El aprendizaje automático se une al marketing

A medida que la ciencia de datos sigue madurando, muchas empresas recurren al aprendizaje automático para resolver sus problemas. De una forma u otra, la mayoría de las empresas actuales son empresas de datos o, al menos, se basan en datos. Los datos están en todas partes y, con las herramientas adecuadas, son una mina de oro capaz de generar información útil y ventajas competitivas.

Nuestra amplia experiencia en la creación de plataformas de tecnología publicitaria y en la optimización del marketing para grandes mercados y empresas de juegos, entre otros, nos mostró que el marketing digital no es una excepción. En la actualidad, las decisiones de marketing pueden automatizarse y orientarse a partir de datos sobre el comportamiento de los clientes, lo que limita el impacto de los prejuicios humanos implícitos en los métodos tradicionales.

En esta publicación, describiremos seis técnicas de aprendizaje automático y explicaremos cómo se pueden combinar entre sí para formar un canal de marketing automatizado.

1. Valor de por vida del cliente (CLTV)

¿Cuál es el valor esperado de un cliente después de cierto tiempo? El valor de por vida de un cliente representa los ingresos que una empresa puede esperar que genere un usuario a lo largo de su vida (relación proveedor-cliente).

¿Por qué es importante? La generación de información sobre los ingresos esperados puede conducir a una mejora de las inversiones de marketing en las iniciativas de adquisición, retención y participación. En resumen, el LTV es útil para medir en qué medida los esfuerzos de los vendedores están generando un rendimiento positivo de las inversiones.

Además, la información inicial puede ser engañosa. Un cliente que ha realizado una compra muy cara podría ser menos valioso que otro cliente que realiza pequeñas compras de forma continua durante un largo período de tiempo.

¿Cómo calculamos el ROI con CLTV?

ROI = valor de por vida del cliente/inversión en adquisición

CLTV permite a los profesionales del marketing responder a algunas de las siguientes preguntas: - ¿Qué cliente es más valioso? - ¿En qué clientes debo centrar mis recursos y mi atención? - ¿Qué canal genera los clientes más valiosos?

Al intentar responder a estas preguntas, es común modelar el valor de la vida útil durante un período de tiempo definido, un mes, tres meses o quizás un año. Para ello, se requieren al menos una o dos semanas de datos sobre el comportamiento de los usuarios.

Modelos CLTV

Podemos agrupar los modelos CLTV en dos grandes grupos: Modelos probabilísticos y Modelos de aprendizaje automático o mejor aún, modelos tradicionales y modelos de aprendizaje automático.

En el primer caso, los modelos se basan en el comportamiento de compra anterior de los clientes. La información principal es qué tan recientemente han comprado los clientes, con qué frecuencia han comprado y cuánto dinero han destinado, en promedio, a dichas compras. Esto también se conoce como reciente, frecuencia y valor monetario o RFM. Estos modelos se basan exclusivamente en datos históricos de transacciones.

Los modelos ML, por otro lado, no se limitan a los datos impulsados por la compra. Utilizan un conjunto de datos de contexto más amplio con información sobre la participación de los usuarios, el comportamiento de la sesión, el uso de las redes sociales, el tipo de dispositivo, los hábitos de compra, etc., lo que permite obtener información más profunda. Los algoritmos utilizan estos datos para predecir qué comportamientos suelen relacionarse con el valor de los usuarios y, a continuación, asignan un valor a los nuevos usuarios combinando estas predicciones con los atributos específicos de los usuarios (interacciones de sesión, edad, país, plataforma elegida, etc.).

En lugar de simplemente entender qué se ha comprado anteriormente y cómo, el aprendizaje automático permite obtener una visión profunda de quién es el cliente, creando tipos de clientes con una mejor oportunidad de modelar su comportamiento en el futuro.

Un enfoque probabilístico puede ser más apropiado si tiene acceso limitado a los datos de contexto o si el conjunto de datos con el que está trabajando es limitado. Por otro lado, los modelos de aprendizaje automático son una buena opción cuando tienes acceso a grandes conjuntos de datos y datos contextuales.

El CLTV debe compararse con el costo de adquisición de clientes (CAC) para asegurarse de que la empresa invierte en las estrategias de adquisición de clientes adecuadas.

