Machine learning en marketing digital: Ejemplos de casos de uso

Hace un par de décadas, lo primero que te venía a la mente cuando escuchabas las palabras "inteligencia artificial" probablemente era el surgimiento de las máquinas y el Terminator con una escopeta recortada. Hoy en día, este término tiene asociaciones bastante positivas. Casi todo el mundo se encuentra con el aprendizaje automático en la vida cotidiana. Por ejemplo, puede comunicarse con un chatbot en un sitio web, recibir ofertas promocionales que correspondan a sus pasatiempos o configurar un filtro de correo no deseado en su servicio de correo electrónico.

Para los especialistas en marketing, el aprendizaje automático es una oportunidad para tomar rápidamente decisiones cruciales basadas en grandes datos. En este artículo, hablaremos sobre qué decisiones puede tomar en función de los grandes datos.

Comencemos con un poco de terminología. Según Wikipedia, 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 entrenar sistemas 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 proporciona a la máquina datos iniciales en forma de pares situación-solución . Luego, el sistema de aprendizaje automático analiza estos pares y aprende a clasificar situaciones en función de soluciones conocidas. Por ejemplo, un sistema puede aprender cuándo marcar los mensajes entrantes como spam.

En el caso del aprendizaje sin maestro, la máquina recibe información desordenada —situaciones— sin solución y aprende a clasificar esas situaciones en función de signos similares o diferentes sin guía humana.

Los especialistas en marketing 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.

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 las personas usan 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 lo siguiente:

1. haciendo clic en el signo X
2. haciendo clic en No, gracias
3. haciendo clic en cualquier parte 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 tenemos cuatro posibles acciones del usuario:

1. Haga clic en X : puede ser verdadero/falso
2. Haga clic en No, gracias : puede ser verdadero/falso
3. Haga clic más allá de la ventana emergente: puede ser verdadero/falso
4. El tiempo de visualización de la ventana 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 en función de los datos que ya tenemos de otros usuarios.

Por ejemplo, la forma más sencilla de definir un público objetivo es por género y edad. Pero, ¿y si los usuarios rellenan estos datos solo en el 10% de los casos? ¿Cómo puede saber cuántos de los usuarios de su sitio web pertenecen a su público objetivo? Los patrones de comportamiento pueden ayudar.

Puede usar datos de sexo y edad del 10 % de los usuarios para determinar patrones específicos de un sexo y una edad en particular. Luego puede usar estos patrones para predecir el sexo 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.

El papel del aprendizaje automático en el marketing es permitirle tomar decisiones rápidamente basadas en grandes datos.

El algoritmo para el trabajo de los especialistas en marketing es el siguiente: los especialistas en marketing crean hipótesis, las prueban, las evalúan y las analizan. Este trabajo es largo y laborioso, ya 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 especialista en marketing necesitará alrededor de cuatro horas. Si dicho análisis se lleva a cabo todos los días, el especialista en marketing dedicará exactamente la mitad de su tiempo a evaluar la calidad de las campañas. Cuando se utiliza el aprendizaje automático, la evaluación toma minutos y la cantidad de segmentos y parámetros de comportamiento es ilimitada.

Con el aprendizaje automático, puede responder más rápido a los cambios en la calidad del tráfico generado por las campañas publicitarias. Como resultado, puede dedicar más tiempo a crear hipótesis que a realizar acciones rutinarias.

El valor de sus resultados depende de la relevancia de los datos sobre los que se realizó el análisis. A medida que los datos se vuelven obsoletos, su valor disminuye. Una persona simplemente no puede procesar los volúmenes de información que los sistemas analíticos recopilan cada minuto. Los sistemas de aprendizaje automático pueden procesar cientos de solicitudes, organizarlas y proporcionar resultados en forma de una respuesta lista para 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 los cambios y nuevos datos
• Le permite automatizar los procesos de marketing y evitar el trabajo rutinario
• Hace todo lo anterior rápidamente

La esencia de un sistema de recomendación es ofrecer a los clientes productos que les interesen en ese momento.

