Clean Attribution vs Dirty Data

El Big Data es una de las herramientas de marketing más útiles de este siglo para optimizar presupuestos, personalizar la publicidad y predecir el Consumer Journey de los clientes. Sin embargo, su análisis, atribución y contribución tienen un enemigo que cada vez cobra más importancia: el Dirty Data. Debido a una cuestión de inexactitudes, carencias o duplicaciones, asignar el valor correcto a cada punto de contacto es una cuestión para la que no todos los modelos del mercado están preparados.

La multitud de canales de marketing digital y su relación con los diferentes soportes offline han creado la necesidad de medir y predecir la eficacia del denominado Cross-Channel Atribution. Los zettabytes de información acerca del Consumer Journey se acumulan, de ahí que sea imprescindible contar con un modelo válido que separe el grano de la paja en el entorno del Big Data Marketing.

En términos de atribución existen muchos modelos, aunque no todos aportan los requisitos funcionales adaptados a las necesidades del mercado y a las KPIs de negocio de cada anunciante concreto. Estas carencias suponen un problema muy grave de Dirty Data, que repercute a la hora de distribuir los presupuestos para los planes de medios, y que además puede verse agravado por la inclusión del tráfico fraudulento.

Los modelos basados en el Last Click, First Click, lineales, progresivos o basados en la posición de los touch points son ineficientes. En la actualidad los clientes están expuestos a más de 3.000 impactos publicitarios diferentes a través de soportes muy variados. Por poner un ejemplo, si un usuario está interesado en un wearable que ha visto en un anuncio de televisión, busca información en distintos blogs y redes sociales y finalmente lo compra gracias a un anuncio de RTB, ¿a qué canal se le debe atribuir esa conversión? ¿A la televisión por haber creado la primera impresión? ¿A los blogs y las redes sociales por difundir las bondades del producto? ¿O a la campaña de retargeting que cerró el proceso? Para responder a estas preguntas y repartir el peso entre los diferentes canales, mejorando la estrategia publicitaria combinada, es necesario un algoritmo inteligente y adecuado a cada anunciante.

Los algoritmos personalizados en modelos de atribución suponen una solución muy mejorada sobre los modelos heurísticos anteriores. Además de incluir mucha más información y con un nivel de detalle asombroso, permiten descartar las impresiones y los clicks fraudulentos de los soportes y orientar las métricas a los objetivos específicos de cada cliente, ya sean de branding o de performance.

La limpieza de los datos en estos modelos 2.0 depende de la fórmula que se aplique; no es lo mismo uno basado en la teoría de juegos que uno basado en patrones de redes neuronales. Mientras que el primero mide todos los canales como si fueran jugadores en base a unos mismos parámetros, el segundo analiza los diferentes comportamientos para la obtención de patrones de rendimiento de esos canales en base a la información disponible, de la misma forma que actúan las neuronas en nuestra cabeza. Ésa es la principal ventaja de las redes neuronales frente a la teoría de juegos puesto que no siempre se dispone del número de clicks, leads o ventas de cada soporte y, por consiguiente, las comparaciones pueden verse distorsionadas y los resultados y las predicciones sesgados. Como expone comScore en sus lecciones sobre publicidad digital, “el click no lo es todo; aunque es rápida, simple y económica, esta métrica es incompleta en el mejor de los casos y engañosa en el peor”.

La atribución neuronal en marketing aporta ventajas muy superiores como el aprendizaje adaptativo, la alta tolerancia a fallos y la auto-organización en tiempo real. ¿Qué significa esto desde el punto de vista práctico? Muy sencillo: permite descubrir características comunes, correlaciones, patrones y categorías en los datos e incorporarlos a una estructura interna de conexiones con el objetivo de crear clusters de audiencias y obtener los insights más interesantes para cada anunciante. Adgravity ha desarrollado su modelo, Neural.ONE, de acuerdo a estas características y empresas como Pepe Jeans, Volkswagen o Iberia ya se están beneficiando de sus características.

Lograr un crecimiento de ventas en un 25% year on year, reducir en un 50% el tráfico fraudulento, adaptar en un 60% los best practices de cada país o aumentar en un 80% el revenue share del plan de medios negociado, incluyendo la compra programática, son sólo algunos de los inputs más destacables. En la era del Big Data, no contar con un modelo de atribución y contribución eficiente es lo mismo que matar moscas a cañonazos.