La ventaja de AdTech: aumentar la base de clientes de Mercado Pago

Acerca de la empresa

Mercado Libre es el ecosistema de comercio y pagos en línea más grande de América Latina. A través de un conjunto de soluciones tecnológicas que incluyen Mercado Pago, Anuncios de Mercado, Mercado Envíos, y Mercado Créditos permite a los usuarios de 18 países realizar transacciones comerciales con soluciones que abarcan toda la cadena de valor.

Desafío

Mercado Pago opera en un mercado dinámico y en constante evolución, compitiendo tanto por compradores como por vendedores. Para tener éxito en sus misión de convertirse en el principal método de pagos, cobros y servicios financieros entre los vendedores, sus equipos empresariales basados en datos deben innovar continuamente y cuestionar el status quo. Ahí es donde entramos en escena para aportar nuestra experiencia.

El objetivo principal del proyecto era aumentar el Volumen Total de Pagos (TPV) de Mercado Pago, incrementando su participación en la cartera de los vendedores. En términos prácticos, esto significaba diversificar el uso de productos por parte de los vendedores e introducirlos a servicios que aún no habían explorado.

Nuestra colaboración estrecha con los equipos de negocio y tecnología permitió identificar oportunidades de mejora dentro de su estrategia de marketing y AdTech, incluyendo notificaciones push, emails, plataformas inmobiliarias y mejoras en la segmentación de usuarios.

El desafío (ilustrado a continuación) se dividía en dos partes principales:

En primer lugar, entender qué recomendaciones hacer, y en segundo lugar, determinar la forma más efectiva de enviar o implementar esas recomendaciones.

Solución

Propusimos un marco de recomendación multicanal (display advertising, email, WhatsApp y push notifications) basado en modelos de machine learning que estiman la probabilidad de que un vendedor utilice cada servicio durante una semana determinada. Además, el sistema selecciona la recomendación adecuada según el segmento al que pertenece cada vendedor.

Las recomendaciones generadas se ajustan con precisión en función de:

• Cuándo se realizan los envíos (balance entre capping y engagement).
• Qué canales se utilizan (real estate, push o correo electrónico) en función del análisis de interacciones.
• Qué servicio deberíamos destacar para ese vendedor.
• Qué texto utilizar para un canal o servicio específico, modelado como un Multi-Armed Bandit.
• Análisis de campañas y experimentos anteriores

El sistema no se limita a variables basadas en hábitos, también considera objetivos comerciales específicos de cada servicio:

• Elegibilidad: no todos los vendedores pueden recibir todos los mensajes. Se aplican filtros para garantizar que solo los clientes elegibles reciban ofertas, descuentos o créditos.
• Exclusión: algunos vendedores son excluidos de todas las comunicaciones para establecer grupos de control en pruebas A/B.

Para construir este marco, utilizamos instancias de AWS EC2 para crear un ABT (Analytical Base Table) que extrae características del Data Warehouse existente. Estas instancias especializadas permitieron acelerar la creación de variables del ciclo de ML en un factor de 3x. También alojamos un orquestador en EC2 para entrenar modelos y generar predicciones semanales en lote, lo que permitió aumentar el ritmo de despliegue de modelos de 2 por mes a 3 por semana.

Finalmente, usamos S3 como almacenamiento predeterminado para logging y versionado de modelos.

Impacto

Nuestro principal indicador de negocio, que mide el número de vendedores que eligen Mercado Pago como su plataforma principal, aumentó 4 puntos porcentuales, pasando del 6% al 10% de la base de vendedores. Además, hemos incorporado las mejores prácticas y herramientas de monitoreo, lo que facilita el seguimiento y la comparación de las métricas en tiempo real a través de dashboards intuitivos.

Testimonio