Lo que predice un sistema de recomendación: bienes que es probable que compre un cliente.

Cómo se utilizan estos datos: para generar correos electrónicos y notificaciones automáticas, 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: agrupamiento de K-means.

En general, la esencia de todos los tipos de orientación es gastar el presupuesto publicitario solo en los usuarios objetivo.

Tipos de segmentación más utilizados:

• Orientación por segmentos : muestre anuncios a grupos de usuarios con el mismo conjunto de atributos
• Orientación de activación : muestre anuncios a los usuarios después de que realicen una determinada acción (por ejemplo, ver un producto o agregar un artículo al carrito de compras)

También existe la orientación predictiva , en la que muestra anuncios a los usuarios en función de la probabilidad de que realicen una compra.

La principal diferencia entre estos tipos de orientación es que la orientación predictiva utiliza todas las combinaciones posibles de decenas o cientos de parámetros de usuario con todos los valores posibles. Todos los demás tipos de orientación se basan en un número limitado de parámetros con ciertos rangos de valores.

Lo que predice la segmentación por previsión: la probabilidad de que un usuario realice una compra en Cómo se utilizan estos datos:

Ejemplo 1: Para lanzar campañas publicitarias. Para ello, cree segmentos basados ​​en la probabilidad de una compra y cargue esos segmentos en Google Ads, Facebook Ads y otros sistemas publicitarios.

Ejemplo 2: Analizar la efectividad de las campañas publicitarias. Para este propósito, cree segmentos basados ​​en la probabilidad de una compra y cargue esos segmentos en Google Analytics y utilícelos para analizar la efectividad de las campañas publicitarias (qué campaña genera la mayor cantidad de conversiones).

Resultado: la publicidad se muestra a un público más específico, lo que aumenta la eficacia de las campañas.

Algoritmos comunes para este propósito: XGBoost, CATBoost, Árbol de decisión (si hay pocos datos disponibles o pocos patrones son evidentes).

Los métodos más conocidos para calcular el valor de por vida, o LTV, se basan en el conocimiento de la ganancia 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 calcules LTV incluso antes de que el 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:

1. Los segmentos se cargan en notificaciones push o servicios de correo electrónico y se utilizan para el envío por correo a fin de reducir las salidas de clientes (la tasa de abandono).
2. Los segmentos se cargan en Google Analytics y se utilizan para analizar la efectividad de las campañas publicitarias en función del LTV previsto.

Resultado : el presupuesto de publicidad por usuario se determina en función de LTV, lo que mejora la eficacia de las campañas.

Algoritmos comunes para este propósito: XGBoost, SVM, Random Forest, Logistic Regression.

En marketing, el concepto de abandono o salida se refiere a los clientes que han dejado la empresa y la pérdida de ingresos asociada y generalmente se expresa en términos porcentuales o monetarios.

La previsión de la tasa de abandono 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 tasa de abandono: la probabilidad de que los usuarios se vayan por segmento de usuario

Cómo se utilizan estos datos: los segmentos se pueden cargar en servicios de correo electrónico o notificación automática, así como en Google Ads, Facebook Ads y otros sistemas publicitarios. También puede pasar esta información al departamento de retención para que puedan comunicarse personalmente con los clientes con una alta probabilidad de irse.

Resultado: fidelizar a los clientes.

Algoritmos comunes para este propósito: SVM, Regresión Logística y otros algoritmos de clasificación.

El algoritmo de IA en OWOX BI analiza sus resultados de marketing, los 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, el modelo de aprendizaje automático en OWOX BI Insights tiene en cuenta los datos de decenas de miles de proyectos para hacer predicciones precisas. Esto da confianza a las empresas 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 granulares de publicidad y las impresiones de publicidad en los medios en las etapas superiores del embudo.

