La eficiencia de la publicidad en iOS se redujo hasta un 75 % después de la AT&T: cómo los DSP utilizan la IA para orientar y optimizar los anuncios en la era de la privacidad

Suponga la eficiencia de anuncios iOS pre-ATT con acceso casi sin restricciones IDFA fue 1. ¿Qué es ahora, tras la Transparencia de Seguimiento de Aplicaciones, y en la era de SKAdNetwork? Esto fue solo una de las cosas que comenté recientemente con Persona.ly’s Joseph Iris. Personal.ly es una plataforma del lado de la demanda que se centra en aprendizaje automático e IA para encontrar oportunidades publicitarias rentables, principalmente para adquisición de usuarios y re‑engagement. Y lo hacen a escala: 3 millones de consultas por segundo.

Nuestro tema principal: cómo funcionan los DSP en la era de las señales con privacidad reducida. 

Pero el cambio relativo en la eficiencia de los anuncios en iOS desde ATT ha sido un rompecabezas difícil de resolver, y he consultado a varios expertos en móviles sin obtener una respuesta clara. Lo que quiero decir, por supuesto, es: ¿con qué eficiencia puede el ecosistema de tecnología publicitaria dirigir un anuncio a la persona adecuada, en el momento oportuno, en el contexto adecuado, y estimular la acción?

Iris aceptó el desafío.

Caída de la eficiencia de la publicidad en iOS con ATT

Hubo una disminución significativa de la eficiencia, dijo Iris.

Pero hay una salvedad importante.

Si nos fijamos en las cifras, eso representa una eficiencia de aproximadamente un 25 % en comparación con lo que teníamos antes. Pero los precios bajaron aún más. Así que, una vez más, este tipo de equilibrio demuestra que existe una oportunidad para compradores más inteligentes

Esto es sumamente interesante, ya que un entorno publicitario mucho más económico, pero con solo un 25 % de eficiencia a la hora de conectar con las personas adecuadas en el momento oportuno y la oferta adecuada, será significativamente peor en todos los aspectos, salvo en la privacidad. Verás más anuncios porque son más económicos y los profesionales del marketing tienen que mostrar más para lograr los mismos resultados, y los anuncios que veas serán menos relevantes porque los profesionales del marketing saben menos de ti y no pueden segmentarte tan bien.

Iris se refería específicamente a los juegos casuales, y hay otros factores en juego, así que no tome este porcentaje como una guía general. Las aplicaciones muy populares, publicadas por marcas reconocidas y que atraen a un público amplio probablemente se vean mucho menos afectadas. Las aplicaciones muy especializadas, que monetizan con una pequeña parte de sus usuarios activos y no tienen una marca importante, podrían verse más afectadas.

La buena noticia: SKAN 4 proporcionará más señal de marketing. La mala noticia: SKAdNetwork y App Tracking Transparency todavía don’t ofrecen nada como Privacy Sandbox de Google, donde there’s un mecanismo en el dispositivo seguro para la privacidad para la segmentación. It’s no es perfecto — aunque it’s está mejorando — pero al menos ofrece algo a los marketers más allá del contexto, y las primeras estimaciones aproximadas de caídas de eficiencia publicitaria están en el rango del 10-20%.

Señales que utilizan los DSP para orientar los anuncios

¿Cómo se desenvuelven los DSP en un entorno tan complejo? Utilizando todas las señales posibles, recordando el pasado con gran precisión y aplicándolo al presente, afirma Iris.

Las señales incluyen:

• Tiempo
• Fecha
• Grandes eventos locales o globales (por ejemplo, el Super Bowl)
• Señales de sesión, incluida la duración de la sesión
• Propiedad intelectual
• ISP (probablemente derivado de la IP)
• Tipo de dispositivo (particularmente importante en Android, donde hay más diversidad)
  • Densidad de píxeles
  • núcleos de CPU
  • RAM
• Descripciones de aplicaciones (créelo o no: ¡sigue leyendo!)
• Identificadores de dispositivos, cuando estén disponibles
• Y prácticamente cualquier otra cosa posible (hay más disponible en Android que en iOS, por ejemplo)

El núcleo del aprendizaje automático que aplican las empresas de tecnología publicitaria no es tan complejo y no debería sobrevalorarse. Se trata básicamente de aplicar la memoria del pasado a la probabilidad de eventos futuros.

