15 Min. Read

El aprendizaje automático en la era digital: El futuro es ahora

Michal Wagner Michal Wagner Mar 10, 2021

El aprendizaje automático es una de esas palabras de moda que se utiliza a menudo, y a veces de forma abusiva…

No me malinterpretes, es una herramienta muy poderosa en la era de los datos, pero ¿qué significa realmente? ¿Y qué aporta realmente a los marketers digitales y móviles en particular?

En términos básicos, el aprendizaje automático es la aplicación de la Inteligencia Artificial (IA) que permite a un sistema aprender de forma autónoma. La IA intenta simular la inteligencia humana, mientras que el aprendizaje automático se basa en datos anteriores y los aplica de forma autónoma a la realización de tareas. Con el tiempo, y con volúmenes de datos cada vez mayores, la máquina es capaz de aprender de tareas anteriores y mejorar la precisión para la toma de decisiones y las predicciones.

En el ámbito del marketing digital, los algoritmos de aprendizaje automático pueden ayudar a comprender las tendencias del comportamiento de los usuarios, de modo que podamos predecir lo valiosos que pueden ser estos usuarios a lo largo del tiempo.

Con la introducción del iOS 14 y sus limitaciones de atribución, la importancia de las predicciones para que los marketers de aplicaciones sean igualmente eficaces aumenta considerablemente.

El aprendizaje automático también desempeña un papel clave en la segmentación de la audiencia, la personalización, la compra de medios, la optimización creativa y la automatización de procesos.

En este blog analizaremos el papel y el valor del aprendizaje automático en el marketing digital y, específicamente, en el marketing de aplicaciones móviles, a la vez que proporcionaremos casos de uso específicos y ejemplos relevantes.

Presumo que te beneficiarás de este post, así que empecemos.

 

Índice

 

Análisis inteligente basado en datos en el marketing digital

Una de las características clave del marketing digital es la recopilación de datos para la optimización de las campañas.

Dado que todos los marketers recopilan datos y son capaces de realizar algún tipo de análisis, en lo que difieren es en su capacidad para aplicar estos datos de forma inteligente. Esto significa invertir en las herramientas adecuadas, la infraestructura correcta y el equipo adecuado (especialmente los científicos de datos) para obtener insights significativos que realmente impulsen el crecimiento del negocio.

Pero los datos son solo un medio para alcanzar un fin, y los análisis básicos, como los CTRs, los CTIs y los CPAs, ya no son suficientes. Se necesitan herramientas avanzadas, como el análisis predictivo y el aprendizaje automático, para llevar los datos y la toma de decisiones al siguiente nivel.

Uno de estos usos avanzados consiste en la oportunidad de tomar estos datos y aplicar técnicas de aprendizaje automático para predecir las tendencias de los consumidores, proporcionando a los vendedores una poderosa capa de inteligencia que permite una toma de decisiones más inteligente.

La unión de las acciones pasadas con las predicciones futuras es una de las principales razones por las que el aprendizaje automático supone un cambio de juego para los marketers digitales. Hablaremos más sobre este punto más adelante en este artículo.

 

Las ventajas del aprendizaje automático en el marketing digital

Hay muchas formas de aprovechar el aprendizaje automático en el marketing digital para sacar el máximo partido a los datos:

 

Mejora de la segmentación de los usuarios

Los marketers digitales tienen la posibilidad de conocer a sus clientes a lo largo del tiempo mediante la medición granular de sus actividades. Una aplicación móvil puede tener más de 200 métricas disponibles para medir, pero un vendedor típico probablemente medirá un máximo de 25. Una máquina, en cambio, es capaz de ingerir toda esa información en cuestión de segundos y aplicarla a los esfuerzos de marketing.

Las ventajas del aprendizaje automático en el marketing digital

Veamos un ejemplo:

Una aplicación de eCommerce tiene decenas de miles de usuarios activos al día. Con el aprendizaje automático, un gestor de campañas podrá predecir, basándose en comportamientos anteriores, qué usuarios son propensos a comprar qué y cuándo.

Considera el poder del conocimiento. Con esta información, el marketer podría crear una campaña perfectamente elaborada, que se dirigiera exactamente a los usuarios adecuados en el momento exacto.

