Digital Transformation Insights

  • Carlos J. Vila Vergara

Casos de uso de Machine Learning: el Marketing Digital

Actualizado: feb 3


Uno de los sectores que más está avanzando en su transformación digital en general y en el uso de soluciones basadas en Big Data y Machine Learning es el Marketing digital, tanto en su oferta (Agencias Digitales) como en su uso por parte de las empresas para optimizar su marketing basado en internet fija y móvil. La inmensa mayoría de las empresas que hacen un uso intensivo del Marketing Digital (agencias, portales de eCommerce, grandes anunciantes, inmobiliarias, seguros, telcos,…) cuentan con una estrategia de optimización de sus acciones de marketing y relación online con sus cliente basada en el uso intensivo de datos y modelos cognitivos.



Razones para la utilización de Machine Learning en la optimización del Marketin Digital y la UX

Funcionalidades basadas en Machine Learning más habituales

A continuación, describiremos en detalle los productos y servicios basados en Machine Learning más utilizados actualmente.



Cookie scorer


Las cookies son usualmente son pequeños archivos de texto y se almacenan en el directorio del navegador del dispositivo o en las subcarpetas de datos de programa. Las cookies se crean cuando un usuario utiliza su navegador para visitar un sitio web que las utiliza para hacer un seguimiento, indicar al usuario dónde dejó la navegación, recordar el inició de sesión y selección de tema, preferencias y otras funciones de personalización. A menudo las cookies son indispensables en las webs que tienen bases de datos muy grandes, requieren inicio de sesión, tienen temas personalizables y otras funciones avanzadas.

Hay dos tipos de cookies: las cookies de sesión y las cookies permanentes. Las cookies de sesión se crean de forma temporal en una subcarpeta del navegador mientras el usuario visita una página web. Una vez que ha abandonado el sitio, la cookie de sesión es eliminada. Por otro lado, las cookies permanentes siguen en la subcarpeta del navegador y se activan de nuevo en cuanto se visita otra vez la página específica que la creó. Una cookie permanente sigue en la subcarpeta del navegador durante el tiempo que se ha establecido como período de duración del archivo, o tiempo de expiración.

Los contenidos de una cookie los determina la web específica que la creó. Los contenidos cambian de un sitio a otro. Como regla general, las cookies contienen caracteres textuales aleatorios. Las cookies están pensadas para ayudarte a acceder al sitio de forma más rápida y efectiva. Por ejemplo, las cookies pueden almacenar información para ayudarte a entrar a un sitio sin tener que iniciar sesión. En efecto, las cookies le dicen a la página web que tu navegador ha estado antes en el sitio. Esto no significa que tenga que saber exactamente tu identidad.


La cualificación (p.e. mayor o menor propensión a realizar una compra) de cookies se ha realizado hasta ahora asignando una ponderación predefinida a una serie de variables estáticas clave aplicada de forma asíncrona a la información histórica de los clientes obtenida a través los canales digitales y de marketing tradicional. Un ejemplo de calificador de leads / cookies tradicional podría ser la asignación de valores predefinidos a las siguientes variables:


  • Job Title: +20

  • Sector: +10

  • Usa CMS: +5

  • Accede al Carrito: +5

  • Email genérico: -10

  • Accede a Contenido específico: +3

  • Asiste al webinar: +5

  • Visita webpage/blog: +1

  • Visita ofertas de trabajo: -10

Valor de la cookie: 29.


Actualmente, este tipo de recomendadores han evolucionado y se basan en el uso de modelos predictivos (machine learning), los cuales son una función matemática o red neuronal capaz de aprender la correlación entre un conjunto de datos de entrada y una variable objetivo, lo cual le permite predecir el valor de dicha variable en tiempo real a partir de los datos reales capturados para una cookie concreta. Este aprendizaje se denomina supervisado ya que los datos son presentados a un modelo predictivo con los datos de entrada y la salida o el resultado real.


