Analítica web
Reflexiones desde el mercado español de Analítica Web

Adobe Audience Manager: introducción al modelado lookalike

Se lee en 5 minutos

El uso de las audiencias similares o lookalike en el mundo del marketing online se ha popularizado en los últimos años con el auge de las técnicas de Machine Learning. Gigantes del sector como Facebook o Google están sacando rendimiento a la información que tienen de sus usuarios para descubrir gente parecida a ellos, como dejó entrever mi compañero Edgar García en su post “Facebook Custom Audiences: saca más partido a tu CRM“.

En plataformas de gestión de datos (DMP) como Adobe Audience Manager, el modelado algorítmico o lookalike no tiene tanto alcance ni se basa en información personal identificable (PII), sino que utiliza datos que han sido etiquetados con anterioridad en la herramienta a través de traits. Este modelo lookalike empleará un trait o audiencia base para comparar sus características con los usuarios presentes en una fuente de datos del DMP, seleccionando los más semejantes. El objetivo principal de esta funcionalidad es descubrir usuarios que, aun estando en el DMP, no estaban asociados a una audiencia concreta a pesar de contar con unos rasgos muy similares.

Creando un modelo lookalike en Adobe Audience Manager

Para hacer todo esto, Adobe Audience Manager utiliza un algoritmo propietario llamado TraitWeight. El proceso comienza seleccionando un trait o segmento base, su ventana temporal de datos (30, 60 o 90 días), y una fuente de datos de primera o tercera parte de las que dispongamos en el DMP. Estas serán las entradas del modelo algorítmico.

adobe audience manager, look-alike, lookalike, dmp, audience manager
Interfaz de Adobe Audience Manager – Crear un nuevo modelo algorítmico

TraitWeight busca entonces usuarios en estas fuentes de datos que sean lo más parecidos posibles a los usuarios ya cualificados en el trait o segmento base seleccionado. A continuación, el algoritmo pondera los resultados, ordenando por influencia los traits que ha descubierto más similares. El rango de esta escala es entre 0 y 1, de tal forma que los traits ponderados con un valor más cercano a 1 tendrán un rango de similitud mayor.

Para terminar, Audience Manager muestra los resultados ponderados en el Trait Builder, donde podemos crear traits basados en la precisión (accuracy) y el alcance (reach). Estos resultados pueden emplearse para crear traits muy concretos o sacrificar algo de precisión con vistas a expandir el tamaño de la audiencia. También es posible construir segmentos que combinen traits algorítmicos con traits basados en reglas.

Es importante señalar que la salida o output del modelo lookalike siempre es una audiencia compuesta por cookies que están o han estado con anterioridad en los activos digitales de la cuenta, independientemente de que se hayan usado datos de segunda o tercera parte para construir el modelo. Por tanto, toda acción de marketing realizada sobre nuestra audiencia similar debe ser catalogada como retargeting.

Audiencias lookalike: un ejemplo práctico

Ilustremos toda esta explicación con un ejemplo. Imagina una web de una desarrolladora de videojuegos con 10.000.000 de usuarios registrados en la cual se realiza una encuesta para analizar el interés del público gamer en un futurible nuevo juego de Age of Empires. La encuesta es capaz de procesar las respuestas y proporcionar un rango de puntuaciones que indique el interés que tiene un usuario en el nuevo juego. En base a esta información, al finalizar la encuesta se hace saltar un píxel con un par clave/valor para cada clasificación:

http://[client].demdex.net/event?interes_age_of_empires=10&generación=millenial&frikismo=9
http://[client].demdex.net/event?interes_age_of_empires=1&generación=entreguerras&frikismo=1

En Audience Manager sería necesario crear un conjunto de traits a partir de este píxel que recogieran los diferentes grados de interés que puede tener un usuario en un nuevo juego de Age of Empires. Para saber cómo crear un trait en Audience Manager puedes leer el post de mi compañero José Manuel Arabia: “Adobe Audience Manager, punto de partida”.

Consideremos ahora que la encuesta es completada por 15.000 personas, de las cuales 3.000 son clasificadas con un “interés alto en un nuevo juego de Age of Empires”. Es entonces cuando entra en escena nuestro modelo algorítmico, el cual busca encontrar en nuestro conjunto de 10.000.000 de usuarios del DMP aquellos más semejantes a los 3.000 que realizaron la encuesta y fueron etiquetados en un trait como “interesados en un nuevo juego de Age of Empires”.

Es en este punto donde se exige un balance entre precisión y alcance, que viene dado por la gráfica del modelo. Cuanto más precisión exigimos al modelo menos visitantes podemos impactar, pero es más seguro que estos estarán interesados en comprar el nuevo juego, algo que puede merecer la pena cuando una campaña está orientada a venta pura (conversión). Por el otro lado, sacrificar precisión por llegar a más usuarios puede ser más interesante en campañas de consideración, en las cuales es más importante que el mayor número de usuarios posible conozca un producto o una marca antes que que compren finalmente.

model, dmp, audience manager, adobe audience manager, reach, accuracy, precision, alcance, lookalike, look-alike
Adobe Audience Manager: gráfica precisión/alcance del modelo algorítmico

En nuestro ejemplo elegimos para el algoritmo una precisión de 0.7 (70%). De acuerdo a la gráfica, el algoritmo es capaz con esta configuración de encontrar 1.000.000 de usuarios potencialmente “interesados en un nuevo juego de Age of Empires”. Este millón de visitantes puede ser entonces impactado con una campaña en SEMFacebookTwitter o Display cuando salga el juego, por ejemplo.

Otra acción que puede realizarse en paralelo es utilizar esta audiencia para personalizar la página principal de nuestra web con noticias o vídeos del nuevo juego, o sugerirle en productos recomendados antiguas versiones de Age of Empires. O simplemente utilizar este modelado para estudiar la rentabilidad del juego en base a la existencia de un volumen de público interesado lo suficientemente grande.

En pocas palabras, gracias al modelado look-alike y a partir de tan sólo 3.000 usuarios que han rellenado una encuesta, hemos cubierto una población más de 300 veces mayor de jugadores potenciales. Y esto tan sólo echándole un vistazo a traits similares.

Ventajas del modelo lookalike

Para concluir, podemos resumir los beneficios del modelado lookalike de Audience Manager en los siguientes puntos:

  • Aumento del alcance: una audiencia pequeña pero potente puede aumentar su tamaño utilizando información que ya está en el DMP.
  • Precisión en los datos: el modelado se ejecuta periódicamente, reevaluando la importancia de cada trait en función de su tamaño y los cambios producidos en su población. Esto permite mantener los resultados actualizados y relevantes.
  • Automatización: el modelo encuentra nuevos usuarios sin tener que gestionar una serie de reglas estáticas.
  • Ahorro de tiempo y esfuerzo: ya no es necesario tratar de adivinar los traits o segmentos que pueden funcionar o consumir recursos para descubrir audiencias nuevas.
  • Fiabilidad: el modelado evalúa los datos a los que tienes acceso ya sean de primera o tercera parte, de forma que un visitante no tiene que entrar en tu web para cualificar para un trait.

Como contrapunto, podemos señalar como desventajas que su alcance depende del volumen de nuestros activos digitales y que su exactitud es cuestionable porque depende de una definición de traits que no tiene significado por sí misma.

Y a ti, ¿se te ocurre alguna otra aplicación del modelado lookalike? ¿Crees que merece la pena utilizarlo?

*Fuente de las imágenes: Adobe Audience Manager

Escribe tu comentario

5 × cuatro =

Navegar