los anuncios online puede combinar señales de varias fuentes (como encuestas, búsquedas online de indicaciones para llegar a un sitio o llamadas a un establecimiento) y datos de ventas en tienda para estimar el efecto de campañas de marketing específicas.
Modelización de la cobertura de usuarios únicos
¿Qué importancia tienen tus métricas de cobertura de audiencia en tus iniciativas empresariales y de marketing? ¿Hay algún segmento concreto al que logras llegar con éxito? ¿Hay algún segmento que te gustaría mejorar?
La modelización de la cobertura de usuarios únicos ayuda a los profesionales del marketing a determinar con qué frecuencia se muestra un anuncio a un grupo demográfico concreto y en qué dispositivo. Es muy habitual que los usuarios utilicen varios dispositivos a lo largo del día. Esto provoca que a los profesionales del marketing les cueste identificar si la visualización de un anuncio en un ordenador y en un dispositivo móvil corresponde a la misma persona o a dos diferentes. Para medir la cobertura total de un anuncio, los modelos de cobertura de usuarios únicos aplican el aprendizaje automático y contabilizan los casos en los que un usuario puede ver el mismo anuncio en distintos dispositivos, o en los que varios usuarios comparten un 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 consultes los distintos tipos de modelos de datos que hay, y que hables con tu equipo para saber si ya estáis usando alguno y cómo, o para estudiar si os conviene usar modelos nuevos.
Ahora que nos adentramos en un mundo con menos cookies y otros identificadores, realizar mediciones precisas dependerá mucho del uso inteligente de datos propios, de técnicas respetuosas con la privacidad (como la agregación de datos) y de modelos de aprendizaje automático. Los profesionales del marketing que pasen a la acción hoy mismo lograrán prosperar.
Fuente Thinkwithgoogle.
