La Atribución con AI de Alkemy Latam
“Mejorando la atribución con inteligencia artificial” es el reciente ensayo que lanzó Alkemy Iberia para aportar conocimiento sobre cómo hacer más efectivos los esfuerzos de inversión en marketing digital. El documento aborda puntualmente aspectos como: modelos de atribución, machine learning y marketing mix.
Respecto a la importancia del modelo de atribución, el texto destaca que las marcas necesitan entender qué canales y mensajes están guiando las ventas para determinar el ROI y en consecuencia asignar eficientemente el presupuesto de marketing. Según un estudio de The CMO Club elaborado por Bain & Company, las marcas que usan modelos de atribución avanzados tienen 2x probabilidad de lograr crecimiento de ventas de dobles dígitos y lograr eficiencias de costes de hasta un 25 %.
De acuerdo con el análisis, indica Rodrigo Martín, Agency Director de Alkemy LATAM, un modelo heurístico tradicional basado en reglas asignan el crédito de la conversión a un único canal, por ejemplo, si el último touchpoint en el customer journey fue Instagram ad, este canal recibe el 100% del crédito de conversión en el modelo last-click.
“Estos modelos obvian todo el customer journey asumiendo que todos los esfuerzos en el marketing en el resto de canales son irrelevantes. Además, menos del 10% de los usuarios hace clic en la publicidad, lo que significa que los modelos tradicionales basados en touchpoints o clicks optimizan los esfuerzos de marketing para una minoría no representativa de toda la audiencia de la marca” señaló.
Los modelos de asignación de presupuestos en marketing con inteligencia artificial son uno de los principales casos de uso que más crece en popularidad en todos los sectores y unidades de negocio. Machine learning, se basa en identificar patrones ocultos y correlaciones en los datos. Aplicado al caso de marketing, establece correlaciones entre el mix de medios y la conversión de la marca, permitiendo calcular el CPA real por canal y distribuir en consecuencia el presupuesto.
Los modelos de Machine Learning no requieren de la generación de reglas manuales. Buscan de manera autónoma los patrones en los conjuntos de datos y aprenden sin intervención humana. Además, permiten la incorporación de variables de mercado y son capaces de adaptarse a señales emergentes o cambios en los patrones de consumo de una manera que los humanos pueden pasar por alto.
Sin embargo, Martín precisa que el ensayo especifica que los modelos clásicos de machine learning presentan una serie de desafíos: requieren de grandes cantidades de datos (>100.000 registros) para generar correlaciones robustas; consecuencia del uso de Big Data, se necesita el despliegue de una infraestructura tecnológica que permita el almacenamiento, tratamiento y limpieza del dato proveniente de las diferentes fuentes de datos de las campañas; dado que su modelo de aprendizaje se basa en correlaciones pueden darse fenómenos de confounding (confusión), donde es difícil identificar qué porcentaje de las ventas ha sido generado por el marketing y cuál ha sido generado por la propia demanda del producto sin publicidad.
Marketing Mix es un modelo estadístico que permite relacionar las distintas variables del marketing con las ventas. El modelo de MMM tiene como ventajas estar diseñado para trabajar y ofrecer resultados sólidos en entornos de baja cantidad de datos, no necesita el raw data del usuario, una estructura de datos típica; incorpora no solo las actividades de marketing, sino también variables externas, de competencia y de mercado para lograr una precisión elevada sobre el KPI objetivo a modelizar; entrenamiento causa-efecto, tipología de modelos que permite la simulación de escenarios.
Mejorando la atribución con inteligencia artificial, documento desarrollado por Emérito Martínez, Go to Market & Client Global Manager de Alkemy, concluye lo siguiente: un modelo de atribución preciso tiene el potencial de transformar la efectividad del marketing, acelerando las ventas y reduciendo drásticamente los costes. Los modelos de IA tradicionales necesitan grandes cantidades de datos (Big Data) para generar insights. Sin embargo, los recientes anuncios de las grandes plataformas de publicidad apostando por enfoques privacy-first & cookieless, hace que sea necesario plantear nuevos enfoques para medir y optimizar el rendimiento de las campañas. Una nueva familia de modelos inteligentes basados en técnicas de aprendizaje causa-efecto están transformado la industria. Son capaces de trabajar con tiempos de despliegue mucho menores que los modelos tradicionales de atribución.
