Las personas pueden hacer esto por sí mismos, pero una máquina ayuda a hacerlo rápidamente y en una escala infinitamente más grande.
Jefa de Científicos de Decisiones de Google
Cassie Kozyrkov
En la medida en que las personas han comenzado a esperar experiencias más personalizadas, relevantes y de asistencia, el machine learning se ha convertido en una herramienta invaluable. Aquí 3 cuestiones que todo anunciante debería tener en cuenta para preparar a su organización para el machine learning.
Como los seres humanos, las máquinas funcionan mejor cuando se les plantean metas claramente definidas. Metas cuantificables y medibles ayudan a los expertos en la ciencia de datos a construir los modelos de aprendizaje automático e identificar los datos correctos que se utilizarán al entrenarlos. Define qué sería alcanzar el éxito para poder medirlo más adelante.
Es necesario contar con una gran cantidad de datos precisos para el problema que está intentando resolverse. Piense en cientos de miles de datos. Estos deberán ser formateados, limpiados y organizados, y necesitará dos grupos de datos: uno para entrenar el modelo y uno para evaluarlo.
Los marketers pueden identificar oportunidades para utilizar el machine learning, pero únicamente los expertos en la ciencia de datos pueden implementarlo. Un equipo interdisciplinario es esencial para el éxito de cualquier programa de aprendizaje automático, así como también lo es una mentalidad organizacional que priorice y premie la experimentación, la medición y la prueba.
Estas cuatro marcas lo utilizaron para optimizar sus campañas e impulsar sus esfuerzos de marketing. Esto es lo que hemos aprendido.
Imagina que tu equipo lanzó una app, pero los primeros resultados muestran que los usuarios que la descargan no la abren a menudo. Esto es un problema común: solo el 37% de las aplicaciones son utilizadas después de 7 días de haber sido instaladas.
El equipo detrás de la aplicación de alquiler de vehículos de GM necesitaba tener llegada a clientes de alto valor que posiblemente contrataran servicios en la aplicación. Al integrar el machine learning a su estrategia de campaña, el equipo pudo disminuir el gasto mientras que aumentaba su base de clientes, liberando presupuesto para ser atribuido a iniciativas más estratégicas.
Las expectativas de personalización van en aumento, y los anuncios no son una excepción. De hecho, de acuerdo con algunas investigaciones, el 91% de los dueños de dispositivos móviles compraron o planean realizar una compra luego de ver un anuncio que describieron como relevante.
Desde ya, crear un anuncio singular para cada cliente es una tarea imposible para un ser humano.
El aprendizaje automático está ayudando a los marketers a brindar avisos únicos y personalizados para los clientes. Los anuncios de búsqueda responsivos combinan múltiples títulos y descripciones para encontrar el mejor mix posible para un usuario, simplificando el proceso de creación de anuncios y entregando resultados más sólidos.
Cuando Apartments.com, un recurso para arrendatarios líder del mercado deseaba optimizar el material publicitario para su creciente audiencia, se volcó a los anuncios de búsqueda responsivos de Google. Al personalizar los anuncios sobre la base de criterios tales como momentos clave en el proceso de alquiler único de cada usuario, la compañía logró impulsar los clics en todos sus sitios web.
Las búsquedas se están tornando más frecuentes y específicas. Para los marketers, esto significa que es más importante, pero también más difícil, colocar la puja correcta en las subastas de búsquedas. El aluvión de datos crea más complejidad, oscureciendo aquellos que realmente importan.
Smart Bidding utiliza machine learning para analizar millones de señales y realizar los ajustes necesarios en tiempo real.
Cuando OMD, agencia socia de Nissan, intentó impulsar las visitas calificadas al sitio web de Nissan, utilizó algoritmos de puja automáticos junto con sus propios ajustes personalizados para alcanzar a segmentos de consumidores claves.
Cuando una persona investiga un producto, a menudo hace clic en múltiples anuncios. Usualmente se le atribuye el mérito de la conversión al último anuncio cliqueado, pero eso no significa que haya sido el más valioso. La atribución basada en datos utiliza algoritmos para identificar patrones que llevan a conversiones, incluyendo los puntos de contacto más importantes.
Planificar un viaje puede llevar meses, mientras las personas llevan adelante cientos de interacciones en línea. Para comprender mejor qué puntos de contacto impulsan el crecimiento a largo plazo, el mercado de alquiler vacacional HomeAway utiliza la atribución basada en datos para ubicar señales de intención de consumidores que representen comportamientos que se correlacionan con la conversión.