Últimamente, estamos comprobando cómo el interés en torno a la inteligencia artificial ha incrementado en el panorama tecnológico gracias a personas tan influyentes como Mark Zuckerberg. No solo el creador de Facebook considera que trabajar con IA es una oportunidad de vivir vidas más plenas y cómodas, sino que gigantes de la talla de Google o Microsoft ya han implementado nuevas tecnologías de IA dentro de sus sistemas publicitarios, proyectadas para aumentar los ingresos en este ámbito.
El case study de RTB House, uno de los primeros retargeters que emplea Deep Learning (actualmente el subcampo más prometedor de la investigación orientada a IA) en cada etapa de su tecnología, muestra que un nuevo enfoque ha entrado en la industria publicitaria para siempre, cambiando la forma en que funciona la publicidad, así como los resultados que pueden obtenerse.
Hay muchas maneras de utilizar la inteligencia artificial, no solo en ciencia y tecnología, sino también en todas las industrias imaginables. En publicidad, las soluciones basadas en inteligencia artificial se están convirtiendo en un elemento “imprescindible” cuando se trata de un sector que ofrece una enorme cantidad de datos y cuenta con una gran competencia. Los algoritmos super avanzados se han convertido en la respuesta al mayor desafío de un profesional de marketing: obtener información en profundidad y que esta sea interpretable por la máquina sobre el potencial de compra de los clientes para invertir en ellos de forma inteligente.
Recientemente, RTB House ha implementado algoritmos de Deep learning que solucionan tres de los principales desafíos a los que se enfrentan los anunciantes en cada etapa de sus campañas.
Reto 1: Estimación precisa del valor del usuario
Los clientes potenciales tienen un valor diferente cada vez que visitan una tienda online. Depende de una variedad de factores personales: los productos que desean, su impulso de compra o incluso el ciclo de vida del cliente. La pregunta que se cierne sobre la mente de cada vendedor se convierte en: ¿Cómo se puede estimar y medir el potencial de compra? Este ha sido siempre uno de los mayores desafíos para los vendedores, ya que la respuesta se relaciona directamente con cuánto deberían invertir en un cliente. La mejor predicción es aquella que puede estimar correctamente la “posibilidad de realizar una compra” y el “valor potencial de la cesta del usuario”. Estos dos parámetros definen finalmente el rendimiento del gasto publicitario.
El objetivo de RTB House era optimizar el proceso de compra de anuncios de una manera que solo atrajera a los usuarios que son los más valiosos para los clientes y ofrecerles una mayor oferta automáticamente. Al implementar algoritmos de Deep Learning, la tasa de conversión y el mecanismo de valor de la compañía comenzaron a recopilar e interpretar no solo datos de clic (el enfoque típico), sino que también tomaron en cuenta cómo los usuarios navegan en ofertas concretas, comparando categorías de interés, comportamientos de cesta o búsqueda para tener una imagen más amplia del potencial de compra de cada individuo. Con este espectro más amplio de información, RTB House pudo aumentar el rendimiento general de las actividades de retargeting potenciadas por Deep learning hasta en un 29%.
Reto 2: Estimación ultra-precisa de los deseos de los clientes (recomendaciones)
Un desafío recurrente en la publicidad digital es qué mostrar en los banners para maximizar el potencial de compra. Cuanto más cerca esté de presentar lo que desean los usuarios, mayores serán las posibilidades de finalizar una compra.
Durante una subasta de ofertas en tiempo real en retargeting personalizado, un mecanismo de recomendación tiene solo milisegundos para elegir una creatividad entre miles de millones de combinaciones y decidir qué presentar en un banner. Mediante el uso de algoritmos de Deep Learning, RTB House muestra anuncios con toma de decisiones que no solo tienen en cuenta los patrones hechos por otros usuarios con un perfil de compra similar, sino también lo que se presentó en creatividades y la reacción de un usuario específico a ofertas anteriores. Al analizar los datos de clics, la información sobre el producto, las categorías de interés, el comportamiento de compra y las estrategias de búsqueda, la eficacia de la recomendación del producto aumentó en hasta un 41%, en comparación con las campañas que no utilizaron un mecanismo de Deep Learning.
Reto 3: Evaluación a fondo de las tasas de clics
Una medida común de éxito de una campaña publicitaria es la tasa de clics (CTR), que se obtiene gracias a la proporción de clics en un banner respecto al número total de impresiones. El objetivo de cada vendedor es simple: atraer compradores potenciales para ofrecer las creatividades con más clics.
Los algoritmos de Deep Learning implementados por RTB House eligen qué banners serán más eficientes. Esta mejora en la predicción de CTR, en última instancia, ofrece una mayor visibilidad y ROI para los clientes.
Mediante el uso de algoritmos de Deep Learning, RTB House pudo aumentar los CTR en un 16% más de clics dentro de las mismas limitaciones presupuestarias.
Resumen
Independientemente de que sea percibida como la tecnología que nos conducirá al Juicio Final o como la tecnología que mejorará nuestra calidad de vida, está claro que la inteligencia artificial será la tecnología que definirá el futuro cercano.
Lo que hace un par de años era ciencia ficción ahora parece ser un proceso natural para hacer que las actividades online sean más eficientes que nunca. Significa que la evolución de la publicidad, desde la perspectiva de ambos: anunciantes y usuarios, es especialmente visible en industrias tan exigentes como los viajes, donde se tiene en cuenta una larga lista de métricas y los comportamientos de compra de los usuarios son difíciles de predecir. Y eso es solo el comienzo. Al tener una tecnología más eficiente, las posibilidades son infinitas.
Fuente: Observatorio eCommerce
