Autor

Siddarth Mohan

Director Data Science & Global Lead for Causal AI Research & Marketing Mix Modelling at Artefact

El Puente - Data Café

Emmanuel Malherbe, Director de Research Center en Artefact, se reunió recientemente con Sid Mohan, Director Data Science & Global Lead for Causal AI Research & Marketing Mix Modelling en Artefact, para hablar sobre la medición del marketing.

Hay muchos elementos en movimiento en el campo de la medición del marketing. Podría destacar qué innovaciones impulsarán la medición del marketing en el futuro?

En nuestro marco de medición contamos con tres metodologías: atribución, pruebas incrementales y MMM. Sin embargo, estos métodos se enfrentan actualmente a limitaciones que impiden una colaboración sin fisuras.

El modelo de atribución, por ejemplo, debe incluir la incorporación de restricciones relacionadas con la línea de base, un factor crítico para comprender el impacto global de las actividades de marketing.

Al mismo tiempo, las pruebas incrementales suelen estar estrechamente controladas por las principales plataformas tecnológicas. Suelen requerir un importante gasto en medios para su ejecución y a menudo se limitan únicamente a los medios digitales de pago. Esto requiere técnicas avanzadas como la inferencia causal bayesiana y el marco de resultados potenciales, metodologías en las que han sido pioneras entidades como Amazon Science y Microsoft Research.

Y en el ámbito de los MMM, existen sólidas oportunidades para aprovechar los últimos avances en modelos causales, de nuevo gracias a la labor pionera de Amazon Science, cuya revolucionaria innovación es, de hecho, de código abierto y está disponible para que la comunidad científica de data se base en ella.

Entonces, ¿cómo abordan estas metodologías avanzadas los retos a los que se enfrentan los modelos tradicionales?

Las metodologías actuales ofrecen una comprensión más matizada de las actividades de marketing dentro del marco MMM. Sin embargo, se resisten a entrar en la granularidad necesaria para que los responsables de marketing tomen medidas rápidas y específicas en consonancia con las necesidades empresariales concretas. Para solucionar este problema, se están desarrollando modelos jerárquicos bayesianos y, lo que es más importante, modelos causales estructurados, que permiten una perspectiva más granular y una ejecución más frecuente de los MMM.

Pasando al tema de la causalidad, parece haber un cambio hacia la comprensión del "por qué" detrás de data. ¿Puede decirnos algo más al respecto?

Desde 2021, se ha producido una revolución causal AI . Las empresas, encabezadas por Microsoft Research y Amazon Science, hacen ahora hincapié en comprender el "por qué" detrás de data, trascendiendo el enfoque tradicional en el "qué". Las soluciones de código abierto en modelos causales estructurados permiten a las empresas estimar el impacto de un único evento dentro del contexto más amplio de eventos concurrentes y confusos.

Fomentar una cultura de innovación en Compañia es crucial. Cómo aconseja a las empresas que creen e inspiren la experimentación y la innovación?

  • Tenga el valor de empezar a formular las preguntas que importan. Desarrolle su agenda de aprendizaje para identificar las preguntas a las que las metodologías de medición actuales son incapaces de dar respuesta.

  • Colabore con los equipos científicos de data para definir e hipotetizar los beneficios esperados y el valor añadido obtenido al responder a esas preguntas críticas. Por ejemplo, ¿es más beneficioso saber qué formatos creativos ofrecen los mejores rendimientos o en qué zonas geográficas deberían centrarse mis campañas del embudo inferior?

  • Pruebe las nuevas metodologías en un entorno controlado y compare los resultados globales con las soluciones existentes para garantizar la lógica empresarial. Por ejemplo, si tiene un MMM más granular basado en modelos causales, ¿los resultados se mantienen en línea con un MMM clásico a nivel de canal que ya esté en uso o los resultados son completamente contradictorios?

  • Siéntase cómodo con el fracaso. El ritmo de los avances en torno a la medición del marketing se está acelerando al igual que en el resto del espacio AI . No todos los enfoques o modelos nuevos van a generar valor. Pero eso no debe disuadirle de mantenerse al día de las tendencias en la comunidad de AI y de crear siempre un espacio para la experimentación y las pruebas.

  • Inculcar una mentalidad innovadora tanto en los equipos de marketing como en data . El mayor obstáculo para crear una cultura de innovación y experimentación es la institucionalización de las cosas. Cuando se menciona la frase "siempre lo hemos hecho así", significa que te estás estancando. Fíjate en algunas de las principales empresas, como Booking.com, Uber o Spotify, que se mantienen constantemente en sintonía con lo que quieren sus clientes; es porque actualizan continuamente su Servicios y sus servicios. Miden constantemente, lo más cerca posible de la realidad esperada, y por difícil que sea, determinadas campañas o esfuerzos de marketing. Imaginemos, por ejemplo, que intentáramos medir la verdadera incrementalidad de Unwrapped 2023 de Spotify, una de las campañas de marketing más trending de este año.

La sinergia entre los equipos de marketing y data es crucial. Puede explicarnos cómo estos equipos pueden colaborar eficazmente para impulsar la innovación?

Los equipos de marketing y data forman un binomio ideal, ya que los profesionales del marketing que desean superar los límites de la creatividad encuentran un complemento en los equipos de data , a los que les encanta resolver retos. Romper con los enfoques institucionalizados es crucial para fomentar una cultura innovadora. Animar a los científicos de data a resolver los problemas que surgen al traspasar los límites de la creatividad garantiza que Compañia siga siendo ágil y relevante.

¿Puede compartir con nosotros un ejemplo en el que Compañia haya adoptado con éxito esta cultura de la innovación?

En los Países Bajos, trabajamos con una empresa de comercio electrónico que lleva a cabo cientos, si no miles, de experimentos al año, lo que supone un gran cambio respecto a las prácticas de medición de hace tan solo dos años. Esta sólida cultura de innovación y experimentación les ha distinguido, mejorando la eficiencia del marketing y el ROI en un impresionante 20 %.

En resumen, la sinergia entre las prácticas de medición avanzadas, un enfoque en la causalidad y una cultura de innovación y experimentación está remodelando el panorama de la analítica de marketing y garantizando que las empresas sigan siendo ágiles y relevantes en un panorama empresarial en constante evolución.

Visite thebridge.artefact.com, la plataforma mediática que democratiza el conocimiento de data y AI , en vídeos y podcasts.