0vjofv60b2wjneglc.jpeg

IA causal, que explora la integración del razonamiento causal en el aprendizaje automático

Foto por Alexey Ruban en desempaquetar

Bienvenido a mi serie sobre IA causal, donde exploraremos la integración del razonamiento causal en modelos de aprendizaje automático. Espere explorar una serie de aplicaciones prácticas en diferentes contextos comerciales.

En el último artículo cubrimos Validar el impacto causal del método de control sintético.. En este artículo pasaremos a mejorar el modelado de la mezcla de marketing con Causal AI.

Si te perdiste el último artículo sobre controles sintéticos, consúltalo aquí:

Los desafíos actuales con el seguimiento digital han llevado a un reciente resurgimiento del modelado de mezcla de marketing (MMM). En la reciente conferencia Causal AI, Judea Pearl sugirió que el marketing puede ser la primera industria en adoptar Causal AI. Entonces decidí que era hora de comenzar a escribir sobre mis aprendizajes de los últimos 7 años en términos de cómo se cruzan MMM, Causal AI y la experimentación.

Imagen generada por el usuario

Se explorarán las siguientes áreas:

  • ¿Qué es MMM?
  • ¿Cómo puede la IA causal mejorar el MMM?
  • ¿Qué experimentos podemos realizar para completar la triangulación?
  • Retos destacados dentro de la medición de marketing.

El cuaderno completo se puede encontrar aquí:

MMM es un marco estadístico que se utiliza para estimar cuánto contribuye cada canal de marketing a las ventas. Está fuertemente influenciado por la econometría y en su forma más simple es un modelo de regresión. ¡Abarquemos los conceptos básicos de los componentes clave!

Regresión

Se construye un modelo de regresión en el que la variable dependiente/objetivo (normalmente ventas) se predice en función de varias variables/características independientes; estas suelen incluir el gasto en diferentes canales de marketing y factores externos que pueden afectar la demanda.

Imagen generada por el usuario

Los coeficientes de las variables de gasto indican cuánto contribuyen a las ventas.

El paquete de marketing PyMC en Python es un excelente lugar para comenzar a explorar MMM:

stock publicitario

El stock publicitario se refiere al efecto persistente de la inversión en marketing (o publicidad) en el comportamiento del consumidor. Ayuda a modelar los efectos a largo plazo del marketing. No es un comportamiento común apresurarse a comprar un producto la primera vez que oye hablar de una marca; la idea del stock publicitario es que el efecto del marketing es acumulativo.

Imagen generada por el usuario

El método de stock publicitario más común es el decaimiento geométrico, que supone que el impacto de la publicidad decae a un ritmo constante a lo largo del tiempo. Aunque esto es relativamente fácil de implementar, no es muy flexible. Vale la pena consultar el método Weibull, que es mucho más flexible. El paquete de marketing PyMC lo ha implementado, así que asegúrese de comprobarlo:

Saturación

La saturación en el contexto del marketing se refiere a la idea de rendimientos decrecientes. Aumentar el gasto en marketing puede aumentar la adquisición de clientes, pero a medida que pasa el tiempo se vuelve más difícil influir en nuevas audiencias.

Imagen generada por el usuario

Hay varios métodos de saturación que podríamos utilizar. La función Michaelis-Menton es común. También puede consultar esto en el paquete de marketing de PyMC:

Los marcos MMM suelen utilizar un modelo de regresión plana. Sin embargo, existen algunas complejidades en la forma en que los canales de marketing interactúan entre sí. ¿Existe alguna herramienta de nuestra caja de herramientas de IA causal que pueda ayudar con esto?

Grafos causales

Los gráficos causales son excelentes para desenredar las causas de las correlaciones, lo que los convierte en una excelente herramienta para abordar las complejidades de cómo los canales de marketing interactúan entre sí.

Si no está familiarizado con los gráficos causales, utilice mi artículo anterior para ponerse al día:

Comprender el gráfico de marketing

Estimar el gráfico causal en situaciones en las que se dispone de un conocimiento deficiente del dominio es un desafío. Pero podemos utilizar el descubrimiento causal para ayudarnos a comenzar. Consulte mi artículo anterior sobre descubrimiento causal para obtener más información:

El descubrimiento causal tiene sus limitaciones y solo debe usarse para crear una hipótesis inicial para el gráfico. Afortunadamente, existe una gran cantidad de conocimiento sobre cómo los canales de marketing interactúan entre sí que podemos aprovechar.

