Boletín Ninja
Suscríbete a la newsletter y recibe la guía ninja del Big Data y la Inteligencia Artificial.
En el episodio de hoy de Un podcast ninja sobre Big Data vamos a hablar de cómo 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 generación de contenido.
Textos de venta generados con modelos del lenguaje o imágenes en una campaña que se han creado utilizando el Stable Diffusion o DALL·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 está TAN dirigida que incluso a veces parece que nos están escuchando para averiguar lo que queremos.
¿Cómo creéis 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 vídeos de Youtube.
Con cada una de esas acciones Google está 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 publicación o la guardamos, Meta recoge datos para entrenar a los suyos.
Y como siempre os digo… cualquier problema basado en datos comienza con preguntas por responder.
En el caso del marketing, las preguntas serían del estilo a:
¿cómo llegar de una forma más eficaz y rentable al cliente? o ¿cuáles son sus preferencias de compra?
Antes, la manera en la que un departamento de marketing podía llegar a sus potenciales clientes pues era poniendo un anuncio en un intermedio de publicidad en un programa de la tele… cuanta más audiencia tuviera el programa, mejor pero también más caro conseguir anunciarse ahí.
Había otras maneras como darse a conocer con un anuncio en un periódico o en una marquesina de una parada de autobús.
Esto no es que haya dejado de existir, obviamente se sigue haciendo pero es algo que está al alcance de empresas con mucho presupuesto para marketing.
Porque anunciarse en el intermedio de un programa de máxima audiencia pues barato, lo que se dice barato, no es.
De hecho cuanto mayor sea el potencial alcance del anuncio, pues más caro.
El objetivo es un anuncio que llegue a ver muuucha gente y alguna de estas personas esté interesada en el producto que se anuncia, aunque sea un pequeño porcentaje.
Vale.
Pues imaginaos ahora que vendéis algo. Lo que sea. Un producto, un servicio… lo que sea, y os pregunto…
¿Qué preferís: que vuestro anuncio lo vea el mayor número de personas posible o que lo vea menos gente pero que sea gente a la que le interesa lo que vendéis?
Este es el modelo de Google, de Meta y de estos gigantes cuyo punto fuerte son los datos que permiten enseñar 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 quiénes crean que pueden estar más interesados.
Por ejemplo, a personas de 18 a 24 años interesados en tecnología, o a adultos mayores interesados en viajes. Lo que sea.
Los anunciantes pagan por ese espacio publicitario.
Vale, pues esto es sólo el principio.
Porque si por un lado las empresas pioneras en la recogida y explotación de datos encontraron cómo sacar unos dineritos a base de ofrecer espacios de publicidad segmentada a los anunciantes, otras empresas también 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 más probable que éstos no se vayan con la competencia.
Y luego, está también 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 más de lo que les cueste.
Esto último es un mundo en sí mismo.
Todo esto se hace gracias a técnicas de ciencia de datos y a ninjas de los datos que trabajan en departamentos de marketing.
Así que vamos a repasar el abanico de posibilidades que la ciencia de datos abre para transformar cómo las empresas interactúan con los clientes, personalizan experiencias y optimizan sus estrategias.
Al fin y al cabo, la ciencia de datos es el proceso de extraer información útil a partir de datos utilizando técnicas estadísticas, algoritmos de machine learning, y métodos de análisis 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 segmentación de los clientes para crear campañas personalizadas.
La segmentación consiste en agrupar a nuestros clientes basándonos en distintos criterios.
Hay varias maneras….
Un criterio puede ser según características demográficas como la edad, el género o el nivel socioeconómico lo que nos permite entender cosas básicas sobre cada grupo; por ejemplo, cuál es la edad promedio de las personas que compran nuestros productos, cuánto dinero ganan en promedio o qué tipo de trabajos tienen.
También se puede realizar una segmentación según cómo se comportan.
Estos datos los podemos obtener a partir de su comportamiento en nuestra página web o incluso en el mundo offline.
Por un lado, cada vez que un usuario visita nuestra web, podemos medir cuánto tiempo pasan en cada página, qué productos miran más, con cuáles no interactúan nunca y qué 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 fidelización.
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 cómo interactúan con nuestra marca. Por ejemplo, es posible ver qué canales utilizan más para conocer nuestros productos, qué tipo de contenido les gusta más, y cuánto de probable es que nos compren algo.
Y luego, tenemos el criterio psicográfico que tiene en cuenta los rasgos psicológicos de los consumidores, su estilo de vida, sentimientos, intereses, deseos, etc.
Este tipo de segmentación nos ayuda a entender qué motiva a nuestros clientes, qué productos podrían interesarles más y el estilo de vida que aspiran tener.
Con todo esto se consigue dirigir los esfuerzos de marketing de manera más efectiva o definir perfiles de cliente que permiten después a los creativos de marketing definir campañas más relevantes para el tipo de clientes al que quieren dirigirse.
Por ejemplo, a partir de los resultados de estas segmentaciones se podría definir un perfil de cliente que representara a cada grupo.
