Inteligencia Artificial en Marketing Digital: Ejemplos de casos de uso
Hace un par de décadas, lo primero que me vino a la mente cuando escuchaste las palabras “inteligencia artificial” fue probablemente el surgimiento de las máquinas y el Terminator con una escopeta cortada. Hoy en día, este término tiene asociaciones bastante positivas. Casi todo el mundo se encuentra con el Machine Learning en la vida ordinaria. Por ejemplo, puede comunicarse con un chatbot en un sitio web, que se le muestren ofertas promocionales que correspondan a sus aficiones o configurar un filtro de spam en su servicio de correo electrónico.
Para los marketers, el machine learning es una oportunidad para tomar rápidamente decisiones cruciales basadas en big data. En este artículo, hablaremos sobre qué decisiones puede tomar en base a big data.
¿Qué es el machine learning?
Empecemos con un poco de terminología. Según Wikipedia, el machine learning o el aprendizaje automático (ML) es una clase de métodos de inteligencia artificial que se caracterizan por no proporcionar soluciones directas a los problemas, sino más bien sistemas de capacitación para aplicar soluciones.
Hay muchos métodos de aprendizaje automático, pero se pueden dividir aproximadamente en dos grupos: aprender con un maestro y aprender sin un maestro.
En el caso de aprender con un profesor, una persona suministra a la máquina datos iniciales en forma de pares situación-solución. El sistema de aprendizaje automático luego analiza estos pares y aprende a clasificar situaciones basadas en soluciones conocidas. Por ejemplo, un sistema puede aprender cuándo marcar los mensajes entrantes como spam.
En el caso del aprendizaje sin un maestro, la máquina recibe información no clasificada —situaciones— sin soluciones y aprende a clasificar esas situaciones en base a signos similares o diferentes sin la guía humana.
Aprendizaje automático en marketing en línea
Los vendedores utilizan el aprendizaje automático para encontrar patrones en las actividades de los usuarios en un sitio web. Esto les ayuda a predecir el comportamiento futuro de los usuarios y optimizar rápidamente las ofertas publicitarias.
¿Cuál es el potencial de los datos de comportamiento?
En psicología, un patrón es un conjunto particular de reacciones conductuales o una secuencia común de acciones. Por lo tanto, podemos hablar de patrones con respecto a cualquier área donde la gente use plantillas (que es la mayoría de las áreas de la vida).
Considere el ejemplo de un patrón utilizado en los sitios web. Si el usuario no está interesado en la oferta en la ventana emergente que se muestra a continuación, puede cerrar esta ventana:
- haciendo clic en el signo X
- haciendo clic en No, gracias
- haciendo clic en cualquier lugar del sitio que esté fuera de la ventana emergente.
Además de estas tres acciones que el usuario puede realizar, la ventana emergente se cerrará por sí sola después de un cierto período de tiempo.
Así que obtenemos cuatro posibles acciones de usuario:
- Haga clic en X: puede ser verdadero/falso
- Haga clic en No, gracias — Puede ser verdadero/falso
- Haga clic más allá de la ventana emergente — Puede ser verdadero/falso
- El tiempo de visualización emergente es de 5 segundos
Cuando se recopilan cientos de estos parámetros, los datos recopilados ganan valor porque contienen patrones de comportamiento y dependencias. Oculta el enorme potencial de los datos de comportamiento, lo que nos permite complementar los datos de los usuarios con los parámetros que faltan basados en los datos que ya tenemos para otros usuarios.
Por ejemplo, la forma más sencilla de definir un público objetivo es por género y edad. Pero, ¿qué pasa si los usuarios rellenan estos datos solo en el 10% de los casos? ¿Cómo puedes entender cuántos de los usuarios de tu sitio web caen en tu público objetivo? Los patrones de comportamiento pueden ayudar.
Puede utilizar datos de género y edad del 10% de los usuarios para determinar patrones específicos de un género y edad en particular. A continuación, puede utilizar estos patrones para predecir el género y la edad del 90% restante de los usuarios.
Al tener datos completos sobre sexo y edad, ahora puede hacer ofertas personalizadas a todos los visitantes del sitio web.