El objetivo es entrenar a un Sistema Inteligente que aprende a detectar los patrones que distinguen las cookies “buenas” de las “malas”, construyendo un clasificador automático. Para crear el clasificador automático, lo primero que se hace es construir un proceso que carga, limpieza y transformación y normalización de los datos disponibles:


  • Datos procedentes de acciones de Marketig Digital y comportamiento de los usuario

  • Datos procedentes de otras fuentes de MKT tradicional / CRM

  • Datos de fuentes externas.

  • Se utiliza un algoritmo de selección de atributos para separar las variables relevantes de las que sólo meten ruido.

  • A continuación, se homogenizan los datos, gestionando qué hacer cuando algún campo está vacío, y normalizaremos los valores numéricos.

Estas predicciones generadas para cada una de las cookies permiten clasificar a los usuarios en función de su capacidad potencial de convertirse en cliente, volumen de compra, etc. Podemos activar estos resultados en una gran cantidad acciones de marketing, como se resume en la siguiente figura:



Posibilidades de activación de los datos de un usuario en un entorno de Marketing Digital

La hipótesis subyacente a este enfoque es que los visitantes identificados por una cookie y los clientes anteriores que ya han realizado compras con un perfil similar se comportan de manera similar, permitiendo a un sistema cognitivo entrenado con los datos de navegación, demográficos y de navegación fuera de la web del cliente (anuncios, banners, display, etc) predecir el comportamiento futuro de nuevos visitantes a la web.


Además, un porcentaje muy elevado de los visitantes a una web no llegan a realizar una compra. De hecho, se estima que el 80% de las ventas provienen de un 20% de los usuarios. Ser capaz por tanto de identificar con un elevado grado de precisión cuáles son los visitantes que pertenecen al 20% que se convertirá en cliente, permite ahorrar costes no invirtiendo recursos en acciones de marketing para los usuarios que no van a comprar (negativización) y ser más eficiente en la gestión de aquellos que se identifican como con un mayor potencial de compra.




Lead Scorer


Es un caso de uso similar al anterior, pero con algunas diferencias:

  • La diferencia entre una cookie y un lead, es que el caso de éste último el usuario se ha registrado, hemos capturado información adicional (datos demográficos, email, nombre y otros específicos del tipo de servicio que le prestamos). Por tanto el usuario no es anónimo y tenemos mecanismos adicionales para permitir la comunicación personalizada con él.

  • Habitualmente al usuario se le asigna un ID Cliente que le identifica unívocamente cuando accede a una web desde cualquier dispositivo, a diferencia de la cookie, donde un mismo usuario recibe una identificación (cookie) diferente para cada uno de sus dispositivos. Esto permite una mejor precisión en la ejecución de los modelos predictivos.



Recomendador de productos


El comercio electrónico está creciendo en popularidad y afronta un importante el desafío como es ayudar a los clientes a elegir entre una gran variedad de productos para encontrar fácilmente los que van a ser de su agrado. No todos los usuarios de la web tienen los mismos gustos y preferencias de compra, ni visitan los mismos productos.


Recomendar a todo el mundo unos productos prefijados que no encajan con sus preferencias acaba haciendo que los usuarios no presten atención a las recomendaciones. ¿Es posible ofrecer a cada usuario una recomendación personalizada en cada momento? Una de las herramientas que abordan este desafío son los sistemas de recomendación de productos basados en inteligencia artificial, que atraen mucha atención recientemente. Estos sistemas proporcionan a los usuarios recomendaciones sobre productos o servicios, que se adaptan a su gusto y necesidades únicas. La tecnología detrás de esos sistemas se basa en la elaboración de perfiles de usuarios y productos y encontrar el medio de relacionarlos.


A partir de los datos de navegación y compra previa de cada usuario, así como de los detalles de los productos que visitan, se puede generar una recomendación personalizada para cada usuario y en cada producto que visita. En el momento en el que el usuario llega a la web, ya se conocen las tipologías de productos más afines a su perfil. Éstas se irán actualizando en función de la navegación actual, y pudiendo restringirse también los productos que se muestran en cada momento.