A continuación comparto el conocimiento que he adquirido al trabajar con expertos en marketing a lo largo de los años…

Imagen generada por el usuario
  • PPC (búsqueda paga) tiene un efecto negativo en el SEO (búsqueda orgánica). Cuanto más gastamos en PPC, menos clics de SEO obtenemos. Sin embargo, tenemos un importante factor de confusión… ¡la demanda! Un modelo de regresión plana no captará esta complejidad que a menudo conduce a una sobreestimación del PPC.
  • Gasto social tiene un fuerte efecto en los clics en redes sociales: cuanto más gastamos, más clientes potenciales hacen clic en los anuncios sociales. Sin embargo, algunos clientes potenciales pueden ver un anuncio social y al día siguiente visitar su sitio a través de PPC, SEO o Direct. Un modelo de regresión plana no captará este efecto de halo.
  • Un caso similar se puede presentar para gasto de marca, donde se dirige a clientes potenciales con mensajes de marca a más largo plazo, pero sin un llamado a la acción directo para hacer clic. Estos clientes potenciales pueden visitar su sitio a través de PPC, SEO o Direct en una etapa posterior después de conocer su marca.
  • El clics son mediadores. Si realizamos una regresión plana e incluimos mediadores, esto puede causar problemas al estimar los efectos causales. No cubriré este tema con demasiado detalle aquí, pero el uso de gráficos causales nos permite controlar cuidadosamente las variables correctas al estimar los efectos causales.

Con suerte, podrás ver en los ejemplos anteriores que el uso de un gráfico causal en lugar de una regresión plana mejorará seriamente tu solución. ¡La capacidad de calcular contrafactuales y realizar intervenciones también lo hace muy atractivo!

Vale la pena señalar que aún vale la pena incorporar el stock publicitario y las transformaciones de saturación en su marco.

Cuando trabajamos con datos de observación, también deberíamos esforzarnos por realizar experimentos para ayudar a validar las suposiciones y complementar nuestras estimaciones causales. Hay tres pruebas principales disponibles para utilizar en el marketing de adquisiciones. ¡Vamos a sumergirnos en ellos!

Pruebas de elevación de conversión

Las plataformas sociales como Facebook y Snapchat le permiten realizar pruebas de aumento de conversiones. Esta es una prueba AB en la que medimos el aumento de la conversión utilizando un grupo de tratamiento frente a un grupo de control. Estos pueden resultar muy útiles a la hora de evaluar el contrafactual de su gráfico causal para el gasto social.

Pruebas de elevación geográfica

Las pruebas de elevación geográfica se pueden utilizar para estimar el efecto de los cortes de marketing o cuando se comienza a utilizar un nuevo canal. Esto puede resultar especialmente útil para marcas digitales y de televisión donde no existe un llamado a la acción directo para medir. Cubro esto con mucho más detalle en el último artículo:

Volver a probar

Las campañas de PPC se pueden programar para que se activen y desactiven cada hora. Esto crea una gran oportunidad para realizar pruebas de retroceso. Programe campañas de PPC para que se activen y desactiven cada hora durante algunas semanas, y luego calcule la diferencia entre la cantidad de clics de PPC + SEO en el período de activación y desactivación. Esto le ayudará a comprender cuánto de PPC puede capturar el SEO y, por lo tanto, a evaluar el contrafactual de sus gráficos causales para el gasto en PPC.

Creo que realizar experimentos es una excelente manera de modificar y luego ganar confianza en su gráfico causal. Pero los resultados también podrían usarse para calibrar su modelo. Eche un vistazo a cómo el equipo de PyMC ha abordado esto:

Hoy expuse cómo se puede mejorar MMM con Causal AI. Sin embargo, la IA causal no puede resolver todos los desafíos del marketing de adquisiciones. ¡Y lamentablemente hay muchos de ellos!

Imagen generada por el usuario
  • Gasto siguiendo la previsión de demanda — Una de las razones por las que el gasto en marketing está altamente correlacionado con el volumen de ventas puede deberse a que el equipo de marketing gasta en línea con un pronóstico de demanda. Una solución aquí es cambiar aleatoriamente el gasto entre un -10% y un +10% cada semana para agregar alguna variación. Como puedes imaginar, el equipo de marketing no suele estar muy interesado en este enfoque.
  • Estimación de la demanda — La demanda es una variable esencial en nuestro modelo. Sin embargo, puede resultar muy difícil recopilar datos. Una opción razonable es extraer datos de tendencias de Google sobre un término de búsqueda que se alinee con el producto que vende.
  • Efectos de la marca a largo plazo — Los efectos a largo plazo de la marca son difíciles de captar, ya que normalmente no hay mucha información al respecto. Las pruebas de elevación geográfica a largo plazo pueden ayudar aquí.
  • Multicolinealidad — Este es en realidad uno de los mayores problemas. Todas las variables que tenemos están altamente correlacionadas. El uso de la regresión de crestas puede aliviar un poco esto, pero aún así puede ser un problema. Un gráfico causal también puede ayudar un poco, ya que es esencial que desglose el problema en modelos más pequeños.
  • Aceptación del equipo de marketing — En mi experiencia, este será tu mayor desafío. Los gráficos causales ofrecen una forma visual agradable de involucrar al equipo de marketing. También crea una oportunidad para que usted establezca una relación mientras trabaja con ellos para acordar las complejidades del gráfico.

Cerraré las cosas ahí. ¡Sería genial escuchar lo que piensas en los comentarios!