Los expertos del sector del marketing están trabajando de manera constante en el diseño de nuevas estrategias para lograr que las acciones publicitarias lleguen a un público más amplio. Pero aún es necesario perfeccionar la identificación de las audiencias más adecuadas para cada campaña.

En este sentido, el modelo “look-alike” dentro de la compra programática sigue siendo una herramienta de probada eficacia. Básicamente, se trata de aumentar la audiencia en tiempo real, para un target determinado, añadiendo usuarios de otros medios que se parecen a esos “clientes idóneos” que un anunciante ha identificado. De este modo se logra un rendimiento de la inversión del doble y hasta del triple sobre el uso de métodos de selección estándar. Sin embargo, la inversión de los anunciantes a través del modelo “look-alike” es relativamente baja siendo tan eficiente para la conversión.

Hay diversas tecnologías hoy en día que permiten a las marcas optimizar los datos de los que disponen sobre el mercado y que pueden ayudarles a segmentar la audiencia y a personalizar sus comunicaciones.

También hay varios enfoques posibles para orientar esa personalización. Por un lado, lo pueden hacer en toda la red, (run of network, RON), con un gran alcance pero poco minucioso. En segundo lugar tenemos los modelos “look-alike” a partir de perfiles estáticos, que producen buenos resultados pero que, en última instancia, son modelos predefinidos y que carecen de la capacidad de distinción y de extensión de una audiencia válida. Y, en tercer lugar tenemos el retargeting, que es a la vez eficiente y eficaz, pero limitado en escala en cuanto a que se dirige a usuarios que ya han mostrado interés por una oferta. En resumen, las corrientes actuales para identificar targets obligan a elegir entre precisión, personalización y escala, cuando la situación ideal sería la de unir todos los beneficios de esos tres planteamientos a través de un nuevo enfoque para el modelo “look-alike”.

Los verdaderos “clientes idóneos”

El punto de partida (que podemos llamar la "semilla") para un modelo “look-alike” suele buscarse entre los mejores clientes del anunciante. La marca que quiere hacer una campaña elegirá uno o dos atributos o comportamientos, como pueden ser la edad, sexo, ingresos, o incluso algo más específico como “personas a las que les gusta correr” o “aficionados al fútbol” y así creará la “semilla” para su modelo.

Los datos utilizados para la selección de estos atributos podrían ser recientes o históricos, pero de cualquier manera la información sería estática, a menudo imprecisa, y por lo general obsoleta. Si un anunciante realiza una promoción durante dos semanas, los resultados mostrarían seguramente que las personas que realizaron una conversión en la segunda fueron completamente diferentes de los consumidores que lo hicieron en el modelo original. Esto significaría que la segmentación “look-alike” no fue tan eficiente como el anunciante pretendía. Pero, afortunadamente, hay nuevas formas de crear mejores modelos en tiempo real utilizando todos los tipos de datos disponibles (incluyendo los datos de first party) y aplicando Data Science: modelos look-alike dinámicos

Los anunciantes deben tomar conciencia de lo que pueden aprender acerca de sus mejores clientes. Para ir más allá de las similitudes estándar, tales como “mamá futbolera” o “fashionista”, los anunciantes pueden recolectar cientos de atributos de sus datos procedentes de CRM o de sus puntos de venta, combinarlos con los datos de conversión y aplicar Data Science. Armado con toda esta completa investigación, el anunciante puede crear modelos de consumo en tiempo real para encontrar nuevos compradores que realmente se parezcan a los “clientes idóneos” de esa marca, e incluso adelantarse a cómo van a evolucionar esos mejores clientes.

De este modo, en lugar de ampliar la audiencia con usuarios que pueden no parecerse a los verdaderos clientes de una marca, los expertos en marketing pueden crear un modelo para alcanzar al público objetivo del anunciante, lograr resultados que son similares o mejores al retargeting y aprender más acerca de su principal clientela.

Desde el lanzamiento de nuestro producto Consumer Persona, Digilant ha sido capaz de aumentar audiencias con éxito a partir de datos de first party para crear modelos “look-alike” dinámicos, a medida y en tiempo real. En lugar de crear uno o dos modelos estáticos basados en los atributos estándar, Digilant utiliza información sobre la base de cientos de puntos de relaciones y los combina con la propia información del anunciante para crear nuevos segmentos personalizados que representan un target de consumidor más preciso. Todo ello, desarrollado en tiempo real y refrescado durante la campaña.

Mediante el uso de Consumer Persona, los anunciantes de Digilant son capaces de crear perfiles similares para aumentar la audiencia, ayudando a mejorar tanto su alcance como sus conversiones. En lugar de basarse en modelos estáticos para encontrar perfiles similares de consumidores o de volver a segmentar a los mismos usuarios, los anunciantes utilizan de forma personalizada y en tiempo real modelos “look-alike” dinámicos en todo su potencial, ampliando sus audiencias y optimizando sus inversiones.

Tras los “hedonistas que buscan un crédito”

Quizá sea más sencillo entenderlo si explico un caso de éxito de Digilant para un cliente de servicios financieros, que pretendía ampliar su audiencia a partir de datos exclusivos de su propiedad.

Usando la solución Consumer Persona de Digilant, el anunciante dividió a los consumidores que habían solicitado un crédito como "Aceptados" o “Rechazados”. A partir de esta segmentación, Digilant identificó una audiencia con solicitantes de crédito que el cliente consideraba su target.

Primero se eliminaron todos los usuarios que habían sido rechazados tras la solicitud de un préstamo, ya que esas personas no iban a poder utilizar los servicios de la entidad. Luego, a partir de los usuarios aceptados, Digilant diseñó el perfil “hedonistas que buscan un crédito” (personas a las que les gusta viajar, dispuestos a adquirir dispositivos caros y que tienen varias tarjetas de crédito), con una probabilidad de conversión del 62%. Es decir, que si el anunciante se dirigía a esa audiencia tendría una probabilidad un 62% mayor de lograr conversiones que con una campaña run of network (RON). Conociendo todos los atributos de estos usuarios, Digilant creó entonces un modelo “look-alike” a través de su solución Consumer Persona, para ampliar la audiencia del anunciante y encontrar aún más “hedonistas que buscan un crédito”.

Como resultado, en lugar del retargeting de los usuarios que ya conocía, el cliente fue capaz de extender la campaña, triplicando su alcance y duplicando sus conversiones.

Rafael Martínez, 'country manager' de Digilant para España