馃帣 Episodio 75. Marketing e Inteligencia Artificial

En el episodio de hoy de Un podcast ninja sobre Big Data vamos a hablar de c贸mo se aplica la Inteligencia Artificial al mundo del marketing.

Desde que entramos en la era post-GPT, cuando se habla de Inteligencia Artificial aplicada al marketing normalmente se hace referencia a la fase de generaci贸n de contenido.

Textos de venta generados con modelos del lenguaje o im谩genes en una campa帽a que se han creado utilizando el Stable Diffusion o DALL路E3 de turno.

Esto por supuesto que es un uso de la IA en marketing.

Pero la realidad es que la Inteligencia Artificial se utiliza en este sector desde que empresas como Google o Facebook hicieron de la publicidad su modelo de negocio.

Y en particular de la publicidad dirigida.

Una publicidad que est谩 TAN dirigida que incluso a veces parece que nos est谩n escuchando para averiguar lo que queremos.

驴C贸mo cre茅is que lo consiguen?

Pues recogiendo datos. 

El combustible de este modelo de negocio basado en publicidad son los datos que generamos cada uno de nosotros cuando interactuamos con el buscador de Google, nos guiamos con Google Maps, navegamos por internet con las famosas cookies o vemos v铆deos de Youtube.

Con cada una de esas acciones Google est谩 recogiendo datos para entrenar sus modelos de Machine Learning.

O cuando echamos un rato en Instagram, cada vez que deslizamos, que vemos un video, damos un like a una publicaci贸n o la guardamos, Meta recoge datos para entrenar a los suyos.

Y como siempre os digo鈥 cualquier problema basado en datos comienza con preguntas por responder.

En el caso del marketing, las preguntas ser铆an del estilo a:

驴c贸mo llegar de una forma m谩s eficaz y rentable al cliente? o 驴cu谩les son sus preferencias de compra?

Antes, la manera en la que un departamento de marketing pod铆a llegar a sus potenciales clientes pues era poniendo un anuncio en un intermedio de publicidad en un programa de la tele鈥 cuanta m谩s audiencia tuviera el programa, mejor pero tambi茅n m谩s caro conseguir anunciarse ah铆.

Hab铆a otras maneras como darse a conocer con un anuncio en un peri贸dico o en una marquesina de una parada de autob煤s. 

Esto no es que haya dejado de existir, obviamente se sigue haciendo pero es algo que est谩 al alcance de empresas con mucho presupuesto para marketing.

Porque anunciarse en el intermedio de un programa de m谩xima audiencia pues barato, lo que se dice barato, no es.

De hecho cuanto mayor sea el potencial alcance del anuncio, pues m谩s caro.

El objetivo es un anuncio que llegue a ver muuucha gente y alguna de estas personas est茅 interesada en el producto que se anuncia, aunque sea un peque帽o porcentaje.

Vale.

Pues imaginaos ahora que vend茅is algo. Lo que sea. Un producto, un servicio鈥 lo que sea, y os pregunto鈥

驴Qu茅 prefer铆s: que vuestro anuncio lo vea el mayor n煤mero de personas posible o que lo vea menos gente pero que sea gente a la que le interesa lo que vend茅is?

El modelo de la publicidad personalizada

Este es el modelo de Google, de Meta y de estos gigantes cuyo punto fuerte son los datos que permiten ense帽ar un anuncio determinado a la gente potencialmente interesada en comprar eso.

La publicidad personalizada.

Ellos tienen la capacidad de segmentar a sus usuarios a partir de los datos que recopilan y ofrecen a los anunciantes mostrar su publicidad a qui茅nes crean que pueden estar m谩s interesados.

Por ejemplo, a personas de 18 a 24 a帽os interesados en tecnolog铆a, o a adultos mayores interesados en viajes. Lo que sea.

Los anunciantes pagan por ese espacio publicitario.

Vale, pues esto es s贸lo el principio.

Porque si por un lado las empresas pioneras en la recogida y explotaci贸n de datos encontraron c贸mo sacar unos dineritos a base de ofrecer espacios de publicidad segmentada a los anunciantes, otras empresas tambi茅n potentes como Spotify o Netflix utilizan los datos que recogen para personalizar la experiencia de sus propios usuarios.

