En los últimos años, todos los principales actores de la comunidad de tecnología publicitaria han observado el probable regreso de la publicidad contextual, causada por las regulaciones de privacidad y las mejoras en la inteligencia contextualizada de las máquinas. Los anunciantes también descubren que estos anuncios pueden ser más atractivos para el público porque las creatividades de los anuncios coinciden estrechamente con el contenido de los alrededores.
La contextualización disponible hoy en día puede mejorar significativamente la precisión, relevancia y facilidad de uso de los modelos de segmentación y, en última instancia, impulsar un mayor ROI al tiempo que garantiza la seguridad de la marca y la privacidad de los usuarios. Vamos a discutir cómo el potencial sin explotar de estas soluciones puede ser finalmente utilizado.
El segundo pilar clave
La publicidad personalizada, que ha sido muy aceptada por los vendedores digitales en la última década, se basa en la capacidad del anunciante para entregar mensajes relevantes, oportunos y atractivos que combinan con las intenciones de los usuarios.
Los principales tipos de segmentación dentro de este enfoque son contextual y segmentación basada en la audiencia. El primero se basa en la coincidencia de anuncios con el contenido de la página, mientras que con el segundo, los anuncios se muestran a usuarios particulares en función de su comportamiento en línea y/o datos sociodemográficos.
Hasta ahora, se ha hecho hincapié en la segmentación basada en la audiencia a través de cookies. Sin embargo, las regulaciones de privacidad, como GDPR, CCPA y la eliminación gradual de cookies de terceros de los navegadores más populares, movieron la escala hacia soluciones contextuales. La segmentación contextual utiliza datos de origen y permite a los usuarios preservar la privacidad de los datos.
Mediante la categorización del contenido web, es más probable que la segmentación contextual coincida con las intenciones actuales de los usuarios que con su comportamiento en línea anterior. En última instancia, los anuncios se publican a la audiencia en el contexto que es particularmente relevante y atractivo para la marca.
Categorización y ML para una mejor orientación
La publicidad contextual existía mucho antes de Internet; un ejemplo de esto es ver anuncios automotrices al leer una revista de automóviles. Hoy en día, debido a los avances en la ciencia de datos y la informática, los anunciantes pueden alejarse de la clasificación genérica a nivel vertical y profundizar en el contexto.
Desde el punto de vista tecnológico, los métodos de clasificación, como la taxonomía, siguen siendo el núcleo de la orientación contextual; sin embargo, su precisión y granularidad mejoraron significativamente. Por ejemplo, en MGID usamos la clasificación de contenido web basada en IA que detecta casi 500 categorías de contenido únicas y puede implementar opciones adicionales a pedido.
Los algoritmos sofisticados permiten la clasificación de tipos de contenido, temas y otras entidades (personas, productos, etc.) y el análisis del sentimiento de la información subjetiva en la página. Por lo tanto, la categorización y la comprensión del contenido web se logran no sólo por palabras clave dentro de la información de texto, sino por categorías de alto nivel que tienen en cuenta los componentes y atributos a ese nivel de detalle. Por ejemplo, los anunciantes pueden poner en la lista negra ciertos temas de las ruedas de su campaña y dirigirse únicamente a las páginas con el sentimiento más favorable.
La clasificación profunda del texto y machine learning también permiten discernir patrones en datos pasados, evaluar alternativas y hacer recomendaciones específicas para la optimización de campañas. Para proporcionar información relevante y hacer recomendaciones, los científicos de datos pueden aplicar dos modelos básicos de análisis prescriptivo, a saber, supervisado y aprendizaje automático no supervisado.
En el aprendizaje supervisado, la experiencia humana anota los datos de origen, elige etiquetas y categorías, que luego se ajustan a través del aprendizaje activo y son utilizados por el software para hacer predicciones. En el aprendizaje no supervisado, el propio software crea el sistema de categorías a partir de los datos de origen y desarrolla recomendaciones para los casos agrupados. Por ahora, las opciones de modelado prevalecientes de las empresas de tecnología publicitaria son combinar métodos de clasificación tradicionales, como la taxonomía y el aprendizaje automático supervisado.
Pensamiento final
Por ahora, ambos tipos de segmentación, contextuales y basados en la audiencia, son relevantes en el ecosistema publicitario. Sin embargo, a medida que resulta más fácil lograr una clasificación detallada del contenido web y garantizar que los anuncios se ajusten con precisión al contenido más relevante, es probable que lo contextual desafíe la primacía de la publicidad basada en cookies.
Grandes empresas tecnológicas y proyectos como IBM Watson, Google Data Studio, MonkeyLearn y MetaMind han desarrollado los recursos clave necesarios para la adopción masiva: herramientas informáticas bajo demanda y datos de código abierto. A partir de ahora, el principal catalizador de la expansión contextual es la capacidad de ofrecer sistemas de control específicos para la optimización de campañas y el deseo de la comunidad publicitaria de poner nuevas soluciones en producción.
