juego estrategico de medios

¿Cómo optimizar las estrategias en los medios?

Black box

Slider

IA para pasar del conocimiento a la conversión

El cambio de jugada estratégica para los medios

Las agencias de medios fueron diseñadas para generar la mayor cantidad de impactos posibles (volumen de usuarios expuestos a un mensaje), de tal forma que invirtiendo en pauta, pueden optimizar al máximo el presupuesto de sus clientes. 

Esta ha sido la piedra angular sobre la que se soporta el negocio de la comunicación y la publicidad, o al menos así había sido durante muchos años. 

Los medios digitales han democratizado la compra de pauta que antes era reservada para unas pocas compañías, pasando de la creación de capacidades analíticas avanzadas hasta la incorporación de modelos de inteligencia artificial que agregan valor a su oferta comercial. 

Así iniciamos un proceso de transformación de modelos de negocio en las agencias, donde los datos serán facilitadores de decisión en todas las áreas (en particular la comercial). Las agencias toman un papel protagónico, y al lograrlo, fortalecen sus capacidades analíticas para decidir sobre datos y crear estrategias de comunicación efectivas.

Entender al usuario es el primer paso

En la práctica, las agencias, publicistas y mercadólogos han creado un lenguaje híbrido entre inglés, español y mandarín, muy útil en algunos contextos para explicar lo que hacen, pero en otros casos, termina levantando una barrera de humo que distrae al público incauto, creando la percepción de una labor técnica que solo unos pocos son capaces de hacer. 

La segmentación, como principio de estudio de la sociología y antropología, se justifica como un método que analiza de manera descriptiva a los individuos que comparten características similares. 

La agrupación permite suponer que algunos individuos de un segmento, responden a un estímulo de la misma forma que otro individuo del mismo grupo. El objetivo de esto es dar explicaciones a fenómenos humanos con respaldo estadístico, no necesariamente para tomar decisiones acerca de un individuo.  

Desde la filosofía se ha hablado sobre la conveniencia de encontrar el concepto de “calidad de público” como un facilitador del acuerdo, sin una reflexión de las personas que pertenecen a un grupo y se identifican con él sin darse cuenta. Heidegger habla de esto como el concepto de “masa similar” al igual que Platón, “multitud similar” como Kierkegaard y “manada similar” como Nietzsche. 

Masa similar

Esta discusión se da entorno a que la agrupación, como método de control de masas, funciona en un mercado que ofrece productos masivos con un bajo nivel de personalización, desconectada de la realidad del cliente que busca soluciones a la medida y que no pueden ser satisfechas desde la conversación con la masa, sino desde la conversación con el individuo.

Alternativa vs Método

La comunicación tradicional en televisión, cine, prensa y radio, necesita un proceso de creación que llegue a la mayor audiencia. Sin embargo, en una realidad donde ya no se concibe el mundo online separado del offline, la segmentación de masas no es suficiente para responder a la demanda de personalización de los usuarios. 

Son claras las ventajas de descubrir los segmentos ideales para dirigir la comunicación personalizada: entendimiento del público, tono adecuado, identificación de los puntos de contacto efectivos, priorizar la pauta y en general, la ejecución de la estrategia. 

Pero este no es un tema de capacidad, es una discusión en torno al concepto de oportunidad. Entender al usuario con métodos investigativos tradicionales, deja de ser una buena herramienta cuando pierde la capacidad de reaccionar ante públicos dinámicos, aquellos que cambian constantemente los parámetros bajo los cuales toman decisiones. 

En el supuesto hipotético de que tuviéramos variables que realmente describen la forma en la que piensan los individuos (que en realidad no son más que un puñado de datos demográficos y circunstanciales), solo describen a los miembros de estos grupos en una sola dimensión de su realidad. 

¿Para qué segmentamos?

