Análisis avanzado de campañas de marketing con Brand Affinity

Por fin podemos utilizar nuevos KPIs para tomar decisiones

Estamos viviendo una época de cambio, la transformación digital está protagonizando todos los ámbitos económicos y sociales, y los métodos tradicionales de análisis también están cambiando. Hasta ahora se utilizaban sólo métricas cuantitativas como las visitas, conversiones, ratios, costes por X. Pero estas métricas clásicas van perdiendo relevancia y se van convirtiendo en una especie de “commodities”. Cualquier empresa puede medirlos y no necesariamente representan una ventaja competitiva ya que sólo nos explican el pasado de forma cuantitativa.

Con el surgimiento de los métodos de Machine Learning podemos “predecir el futuro” con los datos del presente y esto es un avance increíble. Las empresas que sepan utilizar esta tecnología de forma adecuada podrán posicionarse muy por encima con una ventaja competitiva clave, de ahí la razón por la que los especialistas en datos estamos tan cotizados en la actualidad.

Image for post

Hoy quiero profundizar en otra rama del mundo de la Inteligencia Artificial, el Procesamiento del Lenguaje Natural. El NLP (siglas en inglés) es el proceso por el que la máquina es capaz de entender una estructura lingüística extrayendo el significado, conceptos, topics, emoción, sentimiento… Y a día de hoy supone uno de los retos más grandes porque necesita todo tipo de especialistas que ayuden a desarrollar esta tecnología, desde desarrolladores, analistas, hasta lingüistas que ayuden a construir la estructura del lenguaje del programa analizador.

En Apache Digital nos hemos dado cuenta de la problemática actual con las métricas clásicas y de las infinitas posibilidades que ofrece el NLP. Decidimos crear un producto que ayude a las empresas a extraer métricas avanzadas basadas en este NLP a través de un análisis de sentimiento y emoción para generar nuevos KPIs como el Brand Affinity. Ahora ya podemos ayudar a optimizar las estrategias de Marketing según los resultados de estas métricas combinadas con las clásicas a través de métodos matemáticos. De esta forma, unimos el análisis cuantitativo con el cualitativo en tiempo real y mejoramos la capacidad de análisis.

Vamos a poner un ejemplo, una campaña de Facebook Ads. Gracias al Brand Affinity, el analista de datos puede predecir que la campaña que a priori parecía prometedora va a tener una progresión negativa y que la afinidad de los usuarios al contenido que se les muestra es bastante bajo. Ahora tiene tanto el trigger como las herramientas para analizar más detenidamente que puede estar fallando ¿Serán los copies? ¿Serán las imágenes? ¿Algún acontecimiento social está saboteando esta campaña? ¿Quizás la emoción desde la que se apela al usuario no es la adecuada?

Este análisis llevado a un modelo iterativo permite pivotar la estrategia, el contenido y el enfoque de la campaña para mejorar los rendimientos.

¿Suena interesante? Más abajo os cuento cómo lo hacemos

Pero primero, el concepto. ¿qué es el Brand Affinity?

El Brand Affinity es un algoritmo desarrollado por Apache Digital donde se combina el Procesamiento de Lenguaje Natural junto con Algoritmos de Clasificación para extraer notas de diferentes publicaciones o topics para poder analizar por categorías o series temporales.

Mediante el Procesamiento de Lenguaje Natural y los diccionarios lingüísticos extraemos el tema sobre el que gira el comentario al igual que el sentimiento y las emociones expresadas. Almacenamos esta información para utilizar estos datos en el procesamiento del indicador, que internamente llamamos nota.

Image for post

Las diferentes métricas que recibimos en la publicación en sí también son importantes, el número de compartidos y de comentarios al igual que las diferentes reacciones reflejados en el Post se pesarán y formarán parte de este algoritmo.

Una vez que tengamos los datos resultantes del Procesamiento de Lenguaje Natural del conjunto de comentarios y las métricas del Post, aplicamos una serie de algoritmos de clasificación para poder extraer una puntuación mediante la combinación de todos estos datos (nuestra famosa nota)

Finalmente obtendremos la nota de cada uno de los Post. Esta nota se puede filtrar por día pudiendo analizar la evolución sobre el horizonte temporal de dicho Post. También habremos etiquetado los post y los comentarios en función de topics para poder agrupar las notas según estos temas y realizar análisis más complejos.

Las notas del Brand Affinity se actualizan en tiempo real para permitir a los equipos maniobrar y poder pivotar estrategias. Así generamos un proceso de mejora contínua a través de aprendizajes avanzados sobre lo que funciona y lo que no gracias al Feedback de los usuarios.

Ahora sí, el proceso. ¿Cómo generamos el Brand Affinity?

Nos centraremos en una campaña de Social Ads de Facebook.

1. Extracción

En primer lugar necesitamos el pilar fundamental que son los datos. Utilizaremos la Graph API de Facebook para ir periódicamente extrayendo los datos para contar con información en tiempo real. El dato fundamental en este caso son los comentarios.

2. Almacenamiento

Los datos serán almacenados en una Base de Datos, en nuestro caso, en Big Query.

3. Creación y optimización de diccionarios

Antes de comenzar a procesar los comentarios, tenemos que revisar nuestros diccionarios lingüísticos para que el programa sea capaz de detectar la ironía, faltas de ortografía, menciones a personas, dobles sentidos…

4. Bran Affinity (NLP)

A continuación aplicaremos nuestros algoritmos que dan lugar al Brand Affinity y podremos extraer información de la combinación de las métricas clásicas y Procesamiento del Lenguaje Natural sobre los comentarios para así detectar la polaridad del sentimiento y las emociones que esté generando el Feedback de los usuarios.

5. Business Intelligence

Finalmente crearemos un cuadro de mando con una nota que nos permita ver un evolutivo o acumulativo y detectar esos valles que puedan dar información avanzada que no veríamos solo con las métricas clásicas

6. Test y aprendizaje

El equipo de Paid Media aplica cambios en base a los insights identificados y se vuelven a medir los resultados.

Image for post

Conclusiones

La tecnología actual especialmente en el mundo de los Datos nos aporta infinitas posibilidades para poder mejorar los resultados de las campañas de Marketing.

Con las nuevas herramientas de análisis y optimización como el “Brand Affinity” de Apache Digital se pueden detectar las publicaciones que mejor funcionan y cuáles no, permitiendo a los equipos pivotar estrategias para mejorar los resultados. Dentro de las marcas se genera un aprendizaje avanzado en función de los datos y poder tomar decisiones de negocio de una forma mucho más precisa y fiable.

¿Te ha parecido interesante? Si es así en breve publicaremos una segunda parte donde mostraremos un ejemplo práctico de cómo aplicaríamos este procedimiento y cómo visualizamos estos datos.

Contact