Estimando el Alcance de la Publicidad en Diferentes Plataformas

La publicidad es importante para que las empresas lleguen a clientes potenciales y hagan crecer su negocio. Sin embargo, puede ser complicado saber cuán efectiva es una campaña publicitaria, sobre todo cuando involucra múltiples plataformas, como sitios web o redes sociales. Cuando un anunciante lanza una campaña en diferentes medios, quiere averiguar cuántos usuarios únicos llegó. Esto se conoce como estimar el "alcance" de una campaña publicitaria.

#El Problema

En el mundo de la publicidad, especialmente la online, medir el alcance puede ser bastante complejo. Los anunciantes a menudo no están seguros acerca de la superposición entre los usuarios alcanzados en diferentes espacios publicitarios. Por ejemplo, si tres medios diferentes informan que cada uno alcanzó a 100,000 usuarios, el número real de usuarios únicos podría variar entre 0 y 300,000. Sin información adicional, es difícil determinar cuántos usuarios únicos fueron alcanzados.

Para resolver este problema, los anunciantes quieren estimar el alcance a través de todas las combinaciones posibles de medios. Sin embargo, a medida que aumenta el número de medios, se vuelve poco práctico medir cada combinación, especialmente por problemas de privacidad y limitaciones computacionales.

#Grupos de Compra

En el contexto de la publicidad, un grupo de compra (BG) puede referirse a cualquiera de los medios, un grupo de medios, o una estrategia de segmentación específica utilizada en una campaña publicitaria. Por lo tanto, estimar el alcance de cualquier subconjunto de estos grupos de compra permite a los anunciantes tomar mejores decisiones sobre sus estrategias.

#Estimación de Alcance Incremental

Una forma de pensar en el alcance es a través del alcance incremental, que se refiere a cuántos usuarios adicionales son alcanzados por un medio específico en comparación con un conjunto de otros medios. Por ejemplo, si un anunciante quiere determinar el alcance incremental de un medio a una combinación de otros medios, necesita observar de cerca la superposición de usuarios.

Si un anunciante tiene varios BGs, y solo conoce el alcance de algunos de ellos, estimar el alcance de los subconjuntos no observados se vuelve esencial. Esta estimación ayuda a decidir si el presupuesto publicitario se gastó de manera inteligente o si se necesitan ajustes.

#Enfoques para Estimar el Alcance

Para enfrentar estos desafíos, desarrollamos dos métodos principales. Uno es un enfoque sin modelo y el otro es un enfoque basado en modelo.

#Enfoque Sin Modelo

El enfoque sin modelo no se basa en un modelo estadístico específico. En su lugar, utiliza datos existentes para proporcionar estimaciones. La idea es observar la consistencia del alcance entre los subconjuntos de BGs observados. Si ciertas relaciones se mantienen entre los alcances de estos grupos, podemos predecir el alcance de un grupo no observado.

Este método utiliza programación lineal para establecer restricciones basadas en los datos observados. Al aplicar estas restricciones, puede proporcionar límites superiores e inferiores para el alcance de cualquier subconjunto no observado. De esta manera, los anunciantes obtienen una mejor idea de cuántos usuarios podrían ser alcanzados sin necesidad de medir cada posible subconjunto.

#Enfoque Basado en Modelo

El enfoque basado en modelo utiliza un modelo estadístico para estimar el alcance. Este método asume que hay patrones en la manera en que diferentes BGs interactúan con los usuarios. Aprovechando un modelo de independencia condicional, podemos estimar el alcance basado en datos observados.

La idea principal es segmentar a los usuarios en diferentes grupos según su probabilidad de ser alcanzados por cada BG y luego usar esa segmentación para crear un modelo. Este modelo ayuda a proporcionar una estimación más precisa del alcance de subconjuntos no observados.

#Combinando Enfoques

Para obtener lo mejor de ambos mundos, combinamos los Enfoques sin modelo y basado en modelo. Este marco integrado permite a los anunciantes usar primero el enfoque sin modelo para obtener un rango de alcance potencial y luego refinar esa estimación con el enfoque basado en modelo.

#Selección de Puntos de Entrenamiento

En este marco combinado, elegir los puntos de entrenamiento adecuados para el modelo es crítico. El objetivo es seleccionar esos subconjuntos de BGs cuyas medidas de alcance puedan mejorar significativamente la precisión de las estimaciones. Usar una selección adaptativa basada en la incertidumbre permite que el modelo se actualice continuamente y mejore sus predicciones.

#Ajuste de Parámetros

Ajustar los parámetros del modelo también es necesario para asegurarse de que el modelo se ajuste bien a los datos de entrenamiento. Se pueden aplicar técnicas de validación cruzada aquí para evaluar qué tan bien los parámetros elegidos predicen el alcance en datos no vistos. Este paso ayuda a mantener un equilibrio entre el sobreajuste (donde el modelo está demasiado adaptado a los datos de entrenamiento) y el subajuste (donde el modelo no capta tendencias).

#Evaluando el Marco

Para evaluar cuán efectivo es nuestro enfoque, se realizaron experimentos utilizando datos sintéticos. Al simular diferentes escenarios, pudimos determinar qué tan bien funcionó la integración de los enfoques sin modelo y basado en modelo. Específicamente, observamos qué tan bien cada enfoque podía predecir el alcance cuando se le daba una cantidad variable de datos de entrenamiento.

#Resultados de los Experimentos

En nuestros experimentos, fijamos el número de puntos de entrenamiento en la primera prueba. En la segunda, introdujimos la capacidad de seleccionar puntos de entrenamiento adicionales según las necesidades. Los resultados mostraron que el marco combinado podía proporcionar estimaciones de alcance más precisas que usar cualquiera de los enfoques por separado.

A medida que aumentaba el número de puntos de entrenamiento, la precisión del alcance estimado mejoraba. El método fue particularmente efectivo cuando había una cantidad significativa de superposición en los usuarios alcanzados por diferentes BGs. En los casos en que los usuarios eran más distintos entre BGs, el modelo tuvo problemas para proporcionar estimaciones precisas.

#Conclusión

El desafío de estimar el alcance a través de múltiples plataformas publicitarias es crítico en el entorno publicitario actual. Nuestro marco integrado que combina enfoques sin modelo y basados en modelo proporciona una solución robusta a este problema. Al aprovechar los datos observados y emplear técnicas adaptativas, los anunciantes pueden obtener estimaciones más confiables de su alcance en campañas.

A medida que la publicidad sigue evolucionando y la complejidad aumenta, refinar estas técnicas de estimación será vital para maximizar la efectividad publicitaria y asegurar que los presupuestos se gasten de manera inteligente. El trabajo futuro involucrará datos del mundo real para validar y mejorar aún más nuestras metodologías.