Utilizando indicadores como las compras anteriores, la frecuencia de las compras, la hora del día, los datos demográficos, la progresión del embudo, etc., el algoritmo es capaz de agrupar audiencias más generales y segmentarlas en audiencias altamente granulares y mutuamente excluyentes para lograr una orientación y un mensaje más eficaces y, en última instancia, un mejor rendimiento del gasto publicitario (ROAS).

 

Una experiencia de usuario más personalizada

Una mejor segmentación permite ofrecer una experiencia más personalizada.

Si sabes en qué punto del embudo se encuentra tu cliente, podrás ofrecerle el anuncio que mejor se adapte a su etapa y preferencias.

Cuando los usuarios están en la aplicación, el aprendizaje automático puede utilizar datos como el historial de búsqueda y las acciones típicas y emparejarlo con datos de comportamiento y solicitudes de búsqueda de usuarios similares para sugerir más productos o servicios.

Por ejemplo, una aplicación de ropa probablemente conocerá el género del usuario (suponiendo que las mujeres ven artículos de ropa de mujer y viceversa), sus compras anteriores y cuánto suele gastar en un artículo. Junto con información como la temporada y la localización, el algoritmo reúne todos estos factores y sugiere artículos que pueden utilizarse en las creatividades de re-engagement para una experiencia más personalizada.

 

Optimización de la creatividad

Saber cuál es la ubicación exacta, el color, el tamaño, etc. de un botón CTA o de una imagen es algo que podemos experimentar mediante las pruebas A/B. Sin embargo, esto suele limitarse a una sola variable. El aprendizaje automático permite a los marketers probar múltiples variables a la vez y ofrecer insights sobre cuál fue la más efectiva.

Por ejemplo, un vendedor puede tener docenas de campañas funcionando simultáneamente, todas con al menos 10 elementos diferentes en cada activo creativo. Entender qué combinación de elementos, por ejemplo, colores, ubicación en la página, texto, número de palabras en el CTA, etc., requiere que una máquina sea capaz de analizar todas las combinaciones posibles y ofrecer insights sobre lo que ofrece los mejores resultados.

 

Automatización de los procesos

Automatización de los procesos

El aprendizaje automático no se limita a la capacidad de orientar mejor a los usuarios. En el fondo, se trata de aprender a realizar tareas sin supervisión humana. Una campaña de marketing está llena de procesos, muchos de los cuales son prácticos, rutinarios y repetitivos.

Al automatizar estas tareas, los marketers liberan tiempo para centrarse en cuestiones que requieren la intervención humana. Como resultado, conseguirán realizar un proceso más ágil y eficiente, menos errores humanos y más capacidad para que los marketers se ocupen de tareas complejas y estratégicas.

Por ejemplo, los gestores de campañas suelen dirigir docenas de campañas en un momento dado. Suelen empezar el día mirando un dashboard de datos y evaluando qué campañas están funcionando bien y cuáles no, y ajustan sus esfuerzos de marketing en consecuencia. Lo que les sirve para optimizar sus campañas se basa sobre todo en su propia experiencia e intuición.

Sin embargo, la automatización lograda mediante el aprendizaje automático puede utilizarse para optimizar mejor las campañas. Los algoritmos son capaces de procesar y analizar con rapidez y precisión los datos de las campañas y activar notificaciones cuando se producen ciertas tendencias o picos inusuales. Estas alertas son esencialmente insights con los que el gestor de la campaña puede decidir si detener, ajustar o redoblar sus esfuerzos de marketing.

 

Implementando el aprendizaje automático

El impacto del aprendizaje automático va mucho más allá de estas ventajas, y es de hecho una gran influencia para los esfuerzos de marketing móvil en su conjunto. Hay numerosos ejemplos y casos de uso, pero vamos a explorar algunos de los principales.

 

Fraude publicitario

El fraude ha afectado y seguirá afectando a la web y al mundo de las aplicaciones. Se estima que solo en el primer semestre de 2020 se expusieron 1.600 millones de dólares al fraude de instalación de aplicaciones (cantidad de gasto publicitario que se habría perdido a causa del fraude si no hubiera existido ninguna protección). Superar a los defraudadores es un desafío interminable.

El aprendizaje automático es una herramienta vital para combatir el fraude de forma eficaz y eficiente mediante el análisis de las tendencias comunes de comportamiento de los usuarios, utilizando estos insights para destacar cualquier actividad que pueda desviarse de estas tendencias.