Las imágenes incluidas a continuación, muestran gráficamente el resultado de la ejecución de estos algoritmos de recomendación de productos desde el punto de vista del usuario:




Ejemplo de Recomendador de Productos por categorias

Ejemplo de parrilla de recomendaciones de producto

En términos generales, los sistemas de recomendación se basan en dos estrategias diferentes (o combinaciones de las mismas). El enfoque basado en el contenido crea un perfil para cada usuario o producto para caracterizar su naturaleza. Como ejemplo, un perfil de película podría incluir atributos sobre su género, actores, su popularidad en la taquilla, etc. Los perfiles de usuario pueden incluir información demográfica o respuestas a un cuestionario adecuado. Sin embargo, las estrategias basadas en contenido requieren reunir información externa puede que no esté disponible o sea fácil de recolectar.


Una estrategia alternativa, sólo depende en el comportamiento del usuario anterior sin requerir la creación de Perfiles. Este enfoque se conoce como Filtrado Colaborativo (Colaborative Filtering o CF), un término acuñado por los desarrolladores del primer sistema de recomendación. Este algoritmo analiza las relaciones entre los usuarios y las interdependencias entre los productos, para identificar nuevas asociaciones de usuario-elemento. Por ejemplo, algunos sistemas de CF identifican pares de elementos que tienden a ser calificados de manera similar o de usuarios afines al usuario sujeto a recomendación en cada momento, con el fin de deducir relaciones desconocidas entre usuarios y artículos. La única información requerida es el comportamiento anterior de los usuarios, que podrían ser sus transacciones anteriores o la forma en que califican los productos o su historial de navegación. Siendo generalmente más precisos que las técnicas basadas en el contenido, CF es sin embargo muy sensible al problema de cold start debido a su incapacidad de poder perfilar los productos nuevos que se añaden al sistema por falta de datos, que los sistemas basados en Contenidos gestionan de una manera natural.


Los sistemas recomendadores dependen de diferentes tipos de datos de entrada. El más potente es la realimentación explícita de alta calidad, que incluye información explícita de los usuarios sobre su interés en los productos. Por ejemplo, Netflix colecciona ratings estelares para las películas y los usuarios de TiVo indican sus preferencias sobre Programas de TV pulsando los botones ‘pulgar hacia arriba/abajo’. Sin embargo, la retroalimentación explícita no siempre está disponible. Otra forma de abordar la captura de datos es la retroalimentación implícita, que obtiene indirectamente la opinión de los usuarios observando su comportamiento. Fuentes potenciales son el historial de compras, el historial de navegación, los patrones de búsqueda, o incluso los movimientos del ratón. Por ejemplo, a un usuario que compró muchos libros del mismo autor probablemente le gusta ese Autor.

La gran mayoría de la bibliografía en este campo está enfocada al procesamiento de comentarios explícitos, probablemente gracias a la conveniencia de usar este tipo de información pura. Sin embargo, en muchas situaciones prácticas, los sistemas de recomendación deben centrarse en la retroalimentación implícita. En un modelo implícito una vez que el usuario da su aprobación para recoger datos sobre su navegación, no se requiere retroalimentación explícita adicional (por ejemplo, calificaciones) por parte del mismo.


Las ventajas esperadas de un recomendador de productos son:


  • Aumento de la efectividad de los productos ofrecidos como recomendados, haciendo que los usuarios lo tengan cada vez más en cuenta.

  • Se aumenta el tiempo de sesión y se optimiza la navegación con el consiguiente impacto en el número de las conversiones y el valor medio del cliente.

  • Algunos sitios como Amazon estiman que el 25% de sus ventas se producen gracias a su sistema de recomendación.



Recomendador de precios


Los proveedores tradicionalmente utilizaban herramientas de análisis manual del coste, la oferta y demanda y los precios de la competencia para fijar el precio para un producto o servicio. A falta de algoritmos sofisticados, dos estrategias de precios eran las más comunes:


  • Precios Premium: las empresas establecen un precio más alto que el precio medio competitivo. El factor clave para el éxito de esta estrategia es la diferenciación. El precio Premium funciona eficazmente cuando el producto tiene una característica única que la diferencia de productos similares en el mercado y tiene una ventaja competitiva.

