para campañas de marketing es extremadamente difícil. Gran parte de esto se reduce a prueba y error, aunque sabemos que estrategias más específicas funcionarían mejor. Simplemente no sabemos cómo llegar allí. El proceso a menudo incluye lanzar una campaña, observarla, aprender, hacer ajustes y luego volver a intentarlo. Este enfoque de prueba y error tiene ventajas reales. Fomenta el movimiento sobre la parálisis. Permite a los equipos aprender rápidamente, especialmente en mercados que cambian rápidamente. Para entornos de crecimiento en etapas iniciales o de datos limitados, suele ser la única opción práctica.
Quiero presentar un enfoque diferente. Una, sin duda, más difícil, avanzada y compleja, pero también revolucionaria y notable. Este es el enfoque que lleva a las empresas al siguiente nivel de madurez de datos. Permítanme presentarles el modelado del valor esperado.
Antes de comenzar, quiero comenzar diciendo que este enfoque ocupa capítulos completos en algunos libros de texto de ciencia de datos. Sin embargo, tengo la intención de ser lo menos técnico posible. Mantendré las ideas conceptuales, sin dejar de proporcionar un marco claro sobre cómo se puede lograr esto. Si está interesado en saber más, citaré fuentes útiles al final.
Empecemos.
¿Qué es el modelado del valor esperado?
El valor esperado es un marco analítico clave que permite a los tomadores de decisiones considerar compensaciones cuando existen costos y beneficios desiguales. Piense en un escenario en el que un modelo de aprendizaje automático ayuda a diagnosticar a un paciente con cáncer. Los marcos y modelos que solo incluyen precisión simple (ya sea que la predicción fue correcta o incorrecta) no tienen en cuenta las compensaciones en las predicciones.
En este caso, no todas las “predicciones erróneas” son iguales. No diagnosticar cáncer a un paciente cuando lo tiene es infinitamente más costoso que diagnosticar cáncer a alguien cuando realmente lo tiene. Ambas predicciones eran técnicamente erróneas, pero una costó una vida y la otra no.
Afortunadamente, nuestras estrategias de marketing no son situaciones de vida o muerte. Pero este principio se aplica igual. La decisión sobre a quién dirigirse en una campaña de marketing y a quién no puede generar costes muy diferentes para la empresa.
El modelado del valor esperado amplía este horizonte para dar cuenta de más resultados posibles y nos permite medir el costo o beneficio de cada uno. Este marco depende profundamente del conocimiento empresarial de los expertos en la materia para determinar las consecuencias de cada resultado. Nuestro objetivo aquí es comprender cómo diseñar una estrategia que optimice estadísticamente nuestro objetivo. Durante el resto de este artículo, nos centraremos en saber a quién dirigirnos en una estrategia de marketing para maximizar las ganancias.
Comience con un modelo de probabilidad de compra
Un modelo de probabilidad de compra es un modelo de aprendizaje automático que predice la probabilidad de que un cliente compre un producto. Consideremos que estamos ejecutando una campaña publicitaria para una empresa de comercio electrónico. Cada persona que hace clic en el anuncio crea una fila de datos. Ven la campaña, exploran su tienda y, en última instancia, toman la decisión de comprar o no un producto. Durante este proceso, es necesario recopilar una multitud de puntos de datos. El modelo de aprendizaje automático analiza todos los datos históricos para reconocer patrones. Aprende cuáles son los factores que influyen en la probabilidad de compra de un cliente. Luego, aplica esos patrones a nuevos clientes para predecir si comprarán un producto.
Este modelo por sí solo es de valor extremo. Le dice a la empresa quiénes son los clientes con más probabilidades de comprar un producto y qué aspectos de la campaña influyen en la probabilidad de compra. Podemos utilizar estos conocimientos para adaptar nuestra próxima campaña publicitaria. Así es como se ve la toma de decisiones basada en datos.
Implementación del modelo de valor esperado
Para avanzar, es importante comprender el concepto de matriz de confusión. Una matriz de confusión es una tabla n x n donde n representa todos los resultados posibles. Para simplificar, me quedaré con una matriz de confusión de 2 x 2.
Esta matriz contiene los resultados previstos en un eje y los resultados reales en el otro. Nos proporciona cuatro celdas, una para cada resultado posible en un problema de clasificación binaria, al igual que nuestro modelo de probabilidad de compra (un cliente compra un producto o no). Esto da como resultado las siguientes posibilidades:
Verdadero Positivo: predijimos que el cliente compraría, y realmente lo hizo. Falso positivo: predijimos que el cliente compraría, pero no lo hizo. Falso negativo: predijimos que el cliente NO compraría, pero lo hizo. Verdadero Negativo: predijimos que el cliente NO compraría, y de hecho no lo hizo.
Aquí hay una ilustración:
Para implementar los valores esperados en cada resultado, necesitamos tener un conocimiento profundo del negocio. Necesitamos saber la siguiente información:
Beneficio por producto vendido. Costo por clic. Probabilidad de compra por cliente.
En el mismo ejemplo para nuestra tienda de comercio electrónico, consideremos los siguientes valores:
Ganancia por producto vendido = $50 Costo por clic = $1 Probabilidad de compra por cliente = de nuestro modelo de probabilidad de compra
Conociendo esta información podemos determinar que el beneficio de que un cliente haga clic en nuestra campaña publicitaria y compre un producto (Verdadero Positivo) sería la ganancia por producto ($50) menos el costo por clic ($1), lo que equivale a $49. El costo de que un cliente haga clic en nuestra campaña pero no compre (falso positivo) es solo el costo incurrido por el clic, es decir -$1. El resultado de no dirigirse a un cliente que no compraría es $0, ya que no se incurrió en costos ni se obtuvieron ingresos. El resultado de no dirigirse a alguien que compraría también es $0 por las mismas razones.