Si consiguen ofrecer a sus propios usuarios una experiencia mejor es m谩s probable que 茅stos no se vayan con la competencia.

Y luego, est谩 tambi茅n la parte en la que las empresas que tienen un presupuesto de marketing para gastar en publicidad personalizada en RRSS, en Youtube, en Google Ads, en promocionar un producto en Amazon o lo que sea pues quieran optimizar ese presupuesto para que les cunda m谩s de lo que les cueste.

Esto 煤ltimo es un mundo en s铆 mismo.

Todo esto se hace gracias a t茅cnicas de ciencia de datos y a ninjas de los datos que trabajan en departamentos de marketing.

Ciencia de datos en marketing

As铆 que vamos a repasar el abanico de posibilidades que la ciencia de datos abre para transformar c贸mo las empresas interact煤an con los clientes, personalizan experiencias y optimizan sus estrategias.

Al fin y al cabo, la ciencia de datos es el proceso de extraer informaci贸n 煤til a partir de datos utilizando t茅cnicas estad铆sticas, algoritmos de machine learning, y m茅todos de an谩lisis de datos para descubrir patrones, tendencias, y relaciones en los datos. 

Lo he comentado antes un poco por encima pero el beneficio principal de la ciencia de datos en el mundo del marketing, o al menos del que os voy a hablar hoy, es conseguir la segmentaci贸n de los clientes para crear campa帽as personalizadas.

La segmentaci贸n

La segmentaci贸n consiste en agrupar a nuestros clientes bas谩ndonos en distintos criterios. 

Hay varias maneras鈥.

Criterios de segmentaci贸n

Un criterio puede ser seg煤n caracter铆sticas demogr谩ficas como la edad, el g茅nero o el nivel socioecon贸mico lo que nos permite entender cosas b谩sicas sobre cada grupo; por ejemplo, cu谩l es la edad promedio de las personas que compran nuestros productos, cu谩nto dinero ganan en promedio o qu茅 tipo de trabajos tienen.

Tambi茅n se puede realizar una segmentaci贸n seg煤n c贸mo se comportan.

Estos datos los podemos obtener a partir de su comportamiento en nuestra p谩gina web o incluso en el mundo offline.

Por un lado, cada vez que un usuario visita nuestra web, podemos medir cu谩nto tiempo pasan en cada p谩gina, qu茅 productos miran m谩s, con cu谩les no interact煤an nunca y qu茅 proceso siguen hasta realizar una compra y por otro, en el mundo offline es posible rastrear el comportamiento de los usuarios cuando les ofrecemos tarjetas de fidelizaci贸n.

Por ejemplo, al ofrecer descuentos y promociones con una de estas tarjetas podemos recopilar datos del comportamiento del usuario.

Todo esto nos ayuda a entender c贸mo interact煤an con nuestra marca. Por ejemplo, es posible ver qu茅 canales utilizan m谩s para conocer nuestros productos, qu茅 tipo de contenido les gusta m谩s, y cu谩nto de probable es que nos compren algo.

Y luego, tenemos el criterio psicogr谩fico que tiene en cuenta los rasgos psicol贸gicos de los consumidores, su estilo de vida, sentimientos, intereses, deseos, etc.

Este tipo de segmentaci贸n  nos ayuda a entender qu茅 motiva a nuestros clientes, qu茅 productos podr铆an interesarles m谩s y el estilo de vida que aspiran tener.

Con todo esto se consigue dirigir los esfuerzos de marketing de manera m谩s efectiva o definir perfiles de cliente que permiten despu茅s a los creativos de marketing definir campa帽as m谩s relevantes para el tipo de clientes al que quieren dirigirse.

Definici贸n de perfiles de cliente

Por ejemplo,  a partir de los resultados de estas segmentaciones se podr铆a definir un perfil de cliente que representara a cada grupo.