  • Precio de penetración: consiste básicamente en fijar un precio relativamente más bajo que la competencia. Las empresas utilizan esta estrategia de precios para elevar el conocimiento de la marca y aumentar la fidelización del cliente. Inicialmente, el precio de penetración puede causar pérdida de ingresos, pero el objetivo principal de esta estrategia es la penetración del mercado.

La maximización de los beneficios no siempre es posible con estas dos sencillas estrategias. El objetivo por tanto es utilizar la capacidad de gestionar algoritmos de fijación de precios mucho más complejos que permitan por un lado cubrir todos los segmentos de precios y por otro responder más rápido a las fluctuaciones de la demanda en el mercado. Dynamic pricing, también llamado en ocasiones, precio de demanda, precio en tiempo real o Algorithmic Pricing, el precio aplicado en cada momento es flexible en base a la demanda puntual, la oferta en ese momento, el precio de la competencia y los precios de los productos sustitutivos. El precio incluso cambia de un cliente a otro en función de su historial de compra y navegación.


El precio dinámico es una de las palancas que tienen las empresas con mayor potencial de rentabilidad, ya que el un incremento de 1% en los precios se traduce, por ejemplo, en una mejora del 10% del beneficio de un negocio que tenga un margen de beneficios del 10%. Los sistemas de precios dinámicos basados el uso de algoritmos y ML proporcionan claras ventajas en comparación con la fijación manual de precios:


  1. Son más precisos, ofreciendo precios para código de producto en función de las ventas realizadas y previstas

  2. Respuesta rápida a las fluctuaciones de la demanda

  3. Los cambios de precios tienen en cuenta muchos más factores, incluyendo la percepción del precio por el cliente, contribuyendo a incrementar las ventas.

Los precios dinámicos se calculan por medio de algoritmos basados en aprendizaje y optimización continua que tienen en cuenta numerosas variables para establecer el mejor precio para ese producto específico para ese cliente, en ese momento preciso. Estas son algunas de las variables que se usan habitualmente para tomar decisiones de precios:


  • Datos de Stock: Niveles de stock, coste unitario actualo pronósticos de coste futuro.

  • Datos sobre la Demanda: Datos sobre el cliente específico, datos demográficos como edad, género, ubicación actual y residencia permanente, ingresos, histórico de ventas ( ¿cuánto gastaron los clientes en el pasado por productos similares?), precios de la competencia, precios de los productos sustitutivos, incluidos los productos vendidos por la propia empresa y sus competidores.

Debido a la complejidad de determinar dinámicamente los precios debido al elevado número de factores de muy diversos tipos y obtenidos habitualmente de distingas fuentes, los sistemas de Dynamic Pricing se implementan mediante la unión en cascada de diferentes módulos para gestionar dicha complejidad:

  • Módulo de Long tail: Este módulo se utiliza para productos nuevos o productos long tail de los que disponemos de pocos o ningún dato histórico. El principal desafío para este módulo es ser capaz de utilizar los atributos de producto para relacionar estos productos para los que no hay datos históricos con productos similares para los cuales sí tengamos un amplio historial de su comportamiento en el pasado.

  • Módulo de elasticidad: calcula el impacto del precio en la demanda considerando la estacionalidad y la canibalización.

  • Módulo Key Value Items (KVI ): Los artículos de valor clave son artículos populares cuyos precios los consumidores tienden a recordar más que el de otros artículos. El módulo tiene como objetivo gestionar la percepción de los precios de los consumidores asegurando que los elementos que impactan fuertemente la percepción del precio del cliente tengan un precio adecuado.

  • Módulo de respuesta competitiva: Este módulo aprovecha datos granulares de precios de los competidores y el impacto de esos precios en los clientes de la compañía para reaccionar a los precios de los competidores en tiempo real.