La segmentación de masas entrega como resultado un grupo relativamente homogéneo, en torno a una variable que no necesariamente los hace parecerse en otro aspecto de su individualidad. Pero, ¿para qué segmentamos?, ¿para entender y generar conocimiento de nuestras audiencias? o ¿para entender cómo se conecta la etnografía con la realidad de un usuario netamente digital?

Se habla que ni en el mejor de los casos, tomando como referencia a Cambridge Analítica (1) , quien aseguraba tener más de 5.000 puntos de datos de todos los votantes de Estados Unidos, tendría información suficiente para converger a un grupo de personas para que se parecieran en más de una variable. Entonces, ¿esto hace completamente inválida la segmentación a través de los datos? 

(1)  ARTÍCULO. CNN en Español. Versión online del 22 Marzo, 2018 escrito por Danielle Wiener-Bronner. ¿Qué es Cambridge Analytica? Guía para entender el polémico caso del que todo el mundo habla.

Segmentando por oportunidades 

Las métricas con las que hoy medimos los resultados están cambiando y con ellas, los objetivos que los clientes exigen de sus agencias. Es por esto que la segmentación a través de datos debe responder a los objetivos planteados, para así ejecutar una campaña de comunicación que atraiga nuevos compradores. 

Ya no se trata solo de contar el mensaje o de hacerlo atractivo, tampoco de estar presente en medios masivos o de liderar la transformación digital de la compañía, ahora se trata de crear organizaciones que se alimenten de soluciones tecnológicas basadas en inteligencia artificial y capaces de entregar soluciones efectivas. 

soluciones machine learning

Reacción como método de segmentación

¿Qué debería hacer una marca cuando un usuario lleva un minuto sin encontrar lo que busca? La respuesta es: Reaccionar

Reaccionar es un modelo de inteligencia artificial que clasifica al usuario, creando un perfil de la persona sin importar la cantidad de datos. Este proceso es iterativo y se repite cada vez que un usuario hace contacto en algún punto con la marca, de esta forma, el modelo aprende constantemente del usuario hasta que la marca logra cumplir con su objetivo comercial.

Detrás de este proceso existe un pensamiento pragmático, que busca encontrar el mejor mensaje, el mejor producto de la oferta, con el mix ideal de medios, sumado a la inversión de dinero justa, con el fin de lograr una venta a los clientes que pueden comprar con mayor probabilidad y generar mayor valor posible a largo plazo. 

¿El modelo funciona?

Para lograr este resultado, el modelo debe ser capaz de responder las siguientes preguntas, en este orden ideal:

  • ¿Cuál es la probabilidad de que x cliente compre y producto?
  • ¿Cuál es el valor de vida en el tiempo de x cliente?
  • ¿Es rentable invertir z cantidad de dinero para adquirir x cliente (CPA)?
  • ¿Qué productos yn tienen mayor propensión de compra para x cliente?
  • ¿Qué mensajes c funcionan mejor para vender un y producto a un cliente x?
  • ¿En qué etapa de compra j (paso del embudo) se encuentra x cliente?
  • ¿Cómo priorizar los medios m, donde las variables anteriores optimizan mejor los objetivos comerciales para x cliente?
  • Dado x, y, j, los mensajes c y los medios m, ¿cómo configurar los elementos de mi estrategia s para maximizar los recursos disponibles? 

Si una marca pasa por todas estas preguntas, el modelo logra brindar las herramientas suficientes para personalizar cada detalle del producto que el cliente va a comprar, porque la oferta entiende su necesidad y contexto. 

Para que el modelo cumpla estos objetivos, debe pasar por tres fases: entendimiento, optimización y estrategia. 

Objetivos del modelo: entendimiento, optimización y estrategia

Entendimiento

La primera fase se enfoca en tener conocimiento suficiente del cliente, para predecir su siguiente acción más probable. El resultado de esta fase se divide en dos: 

  1. Un listado de clientes ordenado por score predictivo, que mide la propensión de compra por cada producto del portafolio. 
  2. Score que predice a través del tiempo, el valor de vida del cliente (LTV). 

