Cómo impulsar las ventas y mejorar el ROI utilizando datos y aprendizaje automático

Los algoritmos de publicidad en línea prosperan con una gran cantidad de señales. Industrias como el comercio electrónico y los juegos móviles proporcionan datos suficientes para entrenar estos algoritmos. Por lo tanto, los enfoques que emplean popularmente las plataformas publicitarias como Google y Facebook permiten una orientación y participación eficientes de las audiencias deseadas.

Sin embargo, en muchas otras industrias donde la cantidad de señales es menor, la tasa de conversión objetivo está muy por debajo de los puntos de referencia de los canales. Si se encuentra en esta situación, es vital hacer el cambio y aprovechar sus datos con el poder del aprendizaje automático.

Nos hemos asociado con Konstantin Bayandin, el fundador de la startup de tecnología publicitaria Tomi.ai, para analizar las oportunidades de marketing en línea que se pueden desbloquear con el aprendizaje automático.

Como CMO y Jefe del Departamento de Análisis y Ciencia de Datos de OZON.ru (equivalente de Amazon en Rusia), dirijo el desarrollo del marketing basado en datos en la empresa. En el comercio electrónico, hay conversiones valiosas (compras) en abundancia y muchos datos para rebanar y trocear. Al mudarme a los EE. UU. para trabajar en Compass, una agencia de bienes raíces de alta tecnología, descubrí un problema. Habiendo cambiado a bienes raíces desde la publicidad en línea y el comercio electrónico, me sorprendió lo desafiante que fue el marketing en línea para esta industria. El problema principal fue el número tremendamente bajo de conversiones finales, ya que las personas rara vez compran casas o departamentos. Para ponerlo en perspectiva, EE. UU. tiene un total de solo 5 millones de transacciones inmobiliarias por año.

Debido a esto, las conversiones son extremadamente raras. En términos generales, tiene suerte de obtener una transacción por cada 10,000 visitantes del sitio web. La tasa de conversión en transacciones asciende a 0,01% o menos. Por lo tanto, los vendedores de bienes raíces no pueden emplear ofertas inteligentes: las estrategias de ofertas automáticas que ofrecen las plataformas de publicidad de Google y Facebook. Deben maximizar la cantidad de clics u optimizar para eventos del sitio web en la mitad del embudo (como la recopilación de contactos). El valor de estas conversiones no siempre está claro, ya que las personas suelen enviar su información de contacto por motivos no relacionados con la compra.

Entonces, esto plantea la pregunta, ¿por qué algunas industrias tienen más dificultades con el marketing en línea? ¿Por qué tienen tasas de conversión bajas y un retorno de la inversión bajo? Creo que hay cinco razones clave para esto:

1. Una audiencia muy específica: no importa cuánto esfuerzo ponga un vendedor, solo el 5% de las personas objetivo comprará o venderá bienes raíces en los próximos 12 meses.
2. Tener componentes fuera de línea: Como tener que firmar un contrato de bienes raíces en papel y en persona.
3. Ciclos de venta largos: según Zillow, se tarda un promedio de más de 4,5 meses en comprar una casa. Mientras tanto, en la industria automotriz, las personas generalmente tardan semanas o meses en elegir un automóvil y un par de semanas adicionales para completar la transacción.
4. Grandes transacciones: como puede imaginar, todo lo anterior puede ser bastante costoso. Y, naturalmente, cuanto mayor sea la cantidad en cuestión, más tiempo puede llevar el proceso de toma de decisiones.
5. Regulación: aunque esto no es necesariamente una consideración importante en todas las industrias, ciertamente lo es para bienes raíces y finanzas. Estas industrias están fuertemente reguladas para garantizar la igualdad de acceso a la vivienda y al crédito. Por ejemplo, la Ley de Protección de Vivienda Justa prohíbe el uso de la mayoría de los objetivos involucrados en la comercialización de bienes raíces, como el género, la edad, la raza y la geolocalización.

Si su empresa tiene al menos tres de los cinco componentes mencionados anteriormente, probablemente tenga una tasa de conversión baja. En este caso, debe tener mucho cuidado con la gestión de sus datos. Considere implementar el aprendizaje automático a su favor: puede ayudar a cerrar el ciclo de retroalimentación para sus transacciones futuras, vinculándolas a la demanda que existe en la parte superior del embudo.

Inspirándome en este desafío, creé una solución que predice la probabilidad de futuras compras utilizando el aprendizaje automático y los datos de comportamiento de los visitantes del sitio web. Tomi.ai es una plataforma que ayuda a los especialistas en marketing en línea hoy en día a más del doble de su ROI publicitario mediante el aprendizaje automático, los datos de comportamiento de primera parte y las integraciones de API. Abre posibilidades para industrias donde el marketing en línea es un desafío, como bienes raíces, banca, seguros, EdTech y SaaS.

