A pesar del bache causado por la crisis del coronavirus, la industria de la publicidad digital lleva años manteniendo un fuerte crecimiento y, según Statista, en 2019 alcanzó la cifra de negocio global de más de 335 millones de dólares. Con un complejo panorama publicitario integrado por canales en continua reinvención a los que se añaden nuevos actores cada día, los modelos de atribución avanzados se vuelven fundamentales para valorar el retorno de la inversión publicitaria y la efectividad del sitio web con precisión.

Las limitaciones de los modelos de atribución tradicionales

Los modelos de atribución son un conjunto de reglas a través de las cuales las compañías valoran el peso de cada interacción con la marca en la conversión final (los impactos publicitarios, pero también cada touchpoint en la página e incluso en el entorno físico si hablamos de modelos omnicanal). Tradicionalmente, los modelos de atribución más usados son los siguientes: 

  • Multicanal o multi-channel: incorpora más canales y fases, repartiendo un porcentaje fijo de la conversión entre los distintos impactos. Su limitación es que son modelos cerrados: los porcentajes se establecen y no evolucionan, aunque el usuario y su comportamiento cambien. 
  • Data-driven attribution: estos modelos ajustan de forma variable los porcentajes de atribución a cada uno de los impactos. Su gran limitación está relacionada con que examinan el recorrido que va trazando el usuario de manera externa a la web (sobre todo las distintas campañas publicitarias) y, por tanto, no tienen en cuenta su comportamiento en la propia página.

A diferencia de estas fórmulas, los modelos de atribución avanzados no solo evalúan los canales que han llevado al usuario a la web, sino que analizan el comportamiento que este ha tenido en el site y cruzan toda la información para representar el ciclo de compra completo.

Modelos de atribución avanzados: las ventajas de aplicar machine learning

Los algoritmos de aprendizaje supervisado funcionan con datos de entrada y de salida ya clasificados, es decir, al sistema se le indica el resultado deseado y él, a partir de los datos que recibe, infiere unas reglas que aplicar.

Por tanto, los modelos de atribución con machine learning no están prediseñados de antemano, sino que se ajustan continuamente y van ganando precisión con el tiempo. Por ejemplo, cada vez que se cambie el diseño de la web no es necesario replantearse de nuevo el modelo de atribución, sino que se incorpora esta nueva característica al algoritmo y este se reajusta por sí mismo.

En la clasificación inicial de la información, es fundamental medir con eventos cualquier posibilidad que tenga el usuario de interactuar con la página y, además, incorporar datos adicionales que doten a la actividad de contexto. Esos datos tienen que responder a cuestiones como: ¿cuánto tiempo ha transcurrido entre evento y evento?, ¿cuántas veces se ha disparado cada uno?, ¿qué dispositivos ha utilizado el usuario?, ¿desde qué lugar geográfico accede?, entre otras. Cuánto más rica sea la información, mejor la procesará el modelo para determinar qué es tráfico de calidad y qué no lo es

Álex Masip, Head of Data en Labelium España

Además, al basarse en el comportamiento del usuario, los modelos de atribución con machine learning son capaces de detectar fraudes, puesto que si un bot está trayendo ingentes cantidades de tráfico pero luego su actividad en la web es nula, el modelo de atribución con machine learning lo detectará y no le otorgará peso en la conversión.

Los modelos de atribución avanzados aprovechan el potencial del machine learning

Cómo funciona un modelo de atribución con machine learning

Se puede resumir en tres etapas clave:

1. Recolección de datos: pueden exportarse a través de Google Analytics 360 o, en su defecto, con un código JavaScript que guarde la información. También se pueden añadir otras fuentes de datos como Adservers, CRM o modelos que interpretan las UTM. 

2. Formulación de un data lake en el que se agrupa la información: se puede articular con la ayuda de plataformas como BigQuery, Amazon, Azure o Snowflake.

3. Implementación del modelo de atribución con machine learning en el data lake para que asigne un valor a cada sesión y a cada impacto externo que ha recibido el usuario. De esta forma, se logra medir de forma precisa la probabilidad de conversión. El algoritmo realiza el cálculo a nivel individual por cada visita y luego se agrupa para sacar porcentajes globales con el fin de identificar el peso que ha tenido cada interacción en las ventas finales.

Atribución en tiempo real y en evolución constante

Los modelos de atribución con machine learning no solo permiten analizar los efectos de las campañas publicitarias finalizadas, sino que también ofrecen una visión global de qué está ocurriendo en tiempo real. Esto facilita la mejora de la estrategia sobre la marcha al posibilitar la detección de ineficiencias y su corrección. Además, los modelos de atribución avanzados pueden realizar previsiones a futuro para plantear posibles escenarios y optar por aquellos más rentables.

Si quieres que te ayudemos a implementar un modelo de atribución avanzada en tu web o e-commerce, no dudes en contactar con nosotros. Estudiaremos tu caso de forma personalizada para encontrar la manera más efectiva de ponerlo en marcha. 

Contacta con nosotros