1gpqe4wh2fql26qn815tp6w.png

Las estrategias basadas en datos ayudan a las empresas de comercio electrónico a superar los desafíos publicitarios

Existe una creencia popular en la comunidad de comercio electrónico de que todo lo que necesita una campaña publicitaria exitosa es creatividades de alta calidad. Sugiere que las marcas deberían centrarse en crear grandes creatividades y dejar que las plataformas publicitarias se encarguen del resto. Pero en la práctica, no es prudente que las empresas de comercio electrónico confíen ciegamente en las plataformas publicitarias por varias razones:

  • A las PYMES de comercio electrónico les resulta caro acumular un gran historial de datos sobre el rendimiento de los anuncios.
  • Cuando las marcas promocionan múltiples productos en múltiples segmentos del mercado, los datos de desempeño se fragmentan y pueden engañar al algoritmo.

Afortunadamente, los ejecutivos y especialistas en marketing del comercio electrónico pueden utilizar la ciencia de datos para superar estos desafíos. En este artículo, explicaremos cómo funcionan los algoritmos de las plataformas publicitarias y compartiremos algunos enfoques prácticos para mejorar la adquisición de clientes.

Imagen del autor

Las plataformas publicitarias realizan subastas en tiempo real para determinar qué anuncios se muestran a qué usuarios. Usemos Meta como ejemplo. Su subasta de anuncios determina el anuncio ganador según la puntuación de Valor total:

Valor total = Oferta × Tasa de acción estimada + Relevancia y nivel de calidad

  • Oferta: la cantidad que un anunciante está dispuesto a pagar por una acción deseada.
  • Tasa de acción estimada: la probabilidad prevista de que un usuario realice la acción deseada después de ver el anuncio.
  • Relevancia y nivel de calidad: qué tan relevante y de alta calidad es el anuncio para el usuario objetivo. Las marcas pueden influir en esta puntuación a través de la calidad y la orientación de sus anuncios.

Cuanto mayor sea la puntuación del valor total, mayores serán las posibilidades de que un anuncio gane un lugar. Además, un nivel de relevancia y calidad más alto ayuda a asegurar ubicaciones destacadas y reduce los costos.

Las plataformas necesitan tiempo (y dinero) para aprender

Las plataformas publicitarias se basan en modelos avanzados de aprendizaje automático para entregar anuncios a la audiencia adecuada. Cuando se presenta un nuevo anuncio, los algoritmos entran en una fase de aprendizaje en la que recopilan datos sobre las interacciones del usuario con el nuevo anuncio. Interacciones como clics y conversiones indican una participación positiva, lo que aumenta la puntuación de relevancia del anuncio y genera un ciclo de retroalimentación positiva. Después del período de aprendizaje inicial, los algoritmos continúan aprendiendo de las interacciones de los usuarios y ajustan dinámicamente la ubicación de los anuncios en función de los datos más recientes.

Según nuestro análisis, la clave para mejorar el rendimiento de los anuncios radica en aumentar la relevancia y el nivel de calidad y optimizar la forma en que aprenden los algoritmos. Pero existen desafíos para resolver este problema:

  • La relevancia del anuncio depende tanto del contenido como de la entrega. Un anuncio de alta calidad entregado a la audiencia equivocada socavará el rendimiento de la campaña.
  • Cada anuncio genera su propio conjunto de datos de rendimiento. Los algoritmos se basan en grandes cantidades de datos consistentes sobre el rendimiento de los anuncios para identificar la audiencia adecuada para cada anuncio.
  • Las plataformas publicitarias segmentan a los usuarios para mejorar la relevancia y la participación de los anuncios en función de varios factores. Sin embargo, es posible que esta segmentación no siempre se alinee con las cohortes de clientes ideales para una marca de comercio electrónico.

Estos factores tienen implicaciones importantes para la publicidad de comercio electrónico.

Mostrar anuncios a audiencias no deseadas es una pérdida de dinero

Considere una marca deportiva que atraiga tanto a jugadores casuales como competitivos. Si la marca publica un anuncio de su equipo profesional sin una orientación específica, los algoritmos mostrarán el anuncio a una audiencia amplia. Dado que las plataformas publicitarias no segmentan a los compradores exactamente como lo hace la marca, el anuncio podría terminar mostrándose a jugadores ocasionales, quienes no tienen tantas probabilidades de interactuar con él. Esta falta de participación envía señales negativas a los algoritmos, lo que reduce la puntuación de relevancia del anuncio y dificulta la obtención de ubicaciones privilegiadas para los anuncios.

Las actualizaciones frecuentes de anuncios fragmentan los datos de rendimiento

Una marca de ropa puede lanzar ropa nueva y publicar anuncios promocionales todos los meses. Dado que cada anuncio tiene un presupuesto limitado y solo se publica durante un período corto, los algoritmos tienen dificultades para recopilar suficientes datos de rendimiento. Esto dificulta identificar la mejor audiencia para cada anuncio. En consecuencia, los algoritmos terminan mostrando estos anuncios a muchos compradores inadecuados, lo que disminuye la puntuación de relevancia del anuncio y aumenta los costos publicitarios.