Para nuestros clientes que provienen de industrias complejas, activamos puntajes predictivos en sus cuentas de publicidad como conversiones personalizadas con una cantidad de valor esperado. Es decir, calculamos los ingresos anticipados que podría generar un visitante del sitio web, observando su nivel de interacción con el sitio web. Lo tratamos como una compra completa y luego maximizamos esta métrica. Como resultado, nuestros clientes pueden mostrar sus anuncios a usuarios altamente comprometidos con un alto valor de por vida esperado.

El aprendizaje automático es el motor que impulsa el marketing online actual. En mi opinión, los especialistas en marketing deben convertirse en analistas o científicos de datos, porque los problemas de marketing suelen tener soluciones matemáticas. Las operaciones de marketing en línea se asemejan esencialmente a un problema de optimización en matemáticas, donde un determinado parámetro (por ejemplo, los ingresos) debe incrementarse en una situación de presupuesto, canal y otras limitaciones.

Todo el propósito de usar el aprendizaje automático en el marketing en línea es cerrar el ciclo de retroalimentación de las compras y los eventos de la parte superior del embudo.

Es posible construir modelos predictivos en todas las etapas del embudo. Hacemos esto al predecir la probabilidad de conversión en función del comportamiento inicial de los usuarios. Luego lo expresamos en términos de probabilidad de compra y el valor previsto de la compra.

El desafío que se presenta a los profesionales de martech es pensar en una forma de cerrar este ciclo de retroalimentación y crear audiencias similares basadas en el valor basadas en el LTV producido por dichos modelos. También necesitan encontrar una manera eficiente de informar sus decisiones de licitación de plataforma publicitaria utilizando señales tempranas y microconversiones que ocurren al principio del proceso. Luego, combínelos con algoritmos de aprendizaje automático para crear una métrica uniforme de conversiones y ventas previstas, en lugar de utilizar las conversiones finales (que rara vez ocurren).

Si Google y Facebook ya tienen el aprendizaje automático de su lado, ¿por qué los especialistas en marketing necesitarían implementar el aprendizaje automático por su cuenta?

1. El aprendizaje automático amplía la señal

Por lo general, un sitio web de baja conversión tendrá muchas sesiones de usuario. Por ejemplo, un proyecto de comercio electrónico promedio tendrá una tasa de conversión del 2%, lo que significa que solo 2 de cada 100 sesiones tendrán un valor distinto de cero. Su intensidad de señal es igual al 100%.

El aprendizaje automático nos ayuda a comprender la probabilidad de conversión de los primeros eventos en cada sesión y asignarle un valor distinto de cero. Podemos identificar el 25% de los visitantes del sitio web que tienen una intensidad de señal que varía del 2% al 10%. Este enfoque nos brinda una audiencia más amplia con una señal más débil que se puede usar para la creación de segmentos.

2. El aprendizaje automático es capaz de calcular el LTV incremental esperado

Esto lo ayuda a comprender qué tan bien está funcionando la campaña y si alcanzará su valor objetivo en el futuro, incluso antes de que se produzcan las conversiones reales.

3. dLTV se puede utilizar para la optimización de ofertas de anuncios

Puede optimizar sus ofertas mediante la atribución predictiva con tecnología de aprendizaje automático para comprender el rendimiento esperado de su campaña.

Supongamos que está lanzando un anuncio en Google con muchas palabras clave. Ha gastado una cierta cantidad en cada palabra clave, ha logrado una determinada cifra de ventas y ha dividido sus ventas por el ROI. Ha ordenado estas palabras clave organizándolas en orden descendente por su ROI, luego ha trazado el 100 % de los costos (acumulativos) en el eje X y ha trazado todos los resultados comerciales en forma de ventas o ganancias en el eje Y. Una vez hecho esto, esto le dará su 'curva de rendimiento':

El propósito de usar tecnología de marketing es eliminar controles innecesarios. En este caso, debemos eliminar las palabras clave deficientes que tienen un impacto negativo en su ROI. No puede permitirse el lujo de invertir en estas palabras clave, por lo que se pueden recortar sus respectivos presupuestos.

Al emplear métodos nuevos y más eficientes, puede cambiar la propia curva de rendimiento. Puede lograr un mayor rendimiento con el mismo presupuesto y palabras clave. Para ilustrar esto, en OZON.ru en 2016, utilizamos modificadores de oferta impulsados ​​por aprendizaje automático para anuncios de búsqueda y, por lo tanto, ayudamos a Google y Yandex a atraer audiencias repetidas de mayor calidad.

Como resultado, sus ingresos crecen, obtiene un ROI marginal más alto que su cifra objetivo y lo ayuda a desbloquear nuevas oportunidades. Por ejemplo, al invertir en nuevas palabras clave y aumentar el gasto, puede lograr un mayor rendimiento en su cifra de ROI objetivo.