2. Predicción de pérdida de clientes

¿Qué probabilidades hay de que un cliente deje de usar un servicio, cancele la suscripción o deje de comprar un producto? Dependiendo de la industria, la pregunta puede variar ligeramente, pero el concepto es el mismo: ¿cuándo estamos a punto de perder un cliente? La predicción de la pérdida de clientes busca responder a esta pregunta.

Entonces, ¿por qué es tan importante la pérdida de clientes? En resumen, el coste de adquirir nuevos clientes en comparación con el de retenerlos puede ser hasta cinco veces más caro. Además, aumentar las tasas de retención de clientes en tan solo un cinco por ciento puede hacer que las ganancias aumenten más del veinticinco por ciento. Además, es probable que los clientes que regresan gasten un sesenta y siete por ciento más en los productos de su empresa.

Dejando de lado las estadísticas, la conclusión es que la adquisición de nuevos clientes es clave, pero retener a los clientes existentes ofrece un mejor retorno de la inversión en comparación con los recursos limitados.

La clave es identificar a los clientes que están a punto de perder clientes y ofrecerles incentivos suficientes para que regresen o, mejor aún, evitar que se vayan en primer lugar. Para reactivar a estos clientes, se requieren campañas específicas diseñadas para cada segmento de clientes en sus canales preferidos. Aquí es donde entra en juego el aprendizaje automático.

Podemos agrupar la deserción en dos tipos, voluntaria e involuntaria. La pérdida voluntaria se produce cuando un cliente decide conscientemente cambiar de proveedor debido al coste o a la insatisfacción con un servicio o producto. La deserción involuntaria se produce por motivos no relacionados con la calidad o el coste de la empresa, como el hecho de que un cliente se mude del país en el que se presta el servicio o el rechazo de una tarjeta de crédito.

También podemos diferenciar entre la pérdida de servicios por contrato y los servicios sin contrato. En un escenario sin contrato, un cliente es libre de comprar o no en cualquier momento dado; el ejemplo más claro es el sector minorista. Sin embargo, en el caso de los servicios por contrato, el cliente firma un contrato en el que paga de forma recurrente a cambio de un servicio que se prestará con el tiempo. Un ejemplo de esto sería un servicio de suscripción.

¿Por qué son importantes estas dos diferenciaciones? Las medidas concretas que hay que tomar para reducir la deserción voluntaria son diferentes de las que se adoptan para reducir la deserción involuntaria. En el primer caso, podrías plantearte solicitar la opinión de los clientes, añadir las funciones que más te gustan, ofrecer incentivos o mejorar los tutoriales o la documentación de tu producto o servicio. En este último caso, puedes controlar periódicamente las tarjetas de crédito de los clientes para asegurarte de que la información esté actualizada (evita las tarjetas rechazadas) o enviar un correo electrónico al cliente para solicitar el cobro de deudas antes de cancelar una suscripción, entre otras cosas.

En términos de servicio contratado y sin contrato, se aplica lo mismo. Se pueden tomar diferentes acciones concretas según el tipo de servicio. Por ejemplo, lo más probable es que las fallas en los pagos sean un problema a abordar en los servicios por contrato.

¿Enganchado a la pérdida de clientes? Aquí hay un documento recomendado sobre datos desequilibrados, qué es, cómo puede resultar problemático para la predicción de la pérdida de clientes y cómo gestionarlo.

Junto con la segmentación y la identificación del valor de por vida (LTV) del cliente, las campañas deben estar dirigidas a los clientes de alto valor que están a punto de perder el negocio, en lugar de a los clientes con un LTV bajo.

3. Recomendación automática

¿Qué productos debemos ofrecer a nuestros clientes? ¿Cuáles son las oportunidades más probables que podemos ofrecer para la venta cruzada o la venta adicional?

Con acceso a cientos de miles, si no millones, de productos y servicios, los mercados y tiendas en línea han puesto a disposición de los clientes cantidades infinitas de contenido. Entonces, ¿cómo identificamos lo que le puede gustar a un cliente? ¿Cómo aprovechamos las oportunidades de venta?

Los motores de recomendación se utilizan para identificar qué artículos o servicios pueden consumirse juntos. Mediante algoritmos de recomendación, estos sistemas analizan los datos sobre los artículos, productos y servicios que los clientes han comprado, han gustado o a los que se han suscrito en el pasado, con la premisa de que las mismas personas podrían estar interesadas en esos productos en el futuro en función de sus gustos.