Uno de estos grupos podría ser representado por María, una diseñadora gráfica de 25 años que gana 24000€ al año. María tiene un grado universitario y le interesa el arte, la moda, el diseño y viajar. María es muy activa en redes sociales, pasa mucho tiempo en línea y hace compras impulsivas. Quiere ser elegante, estar a la moda, y valora la creatividad y la autenticidad.
María no existe pero representa uno de estos grupos que nos ha devuelto el análisis de segmentación.
A partir de este perfil ficticio el equipo de marketing puede desarrollar contenido en redes sociales que aborde temas como la moda y el diseño, colaborar con influencers centrados en este sector, diseñar campañas de marketing enfocadas en lo que motiva a María, como promover la creatividad y la autenticidad, que son valores importantes para ella. Y, considerando que María tiende a comprar por impulso, las campañas podrían estar diseñadas 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. Básicamente, los anuncios buscan alcanzar a consumidores que se identifiquen con lo refinado.
¿De dónde salen esos datos de clientes que nos permiten segmentarlos?
Una manera muy común 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.
Aquí, los clientes suelen proporcionar información básica como su nombre, edad, email, y a veces información demográfica adicional como su dirección, género o fecha de nacimiento.
También tenemos las herramientas de análisis web como Google Analytics y de redes sociales que permiten a las empresas rastrear cómo interactúan los usuarios con sus sitios web y perfiles sociales.
Esto incluye páginas visitadas, tiempo de permanencia, patrones de navegación, y acciones realizadas (como clics, compras, y suscripciones).
Además, las cookies se instalan en el navegador de los usuarios y recopilan datos sobre el comportamiento de navegación de los usuarios en Internet, más allá del sitio web de la empresa.
Esto ayuda a entender sus intereses basándose en los sitios web que visitan, los anuncios en los que hacen clic, y las búsquedas que realizan.
Después tendríamos la información de las compras realizadas por los clientes, ya sea en línea o en tiendas físicas de las que podríamos obtener características como la frecuencia de compra, las categorías de productos preferidas, o el gasto promedio.
Además de todo esto, las empresas también pueden complementar sus datos con información de fuentes externas, como bases de datos demográficas, informes de tendencias de la industria, y datos de comportamiento de consumo, para obtener una visión más completa de sus clientes.
Una vez que tenemos los datos, la segmentación se realiza utilizando modelos de Machine Learning no supervisados.
Utilizando técnicas de aprendizaje no supervisado no nos estamos formando ideas preconcebidas sobre los datos sino que ellos mismos se organizan.
Únicamente tenemos las características 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, aquí no existen las respuestas correctas ni los grupos exactos.
De hecho, el número 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 número de clusters que le hemos dicho basándose en su similitud.
La idea es que los clientes dentro de un mismo cluster sean más similares entre sí que con los clientes de otros clusters.
El primer paso es definir las características de los clientes que se utilizarán para el agrupamiento. Estas pueden incluir los datos que decíamos antes como los datos demográficos, los de navegación o los que sean.
Luego se elige una métrica para medir la similitud entre los clientes basándose en las características seleccionadas.
Cada cliente se asigna al cluster cuyo centro está más cerca, según la medida de similitud que hemos definido. Esto formaría los grupos iniciales.
Después 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 posición del centro para que represente mejor a los miembros del grupo.
Y después repetimos el proceso.
Asignamos los clientes a cada cluster según la distancia a su centro, recalculamos los centros de cada cluster así 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 qué características comunes tienen los clientes que más dinero compran en nuestra tienda online y que el equipo de marketing defina un perfil de cliente que represente a dicho grupo para después diseñar una estrategia completa de comunicación que permita fidelizarlo, por ejemplo.
Este algoritmo de machine learning no supervisado que os he explicado para realizar la segmentación se llama k-means.
Con todo esto se consigue que el equipo de marketing desarrolle mensajes hiper-dirigidos lo que hace que las estrategias sean más efectivas ya que los mensajes mejor dirigidos y más personalizados resultan en mayores tasas de respuesta de los clientes.
Esto permite maximizar el retorno de la inversión en publicidad pagada mientras se reduce el coste de las iniciativas de marketing.
Además al atender mejor las demandas de la audiencia, es más probable que se consiga una fidelización del cliente, mejorando la lealtad hacia la marca.
Y no sólo eso sino que cuando hemos hecho un análisis 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… y conseguir llegar a perfiles similares con un mensaje de venta que el equipo de marketing ha diseñado específicamente para ellos.
Esto no solo aumenta la probabilidad de captar la atención del público objetivo y fomentar la compra, sino que también reduce el desperdicio de recursos en audiencias menos interesadas o relevantes, como sería el caso de mostrar un anuncio en la televisión, que lo ve todo el mundo.
Por lo que conseguimos que la publicidad pagada se vuelve más eficaz y eficiente, generando una mayor respuesta y conversión por cada euro que invertimos.
Es cómo un círculo virtuoso de la ciencia de datos.
Espero que os guste el episodio.
Si es así, no olvidéis dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Youtube o donde quiera que escuchéis el podcast.
Recordad que si tenéis cualquier duda o pregunta podéis contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.
Muchas gracias por estar ahí y os espero en el próximo episodio de Un Podcast Ninja sobre Big Data.