Uno de estos grupos podr铆a ser representado por Mar铆a, una dise帽adora gr谩fica de 25 a帽os que gana 24000鈧 al a帽o. Mar铆a tiene un grado universitario y le interesa el arte, la moda, el dise帽o y viajar. Mar铆a es muy activa en redes sociales, pasa mucho tiempo en l铆nea y hace compras impulsivas. Quiere ser elegante, estar a la moda, y valora la creatividad y la autenticidad.

Mar铆a no existe pero representa uno de estos grupos que nos ha devuelto el an谩lisis de segmentaci贸n.

A partir de este perfil ficticio el equipo de marketing puede  desarrollar contenido en redes sociales que aborde temas como la moda y el dise帽o, colaborar con influencers centrados en este sector, dise帽ar campa帽as de marketing enfocadas en lo que motiva a Mar铆a, como promover la creatividad y la autenticidad, que son valores importantes para ella. Y, considerando que Mar铆a tiende a comprar por impulso, las campa帽as podr铆an estar dise帽adas para incentivar ese comportamiento con ofertas flash, por ejemplo.

Es lo que hace Nespreso cuando transmite lujo, elegancia y sobriedad en sus anuncios. Desde que sea George Clooney el actor elegido, a la ropa que lleva, los colores que predominan. B谩sicamente, los anuncios buscan alcanzar a consumidores que se identifiquen con lo refinado.

Recopilaci贸n de datos

驴De d贸nde salen esos datos de clientes que nos permiten segmentarlos?

Una manera muy com煤n es ofrecer un descuento a cambio de que se registren en la web o pedir una serie de datos a la hora de realizar una compra.

Aqu铆, los clientes suelen proporcionar informaci贸n b谩sica como su nombre, edad, email, y a veces informaci贸n demogr谩fica adicional como su direcci贸n, g茅nero o fecha de nacimiento.

Tambi茅n tenemos las herramientas de an谩lisis web como Google Analytics y de redes sociales que permiten a las empresas rastrear c贸mo interact煤an los usuarios con sus sitios web y perfiles sociales.

Esto incluye p谩ginas visitadas, tiempo de permanencia, patrones de navegaci贸n, y acciones realizadas (como clics, compras, y suscripciones).

Adem谩s, las cookies se instalan en el navegador de los usuarios y recopilan datos sobre el comportamiento de navegaci贸n de los usuarios en Internet, m谩s all谩 del sitio web de la empresa.

Esto ayuda a entender sus intereses bas谩ndose en los sitios web que visitan, los anuncios en los que hacen clic, y las b煤squedas que realizan.

Despu茅s tendr铆amos la informaci贸n de las compras realizadas por los clientes, ya sea en l铆nea o en tiendas f铆sicas de las que podr铆amos obtener caracter铆sticas como la frecuencia de compra, las categor铆as de productos preferidas, o el gasto promedio.

Adem谩s de todo esto, las empresas tambi茅n pueden complementar sus datos con informaci贸n de fuentes externas, como bases de datos demogr谩ficas, informes de tendencias de la industria, y datos de comportamiento de consumo, para obtener una visi贸n m谩s completa de sus clientes.

Machine Learning para segmentar

Una vez que tenemos los datos, la segmentaci贸n se realiza utilizando modelos de Machine Learning no supervisados.

Utilizando t茅cnicas de aprendizaje no supervisado no nos estamos formando ideas preconcebidas sobre los datos sino que ellos mismos se organizan.

脷nicamente tenemos las caracter铆sticas que hemos recopilado sobre los clientes y el propio modelo descubre los patrones ocultos en los datos sin tener grupos pre-definidos.

Hay que tener en cuenta que a diferencia de los modelos de machine learning supervisados, aqu铆 no existen las respuestas correctas ni los grupos exactos.

De hecho, el n煤mero de grupos es algo que tendremos que elegir antes de comenzar con el algoritmo de clustering.

Lo que hace el algoritmo es agrupar los distintos clientes en el n煤mero de clusters que le hemos dicho bas谩ndose en su similitud.

La idea es que los clientes dentro de un mismo cluster sean m谩s similares entre s铆 que con los clientes de otros clusters. 

El algoritmo k-means

El primer paso es definir las caracter铆sticas de los clientes que se utilizar谩n para el agrupamiento. Estas pueden incluir los datos que dec铆amos antes como los datos demogr谩ficos, los de navegaci贸n o los que sean.

