馃帣 Episodio 82. Optimizaci贸n del presupuesto de marketing con IA

En el episodio de hoy de Un podcast ninja sobre Big Data hablamos de optimizar el presupuesto de marketing con Inteligencia Artificial, de Marketing Mix Modeling y de regresiones lineales.

Hace unas semanas hablamos del uso de la Inteligencia Artificial y el Machine Learning en marketing, entre los que destaca la publicidad segmentada.

Pero no es oro, todo lo que reluce...

los Desaf铆os de la Privacidad de Datos en Marketing

Uno de los grandes avances en marketing ha sido la capacidad de segmentar la publicidad.

Esto se logra gracias al rastreo de la informaci贸n que los usuarios dejamos al utilizar diversas aplicaciones. Cada vez que usamos servicios como Google Maps, Gmail, Facebook o Instagram, generamos datos que revelan nuestros intereses y comportamientos.

Esta informaci贸n es oro puro para los departamentos de marketing, ya que permite dirigir anuncios espec铆ficamente a aquellos que tienen m谩s probabilidades de estar interesados en los productos o servicios ofertados.

Sin embargo, con el creciente enfoque en la privacidad de datos y la opci贸n de rechazar las cookies de navegaci贸n, se ha vuelto mucho m谩s dif铆cil rastrear y recopilar informaci贸n detallada sobre los usuarios.

Las regulaciones de privacidad, como el Reglamento General de Protecci贸n de Datos (GDPR) en Europa, y la mayor concienciaci贸n del p煤blico sobre la privacidad, han limitado la capacidad de las empresas para seguir utilizando estas estrategias de rastreo.

Como resultado, los profesionales del marketing est谩n buscando alternativas que no dependan tanto del rastreo de usuarios mediante cookies. Aqu铆 es donde entra en juego el Marketing Mix Modeling (MMM).

驴Qu茅 es el Marketing Mix Modeling (MMM)?

El Marketing Mix Modeling (MMM) es una t茅cnica utilizada para entender el impacto de diferentes variables de marketing en los resultados de una empresa, como las ventas. Este enfoque se basa en el concepto de Marketing Mix popularizado por Neil Borden en los a帽os 60.

Neil Borden introdujo la idea del Marketing Mix en los a帽os 60, estableciendo las bases para lo que hoy conocemos como las "4P's": Producto, Precio, Plaza y Promoci贸n.

El Marketing Mix Modeling modela el impacto de cada variable en los resultados de ventas o cualquier otro objetivo de rendimiento de una compa帽铆a.

Las variables incluyen diferentes canales de marketing como anuncios en televisi贸n, radio, prensa, Google Ads, Facebook Ads, Instagram, entre otros.

Cuando una empresa realiza una campa帽a publicitaria, suele asignar su presupuesto a varios canales simult谩neamente, como televisi贸n, redes sociales, y YouTube, entre otros. Esta estrategia de distribuci贸n de recursos a m煤ltiples plataformas permite llegar a una audiencia m谩s amplia, pero complica la medici贸n de la efectividad de cada canal individual.

Tradicionalmente, el rastreo de cookies ha permitido a las empresas identificar la procedencia de los compradores en los canales online.

Por ejemplo, si un cliente realiza una compra despu茅s de hacer clic en un anuncio en redes sociales o en una b煤squeda en Google, esta informaci贸n puede ser rastreada. No obstante, esta estrategia no abarca canales m谩s tradicionales como la televisi贸n o la radio, y adem谩s, con el aumento de las preocupaciones sobre privacidad, cada vez es m谩s dif铆cil utilizar datos detallados de los usuarios individuales.

Determinar si las ventas aumentaron gracias a anuncios en televisi贸n, promociones en Facebook, o una combinaci贸n de ambos, se complica a煤n m谩s debido a la variabilidad de los impactos seg煤n la audiencia, el tiempo, y otras circunstancias externas, como si estamos en plena campa帽a navide帽a.

Factores que influyen en el comportamiento de compra.

Aqu铆 es donde el Marketing Mix Modeling (MMM) entra en juego. El MMM analiza los datos hist贸ricos de ventas y gastos en marketing para desentra帽ar el impacto individual de cada canal en las ventas totales o en cualquier otro objetivo de rendimiento.

Utilizando modelos de Machine Learning, el MMM ayuda a las empresas a comprender mejor c贸mo distribuir su presupuesto de manera 贸ptima y maximizar el retorno de la inversi贸n en marketing.

La Importancia de la Regresi贸n Lineal en MMM

La regresi贸n lineal es uno de los modelos m谩s utilizados en el Marketing Mix Modeling debido a su simplicidad y capacidad de explicabilidad.

La regresi贸n lineal es uno de los primeros modelos que se ense帽an en cursos de Machine Learning debido a su simplicidad. Este modelo permite cuantificar la relaci贸n entre variables independientes (gastos en diferentes canales de marketing) y la variable dependiente (ventas).

En MMM, la variable objetivo suele ser las ventas, mientras que las variables independientes pueden incluir el presupuesto gastado en televisi贸n, Google Ads, Facebook Ads, la frecuencia de anuncios, promociones, eventos especiales como campa帽as de Navidad, y factores macroecon贸micos como el IPC.

Con este conjunto de caracter铆sticas nos montamos un dataset de entrenamiento en el que recolectaremos todas esas variables durante muchas semanas.

