Resultado de la perturbación creada por el rápido crecimiento de la publicidad en línea en los últimos diez años, las organizaciones de marketing tienen acceso a un número significativamente mayor de datos para rastrear la eficacia y el ROI. Este cambio ha influido en la forma en que los profesionales del marketing miden la eficacia de los anuncios, así como en el desarrollo de nuevas métricas como el coste por clic (CPC), el coste por mil impresiones (CPM), el coste por acción/adquisición (CPA) y la conversión por clic. Además, los múltiples modelos de atribución han evolucionado con el tiempo a medida que la proliferación de dispositivos digitales y el tremendo crecimiento de los datos disponibles han impulsado el desarrollo de la tecnología de atribución.
- Los modelos de atribución de fuente única (también atribución de toque único) asignan todo el crédito a un evento, como el último clic, el primer clic o el último canal en mostrar un anuncio (post view). La atribución simple o de último clic se considera ampliamente como menos precisa que las formas alternativas de atribución, ya que no tiene en cuenta todos los factores que contribuyen a un resultado deseado.
- La atribución fraccionada incluye los modelos de pesos iguales, el decaimiento del tiempo, el crédito del cliente y los modelos multitáctiles/curvados. Los modelos de pesos iguales dan la misma cantidad de crédito a los eventos, el crédito del cliente utiliza la experiencia pasada y a veces simplemente conjeturas para asignar el crédito, y el multitoque asigna varios créditos a través de todos los puntos de contacto en el viaje del comprador en cantidades establecidas.
- La atribución algorítmica o probabilística utiliza técnicas de modelado estadístico y aprendizaje automático para derivar la probabilidad de conversión a través de todos los puntos de contacto de marketing, que luego se puede utilizar para ponderar el valor de cada punto de contacto que precede a la conversión. También conocida como atribución basada en datos, Doubleclick y Analytics 360 de Google utilizan sofisticados algoritmos para analizar todos los diferentes caminos de su cuenta (tanto los que no convierten como los que convierten) para averiguar qué puntos de contacto ayudan más a las conversiones. La atribución algorítmica analiza las rutas de conversión y de no conversión en todos los canales para determinar la probabilidad de conversión. Con una probabilidad asignada a cada punto de contacto, las ponderaciones de los puntos de contacto pueden agregarse por una dimensión de ese punto de contacto (canal, colocación, creatividad, etc.) para determinar una ponderación total para esa dimensión.
Construcción de un modelo de atribución algorítmicaEditar
Los métodos de clasificación binaria de la estadística y el aprendizaje automático pueden utilizarse para construir modelos adecuados. Sin embargo, un elemento importante de los modelos es la interpretabilidad del mismo; por lo tanto, la regresión logística suele ser apropiada debido a la facilidad de interpretación de los coeficientes del modelo.
Modelo de comportamientoEditar
Supongamos que los datos publicitarios observados son { ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}{i=1}^{n}.
donde
- X ∈ R {\displaystyle X\in \mathbb {R} }
covariables
- A ∈ {0 , 1 } {\displaystyle A\in {0,1\}}
consumidor vio o no el anuncio
- Y ∈ { 0 , 1 } {\displaystyle Y\in {0,1\}}
conversión: respuesta binaria al anuncio
Modelo de elección del consumidorEditar
u ( x , a ) = E ( Y | X = x , A = a ) {\displaystyle u(x,a)=\mathbb {E} (Y|X=x,A=a)}
∀ X ∈ R {\displaystyle \forall X\in \mathbb {R} }
covariables y ∀ A {\displaystyle \forall A}
anuncios
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u= suma _{k}A\beta ^{k}\psi (x)+\epsilon }
Las covariables, X {\displaystyle X}
, generalmente incluyen diferentes características sobre el anuncio servido (creatividad, tamaño, campaña, táctica de marketing, etc.) y datos descriptivos sobre el consumidor que vio el anuncio (ubicación geográfica, tipo de dispositivo, tipo de SO, etc.).
Teoría de la utilidadEditar
y i ∗ = max y i ( E ) {\displaystyle y_{i}^{*}={underset {y_{i} {\max }}{\bigl (}\mathbb {E} {\bigr )}}
P r ( y = 1 | x ) = P r ( u 1 > u 0 ) {\displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}
= 1 / {\displaystyle =1/}
Procedimiento contrafactualEditar
Una característica importante del enfoque de modelización es la estimación del resultado potencial de los consumidores suponiendo que no estuvieran expuestos a un anuncio. Dado que el marketing no es un experimento controlado, es útil derivar los resultados potenciales para comprender el verdadero efecto del marketing.
El resultado medio si todos los consumidores vieran el mismo anuncio viene dado por
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E { E ( Y | X , A = a ) } {\displaystyle =\mathbb {E} \{{mathbb {E}} (Y|X,A=a)\}
Un comercializador suele estar interesado en comprender la «base», o la probabilidad de que un consumidor se convierta sin ser influenciado por el marketing. Esto permite al comercializador comprender la verdadera eficacia del plan de marketing. El número total de conversiones menos las conversiones «base» dará una visión precisa del número de conversiones impulsadas por el marketing. La estimación de la «base» puede aproximarse utilizando la función logística derivada y utilizando los resultados potenciales.
Base = Conversiones previstas sin marketing observado Conversiones previstas con marketing observado {\displaystyle {\text{Base}}={frac {\text{Conversiones previstas sin marketing observado}{text{Conversiones previstas con marketing observado}}}}
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={frac {\mathbb {E} \{{mathbb {E}} (Y|X,A=0)\} {\mathbb {E} \…que no se puede hacer… (Y|X,A=1)\}}}}}}
Una vez derivada la base, el efecto incremental del marketing puede entenderse como la elevación sobre la «base» para cada anuncio suponiendo que los otros no se vieran en el resultado potencial. Esta elevación sobre la base suele utilizarse como el peso de esa característica dentro del modelo de atribución.
Peso de la atribución = {\displaystyle {\text{Peso de la atribución}=}
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={frac {\mathbb {E} \{{mathbb {E}} (Y|X,A=1)\N-\Nmathbb {E} \…y el de la mujer… (Y|X,A=0)\} {{mathbb {E}} \(Y|X,A=1). (Y|X,A=1)\}}}}
