Ya ha transcurrido prácticamente un siglo desde la famosa frase “Half the money I spend on advertising is wasted; the trouble is I don’t know which half” de John Wanamaker y, a fecha de hoy, seguimos encontrándonos con la dificultad de medir el retorno del esfuerzo/inversión publicitaria. En este post trataremos de ofrecer un punto de vista diferente. Un punto de vista que nos permita destinar recursos económicos de forma inteligente con el fin de generar respuestas por parte de nuestros clientes o prospectos. Todo ello enmarcado en una serie de estrategias disponibles.

Primera base – Estrategias

Dos de las estrategias más comunes realizadas en el ámbito de la publicidad digital son prospecting y retargeting, representadas como podemos visualizar a continuación:

Si el objetivo de nuestras acciones es generar/captar demanda que posiblemente no ha tenido un contacto directo con nuestras plataformas digitales, estaríamos hablando de prospecting; de lo contrario, muy posiblemente estaríamos hablando de retargeting. Entre estas dos actividades nos encontramos con una serie de retos sobre los que tecnologías como el DMP (herramientas de analítica con capacidad de activación, etc.) fundamentan parte de su valor. Ejemplo de ellos son:

  • Tener una conversación (impacto) relevante para los usuarios.
  • Cuidar la imagen de nuestra marca.
  • Invertir de forma eficiente.
  • Generar ventas incrementales sin canibalizar el resto de canales.
  • Controlar los impactos para evitar la saturación del usuario.
  • Etc.

Desde BMIND, gracias a la aplicación de inteligencia sobre las capacidades que nos brinda la tecnología, nos esforzamos en resolver los retos señalados desde múltiples perspectivas y a través de diferentes casos de uso. Como ejemplo de esto, profundizaremos en uno de ellos, del cual nos enorgullece ver que otros players (consultoras/agencias) están empezando a utilizar, no solo destacando el atractivo del nombre, sino también consolidando el valor que aporta. Nos estamos refiriendo al Smart Retargeting o Thermomarketing.

De la unión entre el concepto de destinar recursos económicos de forma inteligente y estrategias relacionadas con usuarios que han estado en contacto con algún activo digital, surge el caso mencionado. Pero lo que hay que tener claro es, sobre todo, que la naturaleza de estas técnicas es independiente a la tecnología disponible (DMP, etc). Su contexto, desarrollo y aplicación surgen de un entendimiento previo de necesidades estratégicas y de negocio, es decir, de identificar la infraestructura tecnológica como medio y no como fin.

No estamos reinventando la rueda, si bien la hacemos más redonda. Este punto de vista trata de dar respuesta a preguntas como:

  • ¿Merece la pena destinar recursos/esfuerzos a establecer contacto a través de publicidad display con usuarios que nos han visitado?
  • ¿El hecho de que nos visiten es un motivo de peso para la realización de esfuerzos?
  • ¿Todos los usuarios tienen el mismo valor?

En los siguientes bloques, plasmaremos una forma de llegar a una solución que nos permita dar respuesta a las preguntas planteadas.

Segunda base – Análisis de datos para dar respuestas de negocio

Para contestar a las preguntas formuladas, nos apoyaremos en el concepto de probabilidad, es decir, la posibilidad de que un hecho ocurra.

En relación con Smart Retargeting, podemos decir que merece la pena destinar recursos o esfuerzos a usuarios que nos han visitado si y solo si existe probabilidad de que los usuarios den respuesta positiva a los objetivos que hemos planteado previamente¿Cómo determinamos la probabilidad de que un usuario cumpla un objetivo determinado? Grosso modo, teniendo claras dos cosas:

  1.       Qué es lo que quiero predecir.
  2.       Identificar las variables relevantes que explican lo que queremos predecir.

Antes de continuar, es importante tener en cuenta que ambos puntos, en un contexto digital, están estrechamente relacionados con el data Layer, que no es otra cosa que el conjunto de objetivos, requerimientos y necesidades de negocio alineados en un formato legible y transferible a especificaciones técnicas. O lo que es lo mismo, la fuente de datos que utilizaremos para determinar qué es lo que queremos predecir, por ejemplo, la propensión de compra de un usuario) y las variables que explican dicha propensión:

  • Variable a predecir (compra): En este caso un sí o un no, es decir una probabilidad binomial.
  • Identificación de las variables relevantes: Dependiendo de la naturaleza de las variables, deberemos aplicar una técnica u otra.

En nuestro caso supongamos que las variables de las que disponemos son cualitativas y cuantitativas. Dado que lo que queremos predecir es binomial y las variables que explican dicho resultado son tanto cualitativas como cuantitativas, la técnica estadística en la que nos vamos a apoyar es la regresión logística, que se basa en la función logística f(y) plasmada en la siguiente ecuación:

A través de la aplicación de esta técnica, obtendremos la probabilidad de que un usuario con una serie de variables representativas de nuestras necesidades de negocio (obtenidas a través del data Layer) cumpla el objetivo planteado. Como podemos observar en el gráfico, cuando la combinación de las variables explicativas, dan como resultado un valor de y que tiende a – ∞, el valor es 0, en nuestro caso “no compra”. Si la combinación de las variables explicativas dan como resultado un valor de y que tiende a + ∞, el resultado tiende a 1, es decir, sí compra.

Tercera base – Del reto a la receta

El siguiente esquema detalla a nivel visual, un framework que nos permite emplear recursos de forma inteligente a través del análisis y gestión del dato con el fin de establecer una comunicación con el usuario que dé respuesta a nuestros objetivos y necesidades de negocio:

Home Run – Anotaciones finales

Me parece interesante comentar que existen grandes oportunidades de establecer sinergias a la hora de emplear recursos de forma eficiente y eficaz. Smart Retargeting o Thermomarketing son ejemplos de casos de uso que pueden ir de la mano de la explotación de tecnologías en concreto, como por ejemplo un DMP, pero existen infinidad de casos de uso además de los comentados. No obstante, tal y como comentábamos anteriormente, queda mucho desarrollo… Según se detalla en el framework, una vez identificados “grados de propensión”, podemos continuar con el EV. La expresión matemática es:

Donde:

%W=probabilidad de que ocurra el resultado esperado.
$w=Unidades monetarias que gano si ocurre el resultado esperado.
%L=probabilidad de que no ocurra el resultado esperado.
$l=unidades monetarias que pierdo si no ocurre el resultado esperado.

En definitiva, y a modo de conclusión final, cada vez que tomamos decisiones basadas en un EV +, estaremos generando impacto económico a largo plazo.

¡Muchas gracias!


Got a project? Let’s get started

iso

Services

End to end capability over data life cycle. Ensuring alignment between effort and return building Data & Tech ecosystems adapted to each client requirements impacting on business in a short, mid and long term.

Technologies

Best of bread technologies on the MarTech & AdTech echosistem tailored to build client solutions

DMP
DSP
CRM
AD SERVER
ANALYTICS
ATT MODELING
BI
TAG MANAGER
TESTING & FERS