Luego se elige una m茅trica para medir la similitud entre los clientes bas谩ndose en las caracter铆sticas seleccionadas.

Cada cliente se asigna al cluster cuyo centro est谩 m谩s cerca, seg煤n la medida de similitud que hemos definido. Esto formar铆a los grupos iniciales.

Despu茅s de asignar todos los clientes a los distintos clusters, se recalculan los centros de cada cluster como el promedio de todos los puntos (clientes) dentro del cluster. Esto refina la posici贸n del centro para que represente mejor a los miembros del grupo.

Y despu茅s repetimos el proceso.

Asignamos los clientes a cada cluster seg煤n la distancia a su centro, recalculamos los centros de cada cluster as铆 hasta  que se cumpla un criterio de convergencia, como que los cambios en los centros de los clusters sean menores a un umbral o que lleguemos a un tope de iteraciones predefinido.

El algoritmo devuelve un resultado con las distintas agrupaciones de los clientes y seremos nosotros los encargados de asignar etiquetas a posteriori.

Tal vez, analizando los distintos grupos que ha devuelto el algoritmo podemos observar qu茅 caracter铆sticas comunes tienen los clientes que m谩s dinero compran en nuestra tienda online y que el equipo de marketing defina un perfil de cliente que represente a dicho grupo para despu茅s dise帽ar una estrategia completa de comunicaci贸n que permita fidelizarlo, por ejemplo.

Este algoritmo de machine learning no supervisado que os he explicado para realizar la segmentaci贸n se llama k-means.

Ventajas de la Inteligencia Artificial en marketing

Con todo esto se consigue que el equipo de marketing desarrolle mensajes hiper-dirigidos lo que hace que las estrategias sean m谩s efectivas ya que los mensajes mejor dirigidos y m谩s personalizados resultan en mayores tasas de respuesta de los clientes.

Esto permite maximizar el retorno de la inversi贸n en publicidad pagada mientras se reduce el coste de las iniciativas de marketing.

Adem谩s al atender mejor las demandas de la audiencia, es m谩s probable que se consiga una fidelizaci贸n del cliente, mejorando la lealtad hacia la marca.

Y no s贸lo eso sino que cuando hemos hecho un an谩lisis de la base de nuestros clientes, los hemos segmentado y definido perfiles interesantes a partir de estos grupos, es posible utilizar la publicidad pagada en Instagram, Facebook, Amazon, etc鈥 y conseguir llegar a perfiles similares con un mensaje de venta que el equipo de marketing ha dise帽ado espec铆ficamente para ellos.

Esto no solo aumenta la probabilidad de captar la atenci贸n del p煤blico objetivo y fomentar la compra, sino que tambi茅n reduce el desperdicio de recursos en audiencias menos interesadas o relevantes, como ser铆a el caso de mostrar un anuncio en la televisi贸n, que lo ve todo el mundo.

Por lo que conseguimos que la publicidad pagada se vuelve m谩s eficaz y eficiente, generando una mayor respuesta y conversi贸n por cada euro que invertimos.

Es c贸mo un c铆rculo virtuoso de la ciencia de datos.

Espero que os guste el episodio.

Si es as铆, no olvid茅is dejar un 芦Me gusta禄 y alg煤n comentario al episodio en Ivoox o una valoraci贸n de 5 estrellas del podcast en Apple podcasts, en Spotify, en Youtube o donde quiera que escuch茅is el podcast. 

Recordad que si ten茅is cualquier duda o pregunta pod茅is contactar conmigo a trav茅s del formulario de contacto o podemos seguir la conversaci贸n en Twitter.

Muchas gracias por estar ah铆 y os espero en el pr贸ximo episodio de Un Podcast Ninja sobre Big Data.

Bolet铆n Ninja

Suscr铆bete a la newsletter y recibe la gu铆a ninja del Big Data y la Inteligencia Artificial.

Gu铆a ninja del Big Data
Copyright 漏 2024  路 Datos 馃シ 路 Todos los derechos reservados
馃捈 Aviso legal y cookies