Quizás seamos los pioneros del aprendizaje automático para el marketing predictivo en industrias como la inmobiliaria, la banca y SaaS. La idea misma de puntuar a los usuarios y utilizar esta puntuación con fines de optimización proviene de la industria del juego. Los juegos móviles suelen ser gratuitos, pero vienen con opciones para comprar en el juego. Las "ballenas", como se les conoce en la industria del juego, son un grupo de jugadores que representan solo el 1% de la población de jugadores, pero que son capaces de pagar el costo de todos los jugadores a través de sus compras en el juego.

Todos los juegos de este tipo están diseñados para aumentar su porcentaje de grandes consumidores y, lo que es más importante, identificar a los posibles consumidores importantes. Durante mucho tiempo en la industria, se sabe que los gerentes de producto usan datos para predecir LTV a fin de informar sus decisiones.

Las aplicaciones de juegos móviles ya han tenido integraciones con Google, y luego con Facebook, para transferir datos de eventos en línea. Para evaluar la probabilidad de que un jugador se convierta en una "ballena", los especialistas en marketing utilizan datos de los primeros días de juego de un jugador. Luego producen una conversión sintética de "instalación de calidad", envían este evento a Google UAC y luego optimizan para una instalación de calidad, en lugar de una instalación normal.

Implementamos las siguientes integraciones estándar para nuestros clientes:

1. Píxel Tomi.ai: debe instalar un píxel Tomi.ai en su sitio web para recopilar datos de comportamiento: como las páginas visitadas por los usuarios, la duración de la estadía en ciertas páginas y los clics. El algoritmo de aprendizaje automático clasificará todas estas señales para encontrar las que proporcionen las predicciones más precisas de futuras conversiones. Por ejemplo, las personas que realmente tienen la intención de comprar una casa usarán una calculadora de hipotecas y buscarán escuelas cercanas. Estos factores producirán las variables que utilizará el aprendizaje automático para predecir la probabilidad de conversión en compra.
2. Integración de CRM: Pedimos a los clientes que proporcionen sus fuentes de transacciones completas (datos históricos). Al utilizar correos electrónicos cifrados y números de teléfono enviados en el sitio web como identificadores anónimos, podemos vincular las transacciones fuera de línea con la actividad en línea de las personas. Utilizamos una muestra de datos históricos de un mes (o más) para entrenar nuestros modelos sobre los comportamientos de las personas y la probabilidad de compras posteriores.
3. Integración API: finalmente, introducimos estos datos en las cuentas publicitarias. Solicitamos acceso a las API de marketing para conectarnos y cargar conversiones sintéticas y datos predictivos de audiencia en Google y Facebook.

El factor más importante para el aprendizaje automático es la cantidad de resultados positivos que tuvieron lugar: cuántas conversiones hemos podido capturar. En teoría, 20 compras son suficientes, pero en la práctica, intentamos identificar al menos 100 compras que podamos vincular con el comportamiento en línea. Generalmente, nuestro objetivo es entrenar al modelo usando varios cientos o miles de compras. Es importante que logremos al menos los primeros 100 resultados positivos durante nuestro período de recopilación de datos, que generalmente ocurre en el primer mes de trabajo (o más tiempo si las conversiones son escasas).

Según nuestra experiencia, el criterio principal para la calidad de los datos es la proporción de pedidos fuera de línea que podemos vincular a la actividad en línea de los clientes. La idea principal no es solo integrar el sitio web y el sistema CRM, sino también recopilar identificadores de cookies anónimos. La identificación de Google Analytics se usa generalmente para esto. Debe recopilar los ID de Google Analytics de los usuarios y luego conectar este identificador al CRM en todas las etapas posteriores: calificación de clientes potenciales, soporte de ventas, ejecución de contratos, etc.

El valor del aprendizaje automático no radica en los datos contenidos en una sola tabla. Se encuentra en la calidad del enlace entre varias tablas.

El valor de los datos no está en los datos, sino entre los datos.

Esto significa que el valor no está en simplemente tener las mesas, sino en conectar varias mesas para desbloquear un valor adicional. Ser capaz de vincular estas tablas de comportamiento en línea con las tablas de pedidos es extremadamente importante para los especialistas en marketing.

Si las campañas publicitarias nunca avanzan más allá de la fase de aprendizaje (y este puede ser el caso de conversiones extremadamente raras), puede hacer algo al respecto con el poder del aprendizaje automático.

Si todavía está maximizando la cantidad de clics en el sitio web, ya está atrasado. Si está optimizando sus anuncios para la recopilación de contactos, y estos contactos son de mala calidad (solo el 5-10% de los contactos se convierten en una venta), es muy probable que el aprendizaje automático mejore eso.

Quiero enfatizar que no es necesario ser un científico de datos para comenzar. Póngase cómodo y vea lo que el aprendizaje automático puede hacer por sus campañas de marketing. A medida que las industrias continúan estando más interconectadas, ahora es el momento de incorporar nuevas innovaciones tecnológicas a su conjunto de herramientas.