Quiero reconocer los costos de oportunidad de no apuntar a alguien que compraría o la posibilidad de que alguien compre sin ser el objetivo. Estos son más abstractos y subjetivos, aunque no imposibles de medir. Por simplicidad, no los consideraré en este escenario.
Esto nos deja con la siguiente matriz de confusión:
Genial, ahora sabemos el costo o beneficio concreto de cada resultado de nuestra campaña publicitaria. Esto nos permite comprender el valor esperado de dirigirse a un cliente mediante el uso de la siguiente ecuación (perdón por arrojarle matemáticas):
Beneficio esperado = P(comprar) × Beneficio si se compra + (1 – P(comprar)) × Pérdida si no se compra
Donde el valor esperado es igual a la probabilidad de respuesta (P(compra)) multiplicada por el valor de una respuesta (Ganancia si se compra) más la probabilidad de no respuesta (1 – P(compra)) multiplicada por el costo de una falta de respuesta (Pérdida si no se compra).
Si queremos que el valor esperado de dirigirnos a un cliente sea positivo, es decir, que tengamos una ganancia, entonces podemos reorganizar la ecuación de la siguiente manera:
P(comprar) × $49 + (1 — P(comprar)) × (–$1) > 0
P(comprar) > 0,02 (o 2%)
Esto significa que, según nuestro modelo de probabilidad de compra, debemos dirigirnos a todos los clientes con una probabilidad de compra superior al 2%.
No es necesario tener un título en matemáticas o estadística para implementar esto, pero quería mostrar cómo llegamos allí.
Tenemos nuestra respuesta: debemos dirigirnos a todos los clientes cuya probabilidad de compra sea superior al 2%. Ahora podemos volver a nuestro modelo de probabilidad de compra e identificar qué segmentos de clientes cumplen con los criterios.
Descubrimos exactamente a quién dirigirnos, adaptamos nuestra campaña a sus necesidades e implementamos una campaña de marketing que funciona. Diseñamos nuestra estrategia con todas las bases adecuadas al tomar decisiones verdaderamente basadas en datos.
Un paso más allá con las curvas de beneficios
Hemos construido nuestro marco y diseñado nuestra campaña de marketing de una manera que optimiza nuestro retorno de la inversión. Sin embargo, a menudo existen restricciones adicionales que limitan nuestra capacidad para implementar una campaña, a menudo relacionadas con la cantidad de presupuesto asignado y a cuántas personas se puede dirigir. En estos escenarios, es útil conocer no sólo la decisión óptima, sino también el valor esperado en una amplia gama de posibilidades. En esas situaciones, podemos incorporar el cálculo del valor esperado en nuestro proceso de capacitación del modelo de probabilidad de compra.
En lugar de elegir modelos basándonos únicamente en el rendimiento técnico, podemos evaluarlos en función del beneficio esperado. O utilice un enfoque combinado que equilibre la fuerza predictiva y el impacto económico.
Mientras construimos nuestro modelo, podemos calcular el beneficio esperado en todo el rango de personas a las que podemos dirigirnos, desde no dirigirnos a nadie hasta absolutamente todas las personas a las que podamos dirigirnos. Como resultado, obtenemos una gráfica de la curva de beneficios:
En el eje y tenemos el beneficio esperado de la campaña de marketing en función de a cuántas personas nos dirigimos. En el eje x tenemos el umbral de probabilidad de compra. Nos volvemos cada vez más estrechos con nuestra campaña a medida que aumentamos el umbral. Si lo aumentamos hasta el 100%, no apuntaremos a nadie. Si bajamos hasta el 0%, podemos apuntar a todos.
Como en nuestro ejemplo anterior, vemos que el beneficio máximo esperado se obtiene cuando nos dirigimos a todas las poblaciones con una puntuación de probabilidad de compra superior al 2%. Sin embargo, tal vez tengamos un presupuesto más estricto o queramos desarrollar una campaña separada solo para los clientes con mayor probabilidad. En este caso, podemos comparar nuestro presupuesto con la curva e identificar que aún se espera que dirigirse a clientes con una puntuación de probabilidad superior al 12% proporcione una gran ganancia por una fracción del costo. Luego, podemos ir al mismo proceso que hicimos antes para diseñar esta campaña. Identificamos quiénes son estos clientes, qué afecta su probabilidad de compra y procedemos a adaptar nuestra campaña de marketing a sus necesidades.
Comienza y termina con el conocimiento empresarial.
Hemos visto las posibilidades y el valor que puede ofrecer el modelado del valor esperado, pero debo reiterar lo importante que es tener conocimiento del negocio para garantizar que todo funcione sin problemas. Es crucial tener una comprensión sólida de los costos y beneficios asociados con cada resultado posible. Es fundamental interpretar adecuadamente los resultados del modelo para comprender completamente qué palancas se pueden utilizar para influir en la probabilidad de compra.
Aunque se trata de un enfoque complejo, no es mi intención parecer desalentador para el lector que aprende estas técnicas por primera vez. Todo lo contrario. Escribo sobre esto para resaltar que estos métodos ya no están reservados a las grandes corporaciones. Las pequeñas y medianas empresas tienen acceso a las mismas herramientas de modelado y recopilación de datos, lo que abre la puerta a cualquiera que quiera llevar su negocio al siguiente nivel.
Referencias
Provost, F. y Fawcett, T. Ciencia de datos para empresas: lo que necesita saber sobre la minería de datos y el pensamiento analítico de datos. Medios O’Reilly.
Todas las imágenes, a menos que se indique lo contrario, son del autor.