Mientras que ningún ser humano puede comparar simultáneamente las tendencias de los datos a través de docenas de indicadores de los dispositivos, las tendencias del engagement y el tiempo y detectar algún que otro fallo, una máquina puede hacerlo en cuestión de milisegundos.

Además, cuanto mayor sea el conjunto de datos disponible, más rápido podrá la máquina identificar las tendencias de fraude existentes y las nuevas a medida que vayan surgiendo. La máquina puede bloquearlas con mayor importancia estadística y confianza.

 

Chatbots

Ofrecer un servicio de atención al cliente de calidad es también un objetivo importante para la mayoría de las empresas, y los propietarios de aplicaciones no son diferentes. Los chatbots son programas informáticos que pueden establecer conversaciones similares a las humanas, y las versiones más avanzadas se basan en el aprendizaje automático. En su forma más básica, ofrecen la oportunidad de prestar un servicio de atención al cliente 24/7.

Los bots más avanzados impulsados por el aprendizaje automático pueden ayudar a los clientes a completar compras y responder preguntas frecuentes. Puedes reducir tus costos de atención al cliente, haciendo que los bots escalen cualquier consulta que el algoritmo no pueda responder.

Autodesk, una empresa de diseño en 3D, utilizó su bot, AVA, precisamente para este propósito. Su bot responde a consultas sencillas de nivel 1, como cambios de dirección, problemas de pago y problemas de inicio de sesión, en cualquier momento del día o noche. Su servicio de bot mejoró sus tiempos de respuesta en un 99% y redujo el costo por consulta de 15-200 dólares (atención al cliente realizado por humanos) a 1 dólar. El bot tiene más de 40 conversaciones que puede resolver eficazmente y todos los demás problemas se escalan.

 

Dando un paso más, los marketers digitales pueden mejorar sus interacciones con los clientes utilizando los datos de los chatbots para ofrecer una experiencia más personalizada a sus usuarios. Por ejemplo, utilizando la información generada durante una conversación con un chatbot para informar de una campaña de remarketing.

 

Precios dinámicos

Las aplicaciones de viajes quieren saber que están fijando los precios de sus productos y servicios al nivel del mercado. Por ejemplo, una aplicación de reserva de hoteles no querrá poner un precio a la misma habitación de hotel mucho más alto o más bajo que el de su competencia. Los precios dinámicos utilizan el aprendizaje automático para supervisar la web y garantizar que el precio que se indica es el valor de mercado correcto en ese momento.

Además, también puede predecir qué usuarios pueden estar cerca de comprar y ofrecerles descuentos oportunos. Estos descuentos pueden limitarse a aquellos que están cerca de la conversión, pero que requieren un incentivo adicional. De este modo, se pueden ofrecer recortes de precios en las campañas de marketing de forma limitada y a aquellos que, de otro modo, no convertirían.

 

Adquisición de usuarios

Las fuentes de medios, con su enorme escala de datos, son capaces de aprovechar el aprendizaje automático en las campañas de adquisición de usuarios para el marketing de aplicaciones. Para los marketers, es importante entender cómo sus socios de medios están aprovechando el aprendizaje automático en un esfuerzo por optimizar sus campañas.

Facebook ha desarrollado una herramienta llamada Automated App Ads (AAA) que, mediante el aprendizaje automático, permite a los marketers probar audiencias de forma rápida y eficaz. Pueden probar palabras clave o creatividades y analizar los resultados para ver cuáles recibieron las mejores tasas de conversión.

El producto Google App Campaigns (AC) utiliza el aprendizaje automático para analizar cientos de señales en tiempo real para que tu aplicación aparezca frente al usuario con mayor probabilidad de conversión. AC también utiliza esta tecnología para optimizar las ofertas en las propiedades de Google. Para ello, toma los tipos de campaña, los eventos in-app y los valores de conversión dentro de la aplicación y los incorpora a otras variables como el texto, la creatividad, el presupuesto, los KPIs y la oferta.

Luego, Google toma toda esta información y, mediante el aprendizaje automático, la pone a prueba en todas sus propiedades, incluyendo las búsquedas, Google Play, Discover, la Red de Display de Google y, cada vez más, YouTube, sirviendo los anuncios que mejor funcionan.