De acuerdo a lo que conocemos de este cliente y sus similares, ahora se puede responder a la probabilidad de compra de cada uno, y si está dentro del rango de clientes con alta prioridad, se pasa al siguiente filtro. 

Posteriormente, asumiendo el escenario de una eventual compra, es necesario calcular la probabilidad de que ese cliente compre de nuevo, y si este cálculo está dentro de los rangos que lo hacen rentable a futuro, se da continuidad al siguiente punto. 

Al final, de acuerdo al valor que promete este cliente, la última pregunta por responder en esta primera fase, es una ecuación de valor que indique si el costo que va a pagar para adquirir o lograr la conversión del cliente, es mayor que el margen neto que dejará.

Optimización

La segunda fase está enfocada a encontrar los elementos que se ajustan a la oferta de acuerdo a las necesidades del cliente y lo hacen responder. Para poder configurar esta oferta ideal, es necesario encontrar los productos y mensajes que motiven al cliente a comprar de nuevo. El resultado de esta fase se divide en: 

  1. Journeys dinámicos del cliente. 
  2. Automatización de campañas multicanal.
  3. Interacciones basadas en comportamientos.
  4. Módulo de testeo y control. 

Si el cliente ha llegado hasta esta etapa del embudo, es porque tiene intención de compra, además de ser rentable para la marca. En este punto, es necesario identificar cuáles son los productos que estarían interesados en comprar y a su vez, seleccionar los mensajes, precios y piezas que mejor funcionan para cada producto.

Estrategia

La tercera fase permite usar todo el entendimiento e implementar la estrategia macro de comunicación construida. Para lograr esto, se deben establecer las palabras clave, audiencias, momentos del embudo de conversión, medios, presupuesto y planes de inversión que, según los datos recolectados y los modelos de entendimiento de usuario, mejor lograrán cerrar el ciclo de adquisición, conversión o fidelización del cliente. 

El resultado de esta fase se divide en: 

  1. Generador de base estratégica para campañas.
  2. Optimizador de campañas.
  3. Generación autónoma de hallazgos accionables. 

Después del resultado de la fase 1 y 2, el modelo ha tomado una decisión sobre las variables: cliente, producto y mensajes que se van a implementar en la campaña. Pero para poder crear una estrategia, es necesario analizar en qué momento de la compra se encuentra el cliente, ¿es un cliente que ya ha oído de nosotros?, ¿hemos impactado este cliente con otras campañas?, ¿está listo para comprar o necesita más motivantes antes de tomar una decisión? 

Estas preguntas encuentran respuesta por medio de un modelo que determina la probabilidad de que un cliente esté en uno u otro paso del embudo de conversión, y de acuerdo a la respuesta, comienza a disponer un set de palabras clave, medios y horas del día que mejor han funcionado en el pasado. 

Sin embargo, en este punto falta tomar una decisión más: ¿Cuál es el medio que mejor rendimiento ha tenido en un escenario similar a este? Una vez conocemos el mix de medios y el presupuesto de inversión sugerido por el modelo, es posible crear la estrategia de comunicación ideal basada en datos. 

¿Cómo cambia el juego en la comunicación?

La generación de estrategias de comunicación basadas en datos e interacciones de los usuarios, crean confianza y permiten medir los esfuerzos creativos, directivos, operacionales y logísticos de una compañía. 

Los beneficios de los modelos machine learning giran en torno a los resultados y objetivos de negocio, pero por defecto, también contribuyen a la disminución del tiempo necesario para generar una estrategia nueva, que reaccione frente al cambio en los consumidores y optimice inteligentemente los presupuestos de comunicación, comercial y mercadeo. 

El juego ha cambiado en torno al estudio, creación y colaboración, este proceso ahora es un integrador e insumo sobre el cual generar valor, sin dejar a un lado el método de gestión de recursos creativos y comerciales que han llevado a nuestras marcas al punto en el que hoy se encuentran.