El dataset de entrenamiento lo que hace es mapea semanalmente lo que nos gastamos en cada canal de marketing, las m茅tricas que reflejan a cu谩nta gente llegaron los anuncios de cada canal y el resto de caracter铆sticas de inter茅s que hayamos conseguido recolectar con la variable objetivo. Por ejemplo, el volumen de ventas entrenamos un modelo de regresi贸n lineal.

La regresi贸n lineal calcula la variable objetivo, sumando las caracter铆sticas de nuestro dataset multiplicadas por un coeficiente.

El coeficiente no es m谩s que un numerito, no tiene misterio.

Durante el entrenamiento del modelo, estos coeficientes se ajustan usando nuestros datos hist贸ricos para encontrar la mejor combinaci贸n que predice las ventas.

Ejemplo Pr谩ctico

Supongamos que una semana se gasta 100 鈧 en Google Ads y 50 鈧 en Facebook Ads, obteniendo ventas por valor de 500 鈧.

La semana siguiente se gasta 150 鈧 en Google Ads y 100 鈧 en Facebook Ads, resultando en ventas de 800 鈧.

Utilizando estos datos, la regresi贸n lineal ayuda a entender cu谩l de los canales de marketing es m谩s efectivo.

驴por qu茅 se prefiere la regresi贸n lineal sobre otros modelos m谩s complejos de Machine Learning en MMM?

Una de las mayores ventajas de la regresi贸n lineal es su capacidad de explicabilidad.

A diferencia de otros modelos de Machine Learning m谩s complejos, la regresi贸n lineal proporciona coeficientes claros y comprensibles.

Estos coeficientes indican cu谩nto impacto tiene cada variable de marketing en las ventas, lo que permite a los analistas y a los departamentos de marketing entender f谩cilmente c贸mo cada canal contribuye a los resultados.

La regresi贸n lineal no solo es sencilla de entender y aplicar, sino que tambi茅n es extremadamente eficaz para proporcionar insights valiosos sobre el impacto de cada canal de marketing.

Esto hace que sea una herramienta esencial para cualquier estrategia de optimizaci贸n del presupuesto de marketing, permitiendo a las empresas tomar decisiones informadas y maximizar su retorno de inversi贸n.

驴C贸mo se aplica la regresi贸n lineal a la optimizaci贸n del presupuesto?

Una vez que hemos entrenado nuestro modelo de regresi贸n lineal con datos hist贸ricos de ventas y nuestros datos de marketing podemos usarlo para optimizar los presupuestos de cada uno de los canales.

Es posible simular diferentes escenarios de gasto y ver c贸mo afectar铆an a las ventas.

Recordad que al tener un modelo de regresi贸n lineal nos es posible saber cu谩les son las caracter铆sticas m谩s significativas a la hora de obtener la variable objetivo y por tanto poder darle asignarle m谩s chicha a ese canal.

Limitaciones de la Regresi贸n Lineal

La regresi贸n lineal puede no capturar completamente las complejidades del comportamiento del consumidor y las interacciones entre diferentes canales de marketing.

No modela comportamientos muy comunes en marketing como el Adstock y la Saturaci贸n:

  • Adstock: Este concepto se refiere al "efecto prolongado" de las campa帽as publicitarias, donde los efectos de la publicidad no se ven inmediatamente sino que se acumulan en la memoria de las personas y pueden influir en sus decisiones de compra en las semanas siguientes.
  • Saturaci贸n: Ocurre cuando los consumidores est谩n expuestos repetidamente al mismo anuncio. Al principio, el anuncio puede ser efectivo, pero su impacto disminuye con el tiempo debido a la sobreexposici贸n.

La idea ser铆a ser capaces de incluir estos efectos tambi茅n en el modelo lo cu谩l hace que se complique un poco la cosa para dise帽arlos desde cero.

Peeero para eso existen proyectos de c贸digo abierto que resuelven el problema.

Herramientas y Recursos Open Source

Para superar las limitaciones de la regresi贸n lineal, existen herramientas y proyectos open source que implementan conceptos avanzados de Marketing Mix Modeling.

  • El proyecto Robyn de Meta: Un proyecto open source que implementa MMM y optimizaci贸n de presupuesto. Robyn utiliza algoritmos avanzados para simular diferentes asignaciones de presupuesto y predecir la m谩s efectiva.
  • Los proyectos de Google: Google ha desarrollado proyectos como LightweightMMM y el proyecto Meridian para la optimizaci贸n del presupuesto de marketing. Estos proyectos utilizan t茅cnicas avanzadas de Machine Learning para mejorar la efectividad del marketing mix.

Estos proyectos ofrecen herramientas para optimizar el presupuesto de marketing una vez se ha entrenado el modelo.

Tenemos dos aproximaciones:

  • El modelo permite simular diferentes escenarios de gasto y ver c贸mo afectar铆an a las ventas. Esto ayuda a identificar las caracter铆sticas m谩s significativas y asignar m谩s presupuesto a los canales m谩s efectivos.
  • Herramientas como Robyn de Meta y LightweightMMM de Google pueden tomar los resultados del modelo MMM y simular la mejor manera de asignar el presupuesto para maximizar los resultados.

Como veis, la optimizaci贸n del presupuesto de marketing con modelos de Machine Learning, como la regresi贸n lineal, puede ser una herramienta poderosa para maximizar el impacto de las campa帽as. Aunque tiene sus limitaciones, con el uso de conceptos avanzados y herramientas open source, es posible lograr resultados significativos.

Si os ha interesado esto del Marketing Mix Modeling os recomiendo que os veais la charla completa de Pelayo en la Datolada.

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