“Lo que intentamos hacer es recordar el día de ayer con gran precisión a una escala extremadamente alta”, dice Iris. “Cualquier predicción basada en aprendizaje automático asume que la realidad no cambió drásticamente desde ayer”

Descripciones de la tienda de aplicaciones para el contexto (mucho más confiables que las categorías de aplicaciones)

Uno de los factores clave son las descripciones de la tienda de aplicaciones, aunque parezca increíble. Son una fuente clave de contexto para Personal.ly, en gran medida porque el contexto en la aplicación es muy diferente al contenido web, donde las páginas se pueden rastrear, consumir y categorizar.

Los especialistas en ASO han perfeccionado el arte de pasar a una categoría en la que puedes ser un pez gordo, y es por eso que las categorías son casi inútiles para fines de segmentación contextual.

“Tenemos la suerte de que, al crear tu página de la App Store, la descripción debe reflejar el contenido de la aplicación; de lo contrario, los usuarios se enfadarán rápidamente”, dice Iris. “Así que, para evitar que el ASO nos contamine, usamos las propias descripciones de la tienda”

Las descripciones de App Store y Google Play deben describir con precisión las características y capacidades de las aplicaciones, por lo que el DSP las procesa y analiza para determinar su relevancia contextual. El resultado final es un mapeo de las aplicaciones que son contextualmente relevantes entre sí y, por lo tanto, de las aplicaciones (que se anuncian) que podrían resultar atractivas para los usuarios en una aplicación similar o relacionada. Suena simplista, pero estoy seguro de que existen diversas conexiones no lineales que permiten al DSP determinar que los anuncios en una aplicación de rutas de senderismo no deben incluir necesariamente solo otras aplicaciones relacionadas con el senderismo, sino también alojamiento, comida, mapas, puntos de interés, calzado, equipo de acampada, etc., todo con distintos grados de proximidad contextual calculada.

Los unicornios creativos y el impuesto a las pruebas: 10%

Una pregunta frecuente de los especialistas en marketing sobre cómo optimizar la creatividad y las ofertas es: ¿cuánto debería gastar en ganadores conocidos y cuánto debería gastar en probar nuevos héroes?

Para Personal.ly, es aproximadamente el 10% de su presupuesto.

“Con el tiempo, a medida que el campeón o los campeones se vuelven más significativos estadísticamente, obtienen mayor peso”, dice Iris. “Reciben, digamos, hasta el 85% o 90% del tráfico. Y el 10% restante se deja para explorar la posibilidad de que surjan nuevos campeones”

He hablado a menudo con profesionales del marketing sobre las creatividades unicornio: esos anuncios que, por alguna razón, siguen funcionando mes tras mes, incluso trimestre tras trimestre. Es una buena situación: tienes una gran unidad publicitaria que sigue funcionando y, básicamente, genera ingresos, pero es una situación frustrante porque, literalmente, parece que no puedes superarla con una mejor.

Iris ha visto lo mismo:

En algunos casos, podemos tener apps de casino social que tienen el mismo campeón durante un año. Eso simplemente sucede a veces. Las estrellas se alinean, algo sobre cómo caen las monedas del cielo, simplemente animando a la gente a instalarlas, y verás situaciones en las que la tabla de campeones no cambia realmente

Métricas a muerte: CTR versus CVR 

Iris dice que existe una extraña conexión inversa entre la tasa de clics y la tasa de conversión, que probablemente la mayoría de los especialistas en marketing móvil han notado en ocasiones: CTR altos equivalen a CVR bajos.

No siempre, pero a menudo.

“Las predicciones siempre son diametralmente opuestas, ¿verdad?”, dice Iris. “Así que, si un usuario tiene una alta probabilidad de hacer clic o instalar, tendrá una baja probabilidad de convertirse en un usuario de alto valor en la mayoría de los casos. Es muy raro que las estrellas se alineen y todas las probabilidades sean altas”

Claro que es muy agradable que las estrellas se alineen. Pero es poco común, incluso cuando se compra tráfico de alta calidad de redes publicitarias y plataformas de oferta respetadas. 

Especialmente cuando intentas optimizar para un IPC bajo.

Por eso, los profesionales del marketing inteligentes prestan atención al CTR, pero no le dan demasiada importancia. La métrica clave es el CTI (tasa de clics por instalación). Esto es más difícil en iOS en la era de la atribución de SKAdNetwork, ya que la señal se retrasa, pero aún es posible utilizarlo, afirma Iris.

Mucho más: mira, suscríbete, escucha

Hay mucho más profundidad en nuestra conversación. Mira el video de arriba y suscríbete a nuestro canal de YouTube. 

Además, suscríbete a nuestro podcast Growth Masterminds en tu plataforma favorita para obtener las