Estos datos, junto con los datos sobre los productos que han gustado o han sido comprados por clientes similares, permiten a los motores de recomendación generar sugerencias precisas e identificar oportunidades de ventas adicionales y cruzadas.

Amazon fue pionera en este concepto en el comercio minorista utilizando el historial de uso de la web y los dispositivos móviles y los conjuntos de datos de valoración de productos de los clientes. Desde entonces, se ha extendido a innumerables empresas. Piensa en «vídeos recomendados» en YouTube, «trabajos que te pueden interesar» en LinkedIn o incluso en «personas que quizás conozcas» en Facebook.

Otros ejemplos conocidos de uso exitoso de sistemas de recomendación provienen de empresas como Netflix y Spotify. El servicio de streaming de música afirmó que su algoritmo de recomendación era clave para aumentar sus usuarios mensuales de 75 a 100 millones. También en el negocio del streaming, se dice que Netflix ahorra hasta mil millones de dólares al año gracias a su sistema de recomendaciones. Además, según McKinsey, alrededor del 75% de las selecciones de títulos en Netflix provienen de sus sistemas de recomendación.

Los principales sistemas de recomendación se dividen en dos categorías: filtrado colaborativo y filtrado basado en contenido, aunque ambos métodos también se pueden combinar en una solución más completa.

Filtrado colaborativo

Filtrado colaborativo (similar al de los clientes de Amazon que compraron esto y también compraron aquello): el filtrado colaborativo se basa en la premisa de que los clientes con características similares compran productos similares. En resumen, el sistema recomendará productos que hayan comprado otros usuarios con comportamientos e intereses similares. La suposición es que si te ha gustado un producto similar en el pasado, deberían gustarte productos similares en el futuro.

A medida que cambian los intereses y los comportamientos, el sistema se adapta a estos cambios, manteniendo las recomendaciones pertinentes. Sin embargo, sí requiere que los nuevos usuarios interactúen durante un período de tiempo para poder recomendar productos con precisión.

Filtrado de contenido

El filtrado basado en contenido estudia los productos que el cliente ha comprado en el pasado para crear el perfil del cliente. A continuación, recomienda productos similares a los que el usuario ha comprado o que le han gustado en el pasado.

Al igual que el filtrado colaborativo, los sistemas de recomendación se adaptarán a los cambios en los gustos y disgustos de los usuarios. Actualmente, muchas personas optan por métodos híbridos que combinan el filtrado colaborativo y de contenido.

4. Segmentación de clientes

¿Cómo debemos generar grupos de clientes? Tradicionalmente, los especialistas en marketing se basaban en el enfoque de marketing de rociar y rezar. La segmentación se basó en características demográficas con poca especificidad.

Sin embargo, hoy en día los datos son abundantes y, cuando se procesan correctamente, representan una mina de oro para la segmentación. Al aprovechar los datos de uso multicanal, la información contextual y la actividad en tiempo real de cada comprador, se logra una verdadera personalización y una segmentación clara.

Entonces, ¿por qué es importante? La segmentación ayuda a los profesionales del marketing a encontrar grandes consumidores, clientes leales y clientes en hibernación. Una vez más, con una comprensión clara de nuestros clientes y las técnicas correctas de aprendizaje automático, podemos lograr un uso eficiente de los recursos limitados.

La segmentación, junto con el valor de vida útil del cliente (CLTV) y la predicción de la pérdida de clientes, permiten a los especialistas en marketing identificar grupos de usuarios en función de su valor estimado y no de sus características demográficas. Estos grupos se pueden utilizar para decidir las acciones específicas que se van a aplicar:

5. Optimización del presupuesto publicitario multicanal

¿Estoy distribuyendo mi presupuesto publicitario de forma óptima entre los diferentes canales?

Los especialistas en marketing suelen ser responsables de lograr objetivos de crecimiento exigentes con presupuestos limitados. Tanto es así, que el growth hacking se ha convertido en una técnica de marketing común en todo el mundo. La esencia es generar el mayor crecimiento posible utilizando la menor cantidad de recursos: mucho con poco.

Algunas de las herramientas mencionadas anteriormente ayudan con el ROI y la asignación eficiente del presupuesto, pero son solo una parte. No se trata solo de decidir cuánto invertir y en qué clientes, sino también de cómo hacerlo: esto implica analizar no solo los segmentos, la pérdida de clientes y el LTV, sino también los canales y las actividades y parámetros relacionados con cada uno de ellos.

