El aumento del coste de captación de clientes es una migraña para los profesionales del marketing. Las marcas gastan 60% más más en llenar su embudo que hace cinco años. Y la cosa no acaba ahí. Los costes de retención también siguen subiendo. 148.000 millones de dólares gastados en programas de fidelización en todo el mundo, todo ello por un activo que cuesta mucho ganar, pero que se pierde con mucha facilidad.
Conscientes de lo mucho que se juegan los profesionales del marketing de marca, el equipo de ciencia de datos de Lotame se propuso hacer de nuestro Optimizador de Audiencia más inteligente, rápida y fácil de usar. Con la evolución de Audience Optimizer, las marcas disponen de una herramienta más eficaz para potenciar sus estrategias de prospección y captar a los próximos mejores clientes.
¿Qué es exactamente Audience Optimizer y cómo puede ayudarle a llenar su embudo? Nuestra herramienta amplía sus valiosos datos de origen utilizando una potente IA/aprendizaje mayor conjunto de datos disponible fuera de las fronteras. El resultado es Datos potenciados y audiencias modeladas accionables con el equilibrio adecuado de precisión y escala.
Sí, es un trabalenguas. Por eso nos sentamos con el "matemático" detrás de la herramienta, el Jefe Científico de Datos, Omar Abdala, para conocer en sus propias palabras por qué el Optimizador de Audiencia de Lotame es la forma más inteligente, rápida y fácil de captar clientes.
Háblenos de las capacidades de modelización de audiencias de Lotame y de la herramienta Audience Optimizer. ¿Qué es lo primero, lo mejor y lo más importante?
Cuando hablamos de modelos de aprendizaje automático, hay bastantes ideas falsas y mitos. Nuestro modelo de audiencia no se parece en nada a lo que imaginan los profesionales del marketing.
Básicamente, tomamos una lista de decenas de miles de millones de perfiles e intentamos averiguar, basándonos en las características de los datos de origen de un vendedor (conjunto inicial), qué lugar ocupan el resto de esos 20.000 millones de perfiles. Se trata de un trabajo muy importante de ingeniería de big data, y eso es lo que hace única a nuestra herramienta. La magnitud de la puntuación, la clasificación y el modelado realizado sobre uno de los mayores conjuntos de datos de terceros del mundo es un logro excepcional, del que estamos inmensamente orgullosos. Los humanos somos incapaces de realizar este tipo de actividades con la precisión y la escala que hemos logrado.
¿Puede hablarnos de algunos de sus momentos AHA durante este trabajo?
Se ha trabajado mucho en la optimización del algoritmo, pero hay dos cosas que realmente destacan. La primera fue la capacidad de puntuar eficazmente miles y miles de millones de perfiles. Normalmente, la gente piensa en el modelado en términos de formación a partir del conjunto de semillas, pero hay una contribución mucho más significativa de la puntuación eficiente de esos miles de millones de perfiles. La ciencia de los datos, la ingeniería y los equipos tecnológicos hacen posible este tipo de magia. Esa es la principal innovación, y lo que sería extremadamente difícil de replicar para cualquier otro grupo sin invertir esfuerzos y recursos hercúleos.
El segundo descubrimiento crítico que hicimos y que realmente tiene un gran impacto en la calidad de nuestros modelos vino de nuestro trabajo con Data Stream. Por ejemplo, en un perfil puede haber comportamientos 1, 2, 3, 4. A primera vista, es fácil decir: "Veo el comportamiento 1, así que está marcado". A primera vista, es fácil decir: "Veo el comportamiento 1, así que está marcado o no". Ese no es realmente el caso. Como sincronizamos con los proveedores de datos, existe la posibilidad de que veamos el cuadro de comportamientos o no. ¿Por qué es importante? No es una división fácil: "Tener este comportamiento / no tener este comportamiento". Hay una tercera opción que existe en la que "No tengo este comportamiento porque el proveedor de datos no proporciona el comportamiento". Es una distinción que nos da una capa adicional con la que comparar comportamientos, lo que proporciona a cambio un perfil más preciso.