Por qué el aprendizaje automático es efectivo en marketing
El papel del aprendizaje automático en el marketing es permitirle tomar decisiones rápidamente basadas en big data.
El algoritmo para el trabajo de los vendedores es el siguiente: Los vendedores crean hipótesis, las prueban, las evalúan y las analizan. Este trabajo es largo y requiere mucha mano de obra, y a veces los resultados son incorrectos porque la información cambia cada segundo.
Por ejemplo, para evaluar 20 campañas publicitarias considerando 10 parámetros de comportamiento para cinco segmentos diferentes, un vendedor necesitará alrededor de cuatro horas. Si tal análisis se lleva a cabo todos los días, entonces el vendedor pasará precisamente la mitad de su tiempo evaluando la calidad de las campañas. Cuando se utiliza el aprendizaje automático, la evaluación tarda minutos y el número de segmentos y parámetros de comportamiento es ilimitado.
Con el aprendizaje automático, puede responder más rápido a los cambios en la calidad del tráfico traídos por las campañas publicitarias. Como resultado, puede dedicar más tiempo a crear hipótesis en lugar de llevar a cabo acciones rutinarias.
El valor de sus resultados depende de la relevancia de los datos sobre los que se llevó a cabo el análisis. A medida que los datos se vuelven obsoletos, su valor disminuye. Una persona simplemente no puede procesar los volúmenes de información que son recopilados cada minuto por los sistemas analíticos. Los sistemas de aprendizaje automático pueden procesar cientos de solicitudes, organizarlas y proporcionar resultados en forma de una respuesta lista a una pregunta.
Beneficios clave del aprendizaje automático en marketing:
- Mejora la calidad del análisis de datos
- Le permite analizar más datos en menos tiempo
- Se adapta a cambios y nuevos datos
- Permite automatizar procesos de marketing y evitar el trabajo rutinario
- Hace todo lo anterior rápidamente
Ejemplos de aprendizaje automático en marketing
1. Sistemas de recomendación
La esencia de un sistema de recomendación es ofrecer a los clientes productos que les interesan en este momento.
Lo que un sistema de recomendación predice: Bienes que es probable que un cliente compre.
Cómo se utilizan estos datos: Para generar notificaciones por correo electrónico y push, así como bloques de “Productos recomendados” y “Productos similares” en un sitio web.
Resultado: Los usuarios ven ofertas personalizadas, lo que aumenta la probabilidad de que realicen una compra.
Algoritmos comunes para este propósito: K-significa agrupación.
2. Segmentación de pronósticos
En general, la esencia de todo tipo de segmentación es gastar el presupuesto publicitario solo en usuarios objetivo.
Tipos de segmentación más utilizados:
- Segment targeting — Muestra anuncios a grupos de usuarios con el mismo conjunto de atributos
- Activar la segmentación: muestra anuncios a los usuarios después de que realizan una determinada acción (por ejemplo, ver un producto o agregar un artículo al carrito de la compra)
También hay segmentación predictiva, en la que se muestran anuncios a los usuarios basados en la probabilidad de que realicen una compra.
La principal diferencia entre estos tipos de segmentación es que la segmentación predictiva utiliza todas las combinaciones posibles de decenas o cientos de parámetros de usuario con todos los valores posibles. Todos los demás tipos de segmentación se basan en un número limitado de parámetros con ciertos rangos de valores.
Lo que predice la segmentación por pronóstico: La probabilidad de que un usuario realice una compra en n días.
Cómo se utilizan estos datos:
Ejemplo 1: Para lanzar campañas publicitarias. Para ello, crea segmentos basados en la probabilidad de una compra y sube esos segmentos a Google Ads, Facebook Ads y otros sistemas de publicidad.
Ejemplo 2: Para analizar la efectividad de las campañas publicitarias. Para ello, cree segmentos basados en la probabilidad de una compra y cargue esos segmentos en Google Analytics y úselos para analizar la eficacia de las campañas publicitarias (qué campaña conduce a la mayoría de las conversiones).
Resultado: La publicidad se muestra a un público más segmentado, aumentando la eficacia de las campañas.
