Recommendation Trigger Probability
Una de las métricas más relevantes para saber si una estrategia de marketing digital está funcionando es el ROAS (retorno de la inversión publicitaria). Sin embargo, este KPI a menudo deja resultados escalofriantes, ya que refleja la ineficacia de los mecanismos empleados, con una inversión en publicidad muy superior a los ingresos.
Esto además provoca que en ocasiones se sobrecargue con mensajes publicitarios tanto a usuarios fidelizados como nuevos, siempre que es posible, buscando arañar algunas conversiones con un porcentaje de éxito demasiado bajo.
Los usuarios, cansados de estas campañas despersonalizadas y constantes, se vuelven cada vez más impermeables al mensaje de marketing, en un círculo vicioso que acaba haciendo aún más bajo el ROAS.
Este hecho es muy importante en los sistemas que incluyen motores de recomendación, ya que estos pueden trabajar de manera proactiva, es decir, que en el momento en que se dan determinadas circunstancias se desencadena un evento que conduce a la realización de una acción; esto es algo que se emplea con frecuencia para campañas de marketing geolocalizado, por ejemplo, notificando al usuario cuando pasa cerca de un producto en oferta si se dan las condiciones óptimas para su compra.
Los sistemas modernos pueden incluir un gran número de estas reglas proactivas que se disparan bajo una gran diversidad de condiciones con mensajes de mayor o menor interés para el usuario, lo que potencialmente puede llegar a aburrirle o frustrarle y le conduzca a ignorarlas o incluso a cancelar la suscripción.
En Solusoft, como fruto del trabajo continuado en el desarrollo de sistemas de recomendación, hemos trabajado en el desarrollo de un algoritmo, junto con la Universidad Carlos III de Madrid, llamado Recommendation Trigger Probability, que tiene en cuenta el perfil del usuario, la caracterización del producto a recomendar, y la contextualización de la recomendación, de manera que es capaz de determinar la idoneidad de una comunicación en un momento determinado.
Este sistema se integra en soluciones existentes y es capaz de mejorar la ratios de conversión a la vez que reduce significativamente las comunicaciones que realmente alcanzan al usuario, haciendo que estas sean solo las más relevantes y que lleguen en el momento oportuno.
Para ello, el sistema parte de la caracterización de estos elementos, y emplea técnicas de aprendizaje automático y aprendizaje por refuerzo para calcular las ventanas de oportunidad más adecuadas para una comunicación concreta, en base a la forma en que éste y otros usuarios han actuado con recomendaciones en el pasado, volviéndose más preciso con el tiempo.
Un sistema que incorpore Recommendation Trigger Probability es altamente parametrizable y puede configurarse para actuar del modo más adecuado en cada caso, al igual que el feedback que permite entrenar los modelos puede obtenerse por distintos medios, ya sean explícitos con la intervención del usuario o transparentes para él.
El algoritmo, además, no solo permite reducir costes eliminando el envio de comunicaciones innecesarias, o mejorar la experiencia de usuario reduciendo el spam, sino que es aplicable en escenarios muy distintos, como m2m.
En un escenario de m2m, el sistema puede intervenir en la comunicación entre dos máquinas o procesos, considerando una analogía en la que el proceso de destino es el usuario y el producto es una operativa específica. En este caso, el sistema se entrena por refuerzo en base al éxito o fracaso obtenido en un momento dado.
En una integración de este tipo puede lograr que el sistema descubra y aprenda automáticamente qué operaciones puede y debe realizar, aligerando la implementación de reglas de negocio cuando estas no están claras, ayudando a descubrirlas, o simplemente reduciendo a las imprescindibles el número de operaciones que se ejecutan sobre un entorno de destino que sea especialmente costoso.