El modelo de atribución basado en datos de OWOX BI evalúa la efectividad de sus campañas publicitarias, considerando la contribución de cada canal a la promoción del cliente a través del embudo de conversión. Con este modelo, podrá asignar su presupuesto publicitario de manera justa, teniendo en cuenta la contribución real de los canales a las conversiones y su influencia mutua.

El cálculo del modelo en OWOX BI 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 los pasos del embudo, le permite evaluar la influencia mutua de los pasos en las conversiones y descubrir qué pasos son los más significativos.

Si desea ver cómo funciona la atribución de BI de OWOX, regístrese para una demostración. Nuestros colegas le mostrarán ejemplos reales de cómo aplicar la atribución y demostrarán cómo puede ser útil para su negocio.

¿Por qué se necesita el aprendizaje automático y cómo lo ayuda a resolver el problema de atribución? Este es un tema para un artículo aparte (que ya estamos preparando).

En este artículo, averigüemos a qué nivel se toman las decisiones mediante la atribución. Compararemos estos niveles en función de varios criterios:

• El nivel en sí
• Tomadores de decisiones clave
• Tipos de decisiones que se toman
• Herramientas utilizadas
• Modelos de atribución empleados con mayor frecuencia

Niveles en los que se toman decisiones basadas en atribuciones:

1. Visión. La visión de una empresa está formada por su junta directiva, director general y director de marketing. Las decisiones a nivel de visión están asociadas con inversiones en la marca y el equilibrio de presupuestos entre online y offline. Las herramientas utilizadas para tomar tales decisiones son estudios de mercado y consultorías. Rara vez 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 se toman mensualmente, por regla general, por los directores de marketing y comercio electrónico. Estas decisiones están dedicadas a la asignación del presupuesto entre canales y la definición del KPI de nivel superior. Las herramientas que ayudan en la toma de decisiones estratégicas son Visual IQ, OWOX BI o modelos casuales. Aquí, la empresa utiliza la atribución basada en datos, variaciones sobre el tema de las cadenas de valor de Shapley y de Markov, o la atribución basada en embudos. En este nivel, es importante comprender la influencia mutua de los canales y tomar decisiones estratégicas sobre su desarrollo.

3. Táctico. Por lo general, las decisiones tácticas las toma semanalmente o incluso con más frecuencia el administrador de adquisición de tráfico pagado. La asignación de presupuesto se produce entre campañas y conjuntos de anuncios, y las decisiones tienen como objetivo aclarar los KPI y los objetivos de la campaña. Para tomar decisiones tácticas, puede usar Google Sheets o OWOX BI. A menudo, en este nivel, los especialistas trabajan con Google Analytics. Para evaluar el impacto de la publicidad en los medios, la mayoría de los modelos de atribución utilizan las conversiones asociadas, el decaimiento del tiempo y la vista posterior.

La peculiaridad de esta etapa es que ya se ha asignado el presupuesto para un canal. Entonces, en este punto, es importante comprender en qué campañas gastarlo, controlar los resultados y desactivar rápidamente las campañas ineficientes.

4. Ejecución. Esto es cuando la decisión de evaluar la contribución de un anuncio o palabra clave en particular ocurre casi en tiempo real. Tales decisiones generalmente se toman 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 mira 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 publicitarios 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 aprendizaje automático.

La razón es que para aplicar el aprendizaje automático, es necesario exportar rápidamente grandes cantidades de datos del servicio de publicidad y luego volver a importar rápidamente los resultados. Técnicamente, esta es una tarea difícil de resolver a escala industrial. Por lo tanto, a nivel de ejecución, los especialistas en marketing tienden a confiar en algoritmos internos para optimizar los servicios publicitarios.

Para utilizar el aprendizaje automático para resolver problemas tácticos y estratégicos, debe garantizar la integridad de sus datos. Puede hacer esto con OWOX BI. OWOX 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 orientado a atraer clientes y aumentar las ventas.