Las grandes promociones interrumpen el aprendizaje de algoritmos

Cuando las marcas realizan grandes promociones para eventos especiales o lanzamientos de productos, sus anuncios se vuelven temporalmente más atractivos. Grandes descuentos pueden atraer clientes que normalmente no comprarían sus productos. Estos picos temporales en la interacción del usuario pueden confundir los algoritmos, llevándolos a malinterpretar los comportamientos típicos de los usuarios. Como resultado, el costo por adquisición a menudo aumenta después de estas grandes promociones, lo que obliga a las marcas a gastar significativamente en anuncios para corregir esta interrupción.

Afortunadamente, las marcas pueden analizar los comportamientos de compra de sus clientes y guiar las plataformas publicitarias para lograr resultados óptimos incluso con datos limitados sobre el rendimiento de los anuncios.

Identifique las cohortes de clientes adecuadas

Cuando una marca ejecuta la segmentación de clientes, el objetivo es identificar distintas preferencias de los clientes en cuanto a productos, mensajes y promociones, de modo que la marca pueda mejorar sus estrategias de ventas y marketing utilizando estos conocimientos de los clientes.

Los factores de segmentación relevantes pueden variar para cada marca, por lo que es importante considerar tantos factores como sea posible. Los factores clave en la segmentación de clientes de comercio electrónico incluyen datos demográficos, geográficos, patrones de compra y tendencias de crecimiento.

Las marcas pueden utilizar modelos de aprendizaje automático para identificar con precisión cohortes de clientes. Una vez que se completa este proceso, las marcas pueden utilizar estos conocimientos de los clientes para configurar la orientación de anuncios y ejecutar campañas efectivas.

Para una marca deportiva con la que trabajé, pude identificar cohortes distintas en función de factores como la edad, los ingresos y el nivel de competitividad. Un grupo estaba formado por adultos de mediana edad que vivían en barrios suburbanos exclusivos y preferían comprar el equipo profesional de la marca. Otro eran los jóvenes profesionales urbanos que preferían el equipamiento básico y practicaban este deporte de forma informal. Con estos conocimientos, la marca pudo dirigirse con precisión a diferentes cohortes utilizando la edad y la ubicación, y presentar diferentes productos y entornos deportivos en sus campañas publicitarias para cada cohorte.

Diseñar creatividades efectivas

Además de la orientación precisa de los anuncios, varios factores trabajan juntos para crear un anuncio eficaz para cada cohorte de clientes:

  • Presentar los productos adecuados

Las marcas pueden identificar los mejores productos para cada cohorte de clientes a partir de sus datos de ventas y marketing y presentar diferentes productos en las creatividades publicitarias de cada cohorte. Para una marca de decoración del hogar, los clientes jóvenes pueden preferir productos con colores vibrantes a precios asequibles, mientras que los clientes adinerados prefieren productos con diseños lujosos.

  • Atender las necesidades relevantes

Las últimas herramientas de inteligencia artificial pueden resultar muy útiles para proporcionar ideas para mensajes basados ​​en la escucha social a partir de reseñas y publicaciones en las redes sociales. Para una marca de bienestar, es probable que los adultos jóvenes compren productos para estar en forma y tener energía, mientras que los jubilados mayores buscan abordar problemas de salud y envejecimiento.

  • Mostrar un estilo de vida identificable

Las marcas pueden inferir el estilo de vida de cada cohorte a partir de datos demográficos, geográficos y de ventas. Nuevamente, las últimas herramientas de inteligencia artificial pueden ayudarlo a crear una instantánea del estilo de vida de cada uno de sus cohortes. En el caso de los productos recreativos, los padres con niños pequeños pueden responder bien a las creatividades que muestran familias enérgicas jugando juntas con los productos. Los abuelos podrían resuenar más con escenas de personas mayores que se unen a sus nietos.

Dada la poca capacidad de atención actual, los anuncios que más se identifican con su público objetivo tienen más posibilidades de destacarse y tener éxito.

Personalizar ofertas promocionales

Los descuentos promocionales son cada vez más frecuentes en la economía actual, pero las marcas tienen muchas alternativas para estructurar su oferta de productos. Muchas marcas nos han dicho que saben que algunos clientes no necesitan descuentos para realizar una compra, pero no están seguros de cómo ofrecer diferentes promociones a diferentes segmentos. La buena noticia es que la segmentación de clientes y la orientación precisa de los anuncios brindan nuevas oportunidades.

Debido a que diferentes cohortes de clientes prefieren productos diferentes, una estrategia práctica es ofrecer promociones únicas para cada tipo de producto. Por ejemplo, una marca de ropa puede promocionar accesorios de edición limitada para clientes adinerados. Mientras tanto, podrían ofrecer descuentos en estilos de ropa que sean más populares entre los adultos jóvenes.

Las campañas publicitarias de alto rendimiento se basan en una orientación precisa, mensajes eficaces y ofertas de productos atractivas. Los grandes creativos por sí solos no pueden garantizar el éxito en la adquisición de clientes. Dados los muchos factores involucrados en la optimización de anuncios, las marcas deben probar y aprender continuamente qué funciona mejor para su negocio específico. La ciencia de datos puede ayudar a guiar a las marcas de comercio electrónico en este camino con estrategias de marketing y ventas interesantes.