¿Cuáles son las principales ideas erróneas sobre el modelaje de audiencias en la industria actual?
Cuando se trata del modelado de audiencias, y de la IA en general, existe la sensación de que algo mágico está sucediendo. Los que trabajamos en este campo lo entendemos. Hay funciones de costes y rutinas de optimización. Para nosotros todo son matemáticas y álgebra lineal. Pero para otros, existe la idea de que uno formula una pregunta y el modelo de aprendizaje automático produce misteriosamente la respuesta correcta, siempre.
La gran idea equivocada es que, una vez que se utiliza el aprendizaje automático, todo tiene que tener sentido. La realidad es que depende mucho de lo que pongas y los algoritmos son muy eficaces a la hora de captar lo que les dices. Si no expresas exactamente lo que quieres decir en ese conjunto de semillas, captará algo que no querías decir.
Esto puede resultar intimidante para los profesionales del marketing que no están formados en este campo. En su opinión, ¿se necesita un título en ciencia de datos para utilizar Audience Optimizer de forma eficaz?
No, desde luego que no. Nuestro objetivo era crear una herramienta que pudiera ser utilizada por profesionales del marketing, analistas, científicos de datos, etc. El criterio más importante es tener muy claro cuáles son tus objetivos y qué buscas y qué quieres evitar, en términos de métricas o perfiles.
¿Puede un profesional del marketing que no disponga de muchos datos de origen beneficiarse del modelado de audiencias en general y de las herramientas de Lotame en particular? ¿Cómo?
Claro. Veamos un ejemplo de CPG. Digamos que una marca de cereales quiere averiguar, entre los que compran cereales, quién está más interesado en los cereales azucarados y con chocolate.
Audience Optimizer puede analizar las respuestas de las encuestas para identificar a los encuestados en un gran conjunto de datos de terceros y determinar la diferencia entre alguien que compra cereales integrales y alguien que compra los azucarados. Con nuestra herramienta, puede establecer "compradores de cereales" en segundo plano y "compradores de cereales azucarados" en primer plano. A continuación, el modelo detecta la diferencia entre un comprador de cereales integrales y un comprador de cereales azucarados y con chocolate, todo ello a partir de datos de terceros.
¿Qué ocurre con las marcas que recopilan una gran cantidad de datos de origen? ¿Cómo pueden utilizar nuestra herramienta?
Echemos un vistazo a una red de medios de comunicación minorista. Saben cómo dirigirse a los compradores de cereales, a diferencia de CPG, ya que tienen una gran cantidad de datos de compra, por lo que su modelo puede ir realmente más allá. Las acciones que recopilan de su propia huella están más cerca de una compra de lo que solemos ver. Esto permite una conversión más avanzada. Al construir un fondo de perfiles a partir de la campaña de una marca en el canal, la red de medios minoristas puede rastrear todo el camino desde la compra hasta la actividad de marketing que les llevó hasta allí. Esto permite una optimización más definitiva en torno a la venta. Por ejemplo, podrían establecer como objetivo "dólares gastados en producto" frente a "dólares gastados en medios" para dirigir su atención a los consumidores adecuados.
En sus propias palabras, díganos por qué un vendedor de marca o un editor querría utilizar las soluciones de Modelado de Audiencia de Lotame.
Si se quieren utilizar datos para impulsar campañas en la web abierta, no hay nadie que disponga de tantos datos de terceros como nosotros y que sea capaz de tomar esos datos, exportarlos y hacerlos utilizables en varias plataformas. El modelado sofisticado y la activación son realmente el Santo Grial para cualquiera que esté interesado en la captación de clientes. Con jardines amurallados, sólo vivirás en su mundo.
Ahí lo tienen. De la mano del mismísimo "hombre de las matemáticas", Omar Abdala comparte un vistazo al Optimizador de Audiencia de Lotame y cómo puede ayudar a las marcas a extraer más de sus datos de clientes, encontrar audiencias de alto valor, crear estrategias de prospección ganadoras e impulsar el rendimiento a través de las pantallas.
¿Quiere saber más? Lea nuestras preguntas frecuentes sobre el Optimizador de Audiencia aquí.