Algoritmos comunes para este propósito: XGBoost, CATBoost, Árbol de Decisiones (si hay pocos datos disponibles o pocos patrones son evidentes).
3. Pronóstico de LTV
Los métodos más conocidos para calcular el valor de por vida, o LTV, se basan en el conocimiento del beneficio total de un cliente y el tiempo durante el cual el cliente ha estado interactuando con el negocio. Sin embargo, muchas tareas comerciales modernas requieren que calcule LTV incluso antes de que un cliente se vaya. En este caso, la única solución es predecir LTV en función de los datos disponibles.
Lo que predice el pronóstico de LTV: El LTV de cada usuario por segmento.
Cómo se utilizan estos datos:
- Los segmentos se cargan en servicios de notificación push o correo electrónico y se utilizan para el correo postal para reducir las salidas de los clientes (la tasa de rotación).
- Los segmentos se cargan en Google Analytics y se utilizan para analizar la eficacia de las campañas publicitarias basadas en la LTV prevista.
Resultado: El presupuesto publicitario por usuario se determina en base a LTV, lo que mejora la eficacia de las campañas.
Algoritmos comunes para este propósito: XGBoost, SVM, Bosque aleatorio y arboles de decisión , Regresión logística.
4. Previsión de la tasa de rotación
En marketing, el concepto de churn o salida se refiere a los clientes que han abandonado la empresa y la pérdida de ingresos asociada y generalmente se expresa en términos porcentuales o monetarios.
La previsión de tarifas Churn le permite responder a la intención de un cliente de abandonar su producto o servicio antes de que realmente lo haga.
Lo que predice el pronóstico de la tasa de churn: La probabilidad de que los usuarios se vayan por segmento de usuario
Cómo se utilizan estos datos: Los segmentos se pueden cargar en los servicios de correo electrónico o notificaciones push, así como en Google Ads, Facebook Ads y otros sistemas de publicidad. También puede pasar esta información al departamento de retención para que puedan comunicarse personalmente con clientes con una alta probabilidad de salir.
Resultado: Retener clientes.
Algoritmos comunes para este propósito: SVM, Regresión Logística y otros algoritmos de clasificación.
Cómo Brita Inteligencia Artificial utiliza el Machine Learning
Los algoritmos de IA que manejamos en Brita Inteligencia Artificial analiza sus resultados de marketing, lo compara con los datos del mercado y muestra dónde están sus zonas de crecimiento y riesgos. También pronostica la implementación de su plan anual para que pueda cambiar rápidamente su estrategia de marketing.
La capacidad del canal y las tendencias del mercado son conocimientos que una empresa no puede obtener por sí sola. Por suerte para usted, los modelos que manejamos en Brita Inteligencia Artificial tiene en cuenta los datos de decenas de miles de proyectos para hacer predicciones precisas. Esto da a las empresas confianza en las recomendaciones para redistribuir sus presupuestos publicitarios, ya que estas recomendaciones se basan en sesiones para un sitio en particular. También tienen en cuenta las tendencias del mercado, la capacidad del canal, los costos de publicidad granular y las impresiones publicitarias de los medios en las etapas superiores del embudo.
Atribución basada en embudo de aprendizaje automático de Brita Inteligencia Artificial
El modelo de atribución basado en datos que manejamos en Brita Inteligencia Artificial evalúa la eficacia de sus campañas publicitarias, teniendo en cuenta la contribución de cada canal a la promoción del cliente a través del embudo de conversión. Con este modelo, podrá asignar de manera justa su presupuesto publicitario, teniendo en cuenta la contribución real de los canales a las conversiones y su influencia mutua.
El cálculo del modelo que manejamos en Brita Inteligencia Artificial se basa en cadenas de Markov y aprendizaje automático. Una cadena de Markov es un modelo probabilístico que, mediante el cálculo de las probabilidades de transiciones entre pasos del embudo, permite evaluar la influencia mutua de los pasos en las conversiones y averiguar qué pasos son los más significativos.
