Comportamiento modelado: una nueva estrategia de medición preparada para el futuro
Publicado: 2022-11-07En el entorno actual centrado en la privacidad, los métodos tradicionales de marketing y medición analítica ya no son viables. Entonces, la pregunta urgente es, ¿cuáles son los próximos pasos clave que deben tomar las marcas para poder medir de manera efectiva su actividad de marketing?
En toda la industria, no faltan diferentes iniciativas y soluciones que intentan abordar esto, desde Privacy Sandbox hasta salas limpias de datos y Unified ID 2.0. Al examinar los detalles de estas soluciones, es comprensible que cualquier vendedor termine abrumado por las diversas opciones.
Por lo tanto, en lugar de preocuparse por lo que debe hacer en respuesta a algo como Google Topics (respuesta corta: no mucho hasta que Google realice pruebas más concretas y proporcione evidencia de que cumple totalmente con la privacidad), hay dos áreas específicas en las que todas las marcas deben estar centrándose en el futuro inmediato.
El paso de las grandes plataformas tecnológicas a datos modelados
La medición a nivel de usuario siempre ha sido la estrella polar para las marcas. En un mundo perfecto, nos permite comprender con mayor precisión el impacto de las campañas de marketing para tomar decisiones efectivas de optimización y presupuesto.
Sin embargo, en una era centrada en la privacidad, plataformas como Google y Meta han implementado varias mejoras para preservar la medida del nivel de usuario tanto como sea posible. Esto incluye las conversiones mejoradas y la API de conversiones, cada una de las cuales permite que las conversiones se atribuyan con mayor precisión a sus campañas de marketing.
Ambas características deben estar en primer plano. Dicho esto, esto solo cubrirá una parte de sus datos faltantes y es donde entra algo como el Modo de consentimiento de Google. Esto aprovecha las técnicas de modelado para dar cuenta de los usuarios que optan por no recibir consentimiento de marketing/análisis.
Puede haber cierto escepticismo acerca de confiar en datos modelados dentro de sus informes. Sin embargo, es importante tener en cuenta que esto no es nada nuevo.
De hecho, las conversiones modeladas han existido dentro de herramientas como Google Ads y Facebook Ads Manager durante muchos años. El requisito de modelado solo aumentará a medida que los conjuntos de datos de usuarios conocidos continúen disminuyendo.
Aunque los grandes proveedores, como era de esperar, no lo hacen muy fácil, con el soporte experto adecuado, es posible comparar cómo se ven los resultados sin modelar con los modelados. Esto le permitirá tomar decisiones más informadas sobre los números que informa y su grado relativo de precisión.
En lugar de rehuir el modelado, los especialistas en marketing deben buscar comprenderlo mejor y adoptarlo de todo corazón.
Profundice: por qué la atribución de marketing es tanto un desafío como una necesidad
Econometría + atribución = atribución modelada
La atribución ha sido un eterno debate en marketing y ya era lo suficientemente desafiante. Más aún cuando pensamos en cómo navegar por los numerosos jardines amurallados y las restricciones de privacidad.
Dadas las brechas inevitables en los datos conocidos, un modelo de atribución a nivel de usuario ahora es muy difícil, a menos que esté mirando un subconjunto específico de canales que no cruzan jardines amurallados. De lo contrario, ahora es casi imposible crear una solución sólida de atribución de usuarios personalizada en varios canales.
Sin embargo, todas las empresas seguirán necesitando especialistas en marketing para medir con precisión el rendimiento de su combinación de medios y tomar decisiones presupuestarias efectivas. Curiosamente, la solución óptima de próxima generación es en realidad una combinación de dos enfoques históricos.
¡Consigue MarTech! Diariamente. Libre. En tu bandeja de entrada.
Ver términos.
Vista de embudo completo del rendimiento de marketing
La atribución modelada toma las mejores partes de MMM (modelado de mezcla de medios) y MTA (atribución multitáctil) para brindarle una vista completa del rendimiento de marketing mientras es completamente resistente a la privacidad.
La base de la atribución modelada se basa en MMM, que utiliza conjuntos de datos de nivel agregado en lugar de entradas de nivel de usuario (es decir, datos de cookies). Esto significa que no necesita preocuparse por las consideraciones de MTA, como el consentimiento del usuario o cómo navegar por los jardines amurallados.
Una ventaja adicional de la atribución modelada es que al utilizar un enfoque basado en la regresión, es mucho más fácil incorporar todos sus canales de marketing en su modelo sin tener que realizar un seguimiento de todo dentro de una única solución.
También tiene la capacidad de incluir factores externos como la estacionalidad, los niveles de existencias o la actividad de la competencia para aumentar la precisión de su modelo y aislar el impacto específico de sus campañas de medios.
Profundice: Midiendo lo invisible: La verdad sobre la atribución de marketing
Un nuevo enfoque granular
El inconveniente histórico de MMM era que los resultados tenían un nivel muy bajo de granularidad (p. ej., TV frente a digital frente a impresión) y que los resultados solo estaban disponibles cada seis meses.
Sin embargo, la atribución modelada puede aprovechar las conexiones directas a cada una de sus plataformas de marketing para obtener entradas diarias al nivel más granular. Esto lo hace mucho más procesable para la planificación táctica y las decisiones presupuestarias.
Si bien la configuración inicial requiere una planificación y experiencia precisas, la atribución modelada busca brindar todos los detalles a los que está acostumbrado con MTA mientras se prepara para el futuro contra cambios adicionales en la industria, todo lo cual está habilitado a través del poder del modelado.
Entonces resulta que la respuesta a nuestro futuro incierto fue algo que estuvo frente a nosotros todo el tiempo. En muchos sentidos, estamos volviendo al futuro con nuestras estrategias de medición.
Las opiniones expresadas en este artículo pertenecen al autor invitado y no necesariamente a MarTech. Los autores del personal se enumeran aquí.
Historias relacionadas
Nuevo en MarTech