Las redes publicitarias, los DSPs y los intercambios, así como las plataformas de mediación y otros actores del lado de la venta, también aprovechan el aprendizaje automático en las campañas programáticas, especialmente las que implican ofertas en tiempo real.

 

Entender el comportamiento de los clientes

Por último, y de manera crucial para los marketers de aplicaciones, el aprendizaje automático es una excelente manera de entender el comportamiento de los clientes. Ya lo hemos mencionado brevemente, pero la capacidad de predecir cómo es probable que se comporte un cliente basándose en sus interacciones anteriores es una herramienta increíblemente útil para los marketers. Exploremos un poco más este concepto.

 

Predicción del comportamiento de los clientes

Los marketers de aplicaciones tienen un mar de datos a su disposición, pero no todos se utilizan. Sin embargo, con el aprendizaje automático pueden aprovechar el análisis de las tendencias de rendimiento pasadas para construir una predicción sólida de las tendencias futuras e incluso de la próxima acción de un cliente.

Hipotéticamente, una máquina puede saber, por ejemplo, que un usuario que completa un tutorial y pasa tres niveles de un juego en su primer día después de la instalación es más probable que compre tokens. Tener este conocimiento puede ayudar a los marketers de aplicaciones a decidir desde el principio si se debe optimizar una campaña, eliminarla o aumentar el gasto.

Hemos mencionado que cuantos más datos tenga la máquina, mejores serán las suposiciones que pueda hacer. Sólo cuando hay suficientes datos y se alcanza un determinado nivel de confianza, esta suposición puede considerarse una predicción. Es importante que la predicción se realice en el momento adecuado para que el marketer pueda actuar sobre el insight antes de perder la oportunidad de crear valor a partir de ella. Si los datos son demasiado escasos, la suposición puede ser incorrecta; si se espera demasiado, se puede haber perdido el momento de la optimización.

Por lo tanto, una estrecha integración con dashboards ricos en datos, como los eventos in-app, que reflejen mejor el patrón de LTV de un cliente, permitirá que un algoritmo de predicción ofrezca resultados más rápidos y precisos.

Tu socio de atribución está perfectamente posicionado para proporcionar estos datos y, como tal, ayuda a construir la imagen de lo bien que está funcionando una campaña. Contar con un proveedor de atribución que tenga el aprendizaje automático integrado en su sistema mejorará esta solución ya inteligente.

Piensa en tus datos de atribución como la infraestructura de tus campañas de marketing. Tus dashboards de atribución almacenan grandes cantidades de datos y están constantemente recibiendo más. La capacidad de predecir lo que un usuario, o un grupo de usuarios, puede hacer a continuación es una ventaja significativa a la hora de asignar presupuestos y recursos.

 

Comprender los insights de los análisis predictivos

Los análisis de marketing ayudan a deconstruir los datos destacando las tendencias y proporcionando insights para que los marketers puedan determinar qué usuarios son los más valiosos y qué canales son los más rentables.

El proceso de comprensión de datos y de generación de insights puede llevar varias semanas, o incluso meses. Los análisis predictivos ayudan a reducir el periodo de aprendizaje de la campaña utilizando las integraciones existentes para proporcionar una predicción precisa del LTV de la campaña.

Al aprovechar el aprendizaje automático y comprender la información existente a nivel de usuario, el análisis predictivo podría proporcionar una puntuación de la campaña a los pocos días de su lanzamiento, indicando al marketer el éxito que puede tener. Con esta información, el marketer puede reducir la campaña, optimizarla cuando sea necesario o duplicarla, lo que le permitiría tomar una decisión rápida de pausa, impulso y optimización.

Análisis predictivo

 

El desafío del SKAdNetwork

El desafío llega con la introducción del iOS 14 y el uso de SKAdNetwork, que pretende crear un entorno más centrado en la privacidad, y limitar la medición de datos a nivel de usuario en el ecosistema iOS.

Para Android y los que optan por la medición IDFA, la atribución tradicional sigue estando disponible. Los datos están disponibles mucho más rápido y de forma continua, por lo que los marketers pueden optimizar sin necesidad de utilizar predicciones (aunque el uso de predicciones siempre es aconsejado y utilizado por los marketers más inteligentes).

Sin embargo, en iOS 14, la cantidad de datos está muy limitada. SKAdNetwork solo permite un postback por campaña, por lo que existe un límite no sólo en el volumen de datos, sino también en el tiempo en el que el marketer tiene que ser capaz de tomar decisiones sobre si una campaña tiene posibilidades de éxito.