Si quieres ver cómo funciona la atribución que manejamos en Brita Inteligencia Artificial, regístrate para una consultoría y ver las ventanas de oportunidad que podemos manejar en conjunto. Nuestros colegas le mostrarán ejemplos reales de cómo aplicar la atribución y demostrarán cómo puede ser útil para su negocio.
Aprendizaje automático en atribución
¿Por qué es necesario el aprendizaje automático y cómo le ayuda a resolver el problema de atribución? Este es un tema para un artículo separado (que ya estamos preparando).
En este artículo, averigüemos a qué nivel se toman las decisiones utilizando la atribución. Compararemos estos niveles basados en varios criterios:
- El nivel en sí
- Principales responsables de la toma de decisiones
- Tipos de decisiones tomadas
- Herramientas utilizadas
- Modelos de atribución empleados con mayor frecuencia
1. Visión. La visión de una empresa está formada por su consejo de administración, CEO y director de marketing. Las decisiones a nivel de visión están asociadas con inversiones en la marca y el equilibrio de presupuestos entre en línea y fuera de línea. Las herramientas utilizadas para tomar tales decisiones son la investigación de mercado y los consultores. Raramente hay lugar para los modelos clásicos de atribución basados en datos, ya que los datos en los que se basan las decisiones no están lo suficientemente digitalizados.
2. Estratégico. Las decisiones estratégicas son tomadas mensualmente, por regla general, por directores de marketing y comercio electrónico. Estas decisiones se dedican a la asignación del presupuesto entre canales y a la definición del KPI de alto nivel. Aquí, el negocio utiliza la atribución basada en datos, variaciones sobre el tema del valor Shapley y las cadenas de Markov, o la atribución basada en embudos. A este nivel, es importante entender la influencia mutua de los canales y tomar decisiones estratégicas sobre su desarrollo.
3. Táctico. Por lo general, las decisiones tácticas son tomadas semanalmente o incluso con más frecuencia por el gerente de adquisición de tráfico pagado. La asignación presupuestaria se produce entre campañas y conjuntos de anuncios, y las decisiones tienen como objetivo aclarar el KPI y los objetivos de la campaña. Para tomar decisiones tácticas, puede usar Hojas de cálculo de Google u de BI. A menudo, a este nivel, los especialistas trabajan con Google Analytics. Para evaluar el impacto de la publicidad en medios, la mayoría de los modelos de atribución utilizan conversiones asociadas, decadencia del tiempo y post-vista.
La peculiaridad de esta etapa es que el presupuesto para un canal ya se ha asignado. Así que en este punto, es importante entender en qué campañas gastarlo, controlar los resultados y desactivar rápidamente campañas ineficientes.
4. Ejecución. Esto es cuando la decisión de evaluar la contribución de un anuncio o palabra clave en particular ocurre en tiempo cercano al real. Tales decisiones se suelen tomar dentro de los servicios de publicidad (Google Ads, Facebook Ads). De hecho, al cliente no le importa qué mecanismos de optimización se utilicen aquí, ya que ven los resultados de cada servicio por separado.
Como puede ver, el aprendizaje automático es más útil para tareas estratégicas y tácticas. A veces también se aplica a nivel de ejecución, pero la tendencia general es que los sistemas de publicidad se desarrollen rápido y tengan muchos datos. Los algoritmos internos utilizados en estos sistemas para gestionar campañas publicitarias producen mejores resultados que un modelo externo basado en el aprendizaje automático.
La razón es que para aplicar el aprendizaje automático, es necesario exportar grandes cantidades de datos del servicio de publicidad rápidamente y luego importar rápidamente los resultados. Técnicamente, esta es una tarea difícil de resolver a escala industrial. Por lo tanto, a nivel de ejecución, los vendedores tienden a confiar en algoritmos internos para optimizar los servicios de publicidad.
Para usar el aprendizaje automático para resolver problemas tácticos y estratégicos, debe garantizar la integridad de sus datos. Puedes hacer esto con nuestro desarrollo tecnológico a la medida. Brita Inteligencia Artificial combina sus datos de su sitio web, servicios de publicidad y CRM para que pueda crear un embudo que tenga en cuenta las peculiaridades y los esfuerzos de su negocio y esté dirigido a atraer clientes y aumentar las ventas.