  • Módulo de Omnicanalidad: Las empresas gestionan los precios entre canales tanto para la discriminación de precios como para animar a los clientes a visitar sus canales más rentables. Este módulo se asegura de que los precios ofrecidos a cada cliente a través de los diferentes canales estén coordinados.

Algunos ejemplos de este tipo de implementación de Dynamic Pricing son:

  • Las líneas aéreas son las pioneras en el uso de Dynamic Pricing. Un billete para el mismo vuelo exacto con el mismo destino y en la misma fecha puede tener una serie de precios diferentes para diferentes clientes. Debido a que las ventas de aerolíneas se migraron masivamente hacia la venta online antes que otros sectores y beneficiándose de que el cliente ya asumía que las compañías aéreas cobran diferentes precios por el mismo billete si este es adquirido en días diferentes, era fácil y aceptable por los usuarios que las compañías aéreas optaran e implementaran una estrategia de precios dinámicos.

  • Comercio electrónico: los minoristas, especialmente las empresas de comercio electrónico como Amazon y eBay utilizan precios dinámicos personalizados. Si el usuario compra habitualmente en Amazon u otros sitios web de comercio electrónico, los precios serán más altos. Los algoritmos calculan el nivel de lealtad de cada cliente y establecen el precio más bajo si una persona es un recién llegado.


Personalización


El objetivo que persigue el marketing personalizado es brindar una experiencia individualizada a los diferentes tipos de persona por los que se compone nuestro público objetivo. Por este motivo es tan importante entender las necesidades de los usuarios.

Para ello, se define el cliente ideal de la empresa (buyer persona en la jerga) que obedece a criterios como la edad, el sexo, el país, el idioma, el cargo, la posición social, etc. Sin embargo, para abordar el marketing personalizado, aún debemos ir un paso adelante para poder ofrecer a los usuarios ese contenido de valor que es el smart content, interesándonos, a su vez, por otros datos relevantes como sus intereses, sus hábitos, interacciones comunes, etc.


El ejemplo más simple de personalización se presenta en la mayoría de los newsletters: el mensaje puede empezar con la frase «Hola, [nombre de pila del destinatario]». El valor de la etiqueta con el nombre de pila cambiará según cada persona que reciba el email. Pero existen aplicaciones más interesantes:


  • Enviar ciertos mensajes en función del comportamiento del usuario. Por ejemplo, en muchas redes sociales, cuando el usuario deja de entrar por cierta cantidad de días, recibe un email animándolo a volver a entrar para enterarse de las novedades que hubo en ese tiempo.

  • Proponerle ciertos contenidos al usuario en función de sus intereses. Por ejemplo, MercadoLibre nos sugiere productos en función de las últimas compras y búsquedas que realizamos, y Netflix nos recomienda series y películas según lo que estuvimos viendo últimamente.

  • Personalizar la web con contenidos y apariencia personalizado para las características de un usuario concreto.

  • Personalizar los anuncios y banner en función del usuario específico.

  • Otros

Aunque son términos relacionados, personalización no equivale a segmentación. La segmentación busca agrupar a las personas según sus características en común, generando distintos perfiles de consumidor (por ejemplo, «estudiante», «trabajador», «ama de casa», etc.), y creando una solución para cada perfil. Pero la personalización es más profunda, ya que trata a cada usuario como un individuo irrepetible y no como parte de una categoría genérica. La segmentación es marketing uno-a-muchos, mientras que la personalización es marketing uno-a-uno. En general, se considera que la personalización es un enfoque más moderno que la segmentación, ya que hace uso de las más recientes innovaciones del big data y el machine learning.



#TransformacionDigital #MarketinDigital #MachineLearning #RecomendadorDeProductos #RecomendadorPrecios #CookieScoring #CasosdeUso

 Transformación Digital

blog haiyue.png

haiyue​


Email:      info@haiyue.es                  
Dirección: Juan Ramón Jimenez 6

             28232, Las Rozas de Madrid.

 

 

© haiyue 2020, todos los derechos reservados

 

 

 

 

 

Síguenos en Linkedin