Los equipos de marketing suelen utilizar varios canales, como la búsqueda patrocinada, los anuncios gráficos y los correos electrónicos, para llegar a sus clientes, y cada canal suele incluir varios parámetros asociados a diferentes costes.

La variedad de canales lleva al problema de la optimización del gasto de marketing, que requiere estimar la verdadera contribución de los canales y actividades individuales al resultado final y asignar los presupuestos de manera óptima entre estos canales, o incluso establecer parámetros de actividad individuales, como las ofertas en la búsqueda de palabras clave patrocinadas.

Mediante el aprendizaje automático es posible ejecutar campañas multicanal y optimice su presupuesto basado en datos de rendimiento en tiempo real.

De esta forma, se pueden ejecutar varias campañas al mismo tiempo en Facebook, Google, Instagram o cualquier otro conjunto de canales, mientras que el presupuesto total disponible se distribuirá automáticamente entre ellos buscando maximizar el ROI o incrementar los ingresos con una restricción de ROI.

6. Atribución

¿Qué acciones de marketing generaron una acción determinada por parte del cliente? Según un informe publicado por Salesforce, un consumidor medio puede utilizar hasta diez canales diferentes para llegar a un producto. Con los recorridos de los clientes tan fragmentados, los profesionales del marketing tienen que utilizar estrategias multicanal, pero ¿qué canal genera conversiones?

La atribución permite a los profesionales del marketing identifique el canal y la acción específica que generó una conversión.

¿Por qué es importante? Si comprendes la contribución de cada canal a las conversiones, puedes ajustar los presupuestos para maximizar el ROI. Además, la atribución de clientes arroja luz sobre los recorridos de los clientes. La atribución puede revelar puntos de contacto con un alto nivel de interacción, facilitar la toma de decisiones sobre canales específicos, así como definir la personalidad de los compradores y mejorar la segmentación.

Existen diferentes modelos de atribución, que van desde los más sencillos hasta los más complejos. Los profesionales del marketing deben buscar el modelo de atribución adecuado en función del caso de uso y del sector. Este es un resumen rápido de los principales modelos, sus ventajas y desventajas:

Atribución de último clic

Este es el modelo más común, en el que todo el mérito de la conversión se atribuye al último punto de contacto del recorrido del cliente. El aspecto positivo de este modelo es su simplicidad, y algunos podrían argumentar que acredita al conductor final de la compra. Sin embargo, puede resultar engañoso, ya que ignora todo el recorrido del cliente.

Atribución en el primer clic

En el caso contrario, todo el mérito de la conversión se atribuye al primer punto de contacto en el recorrido del cliente. El aspecto positivo también es su sencillez y su capacidad para descubrir cómo las personas descubren tu producto/servicio. Por otro lado, es inexacto e ignora la mayor parte del recorrido del cliente.

Atribución lineal

En este modelo, a cada punto de contacto del recorrido del cliente se le atribuye el mismo crédito por la venta o la conversión de dicho cliente. La gran ventaja es que los profesionales del marketing obtienen una visión completa del recorrido del cliente.

¿Dónde está el truco? Si bien la atribución lineal es un paso en la dirección correcta, ya que tiene en cuenta varios puntos de contacto o canales, representa una medalla para el escenario de participación. Carece de una visión más profunda: al asignar el mismo valor a todos los toques, se pierden oportunidades de optimización para los canales que generan un mayor impacto.

Los datos sobre el ROI son erróneos: imaginemos que somos un usuario en línea, nos encontramos con un anuncio de un producto en Facebook, debido a este anuncio decidimos visitar el sitio web de la marca, pero pensándolo bien nos vamos sin comprar nada. Unos días más tarde, vemos un anuncio diferente (otro canal) mientras leemos las noticias en Internet. Visitamos el sitio web de la marca por segunda vez, esta vez nos enganchamos y compramos el producto.

El problema es que Facebook se atribuirá el mérito de esta conversión porque la compra se produjo en un período de tiempo determinado. El segundo canal también se atribuirá el mérito de la conversión. El resultado final es un ROI inexacto. En lugar de asignar un porcentaje determinado a cada plataforma, cada plataforma se acredita a sí misma el 100% de la compra.