Cuando se comparan las capacidades de los modelos de atribución tradicionales con lo que es posible en SKAdNetwork, se ve la importancia vital del aprendizaje automático para el marketing de aplicaciones. Los algoritmos de aprendizaje automático pueden aprender rápidamente, y lo que es más importante, predecir qué campañas tienen más probabilidades de proporcionar los clientes más valiosos.

Además del límite de un postback por campaña, SKAdNetwork tiene otras limitaciones, como la falta de datos en tiempo real, la ausencia de datos de ROI o LTV, ya que mide sobre todo las instalaciones, y la falta de granularidad, ya que sólo se dispone de datos a nivel de campaña (y ésta está limitada a 100 campañas). Además, hay un retraso de 24 horas, y a veces más, en la devolución de los datos y no hay soporte para la atribución del re-engagement.

Así que la pregunta realmente es, en esta realidad posterior al iOS 14, SKAdNetwork, ¿Cómo se puede ofrecer publicidad relevante sin saber qué acción realiza cada usuario?

Con el aprendizaje automático, que permitirá a las redes publicitarias seguir aportando valor sin tener que crear perfiles de usuario intrusivos.

Una forma puede ser utilizando estimaciones estadísticas y datos anteriores para predecir acciones futuras. Los marketers también pueden realizar experimentos utilizando parámetros no personalizados, como las señales contextuales mencionadas anteriormente, y entrenar sus modelos de aprendizaje automático sobre lo que tuvo éxito y lo que no. Los resultados se aplican entonces a futuras campañas y se perfeccionan a medida que se recogen más datos.

Aprendizaje automático

El futuro del aprendizaje automático es ahora

El aprendizaje automático no se irá a ninguna parte. De hecho, sus capacidades no hacen más que aumentar. Existe la preocupación de que estos algoritmos se hagan cargo de algunas funciones, y puede que así sea, pero probablemente serán tareas repetitivas, que requieran mucho tiempo y que sean rutinarias y que los marketers no disfruten. Por otro lado, liberará recursos y tiempo para utilizar en tareas más críticas que requieren la intervención humana.

Un ejemplo de ello son las creatividades. Una máquina puede ser capaz de hacer predicciones de palabras clave, pero no puede desarrollar una idea detallada o diseñar las creatividades que acompañan a una campaña. Hay algunos aspectos del marketing digital en los que el toque humano sigue siendo vital y las creatividades son un ejemplo.

Con la introducción del iOS 14, el aprendizaje automático será una herramienta muy importante para los marketers, que tendrán que demostrar que el marketing basado en datos puede seguir prosperando en la era de la privacidad.

 

Puntos clave

Aunque la aplicación del aprendizaje automático en el marketing móvil aún está comenzando, lo cierto es que ha llegado para quedarse. La IA y el aprendizaje automático ya han tenido un impacto significativo en el análisis de marketing y predecimos que esto es solo el comienzo de su largo viaje.

Resumen de lo que hemos aprendido:

  • El aprendizaje automático permite tomar decisiones inteligentes utilizando datos históricos para predecir tendencias futuras
  • Hay muchos ejemplos de cómo el aprendizaje automático puede aplicarse a los esfuerzos de marketing, entre ellos:
    • Segmentación de la audiencia
    • Lucha contra el fraude
    • Ofrecer una mejor experiencia de usuario
    • Mejora de la adquisición de usuarios
    • Capacidad para fijar el precio de los productos de forma dinámica
  • El aprendizaje automático puede ayudarnos a comprender el comportamiento de los clientes en menos tiempo y permitir a los marketers predecir las tendencias y acciones futuras con mayor rapidez y precisión
  • El aprendizaje automático será una herramienta fundamental en la era posterior al iOS 14, ya que la cantidad de datos y el tiempo que tienen los marketers para decidir el valor de una campaña son muy limitados. Por lo tanto, la capacidad de predecir tendencias a partir de los datos disponibles será fundamental para los marketers en el futuro

Por último, cuantos más datos tengamos, más inteligentes y precisas serán las predicciones. Por supuesto, habrá algunos aspectos del marketing móvil que las máquinas nunca podrán replicar, pero cuanto más adoptemos las capacidades del aprendizaje automático, más inteligentes seremos los marketers.