Modelo de atribución de Time Decay

Este modelo tiene en cuenta el tiempo. En un escenario similar en el que un cliente pasa por diferentes puntos de contacto hasta lograr una venta, este modelo analiza cuál de estos puntos de contacto está más cerca en el tiempo de la venta o la conversión. Se atribuirá más crédito al punto de contacto visitado más cercano a la venta.

A diferencia del modelado lineal, este modelo tiene en cuenta que los diferentes puntos de contacto generan diferentes impactos en el camino hacia una conversión. Sin embargo, el primer punto de contacto, que podría haber sido la primera interacción del cliente con una marca, puede ignorarse.

Modelo de atribución de puestos

Podríamos considerar que este modelo es un híbrido de los dos modelos anteriores. En resumen, asigna un 40% al primer punto de contacto y un 40% al último punto de contacto, y el resto se atribuye de forma lineal a todos los puntos de contacto intermedios.

El aspecto positivo de este modelo es que tiene en cuenta todos los puntos de contacto, como el enfoque lineal, pero aun así aplica una diferenciación de impacto como lo hace el modelo de decaimiento temporal. Sin embargo, al usar este modelo, los puntos de contacto intermedios podrían infravalorarse.

Modelo de atribución basado en datos

Los modelos basados en datos se basan en un concepto de la teoría de juegos cooperativos llamado Shapley Value. ¿La explicación simple? Lloyd Shapley, ganador del Premio Nobel de Economía, encontró una manera de distribuir la producción de un equipo, de manera justa, entre sus miembros en función de la contribución marginal de cada miembro a la producción total.

Si pensamos en el marketing, podemos considerar que los diferentes puntos de contacto en el recorrido de un cliente son los diferentes miembros del equipo y el impacto de cada punto es su contribución marginal. Tenemos un resultado que es la conversión y queremos atribuirlo equitativamente a los diferentes puntos de contacto.

Por el contrario, con los modelos tradicionales, los modelos basados en datos utilizan el aprendizaje automático para generar modelos personalizados únicos para cada anunciante. En otras palabras, no se trata de un modelo predefinido, determinista y basado en reglas.

El enfoque basado en datos se centra en los datos de conversión. El modelo buscará patrones en todas las diferentes combinaciones posibles de puntos de contacto al comparar los recorridos de los clientes que han realizado una conversión con los de los clientes que no lo han hecho. El resultado final es una mejor comprensión de qué anuncios tienen más impacto en los objetivos de conversión.

Completar el rompecabezas

Si bien cada una de las tareas mencionadas anteriormente puede generar valor empresarial por sí sola, es posible combinarlas en un canal de marketing basado en datos. Esto podría tener un aspecto parecido al siguiente:

Las interacciones observadas entre los componentes de este diagrama se pueden resumir de la siguiente manera: - Se puede utilizar un modelo de atribución para estimar qué acción o acciones de marketing son responsables de la conversión. Según el caso, esto se puede utilizar sucesivamente para estimar el CVR, el CTR o el ROI de la interacción. - Los modelos de predicción del LTV y la pérdida de clientes proporcionan variables que se pueden utilizar para segmentar a los usuarios y decidir otras acciones en función de los resultados esperados. - Una vez segmentados los usuarios, se puede utilizar un motor de recomendaciones para sugerir acciones específicas para cada usuario según el grupo al que pertenezca. - Los grupos generados por el modelo de segmentación, un conjunto de ofertas recomendadas para definir las campañas de marketing y la estimación de la eficacia de cada acción de marketing pueden ser se utiliza junto con un algoritmo de optimización para asignar el presupuesto publicitario disponible de la manera óptima para aumentar el ROI.

Finalizando

Esperamos que esta publicación te haya resultado útil y, al menos, entretenida. Si necesitas ayuda para descubrir la mejor manera de impulsar tu negocio con datos, ya sabes dónde encuéntranos.

Referencias

• Fader, P.S., Hardie, B.G.S., y Lee, K.L. (2005). RFM y CLV: uso de curvas de isovalores para el análisis de la base de clientes. Revista de investigación de mercados, 42 (4), 415—430. http://brucehardie.com/papers/018/fader_et_al_mksc_05.pdf
• Gómez, Carlos A. y Neil Junt. «El sistema de recomendación de Netflix: algoritmos, valor empresarial e innovación». ACM Transactions of Management Information Systems, vol. 6, núm. 4, 2016, págs. 1 a 19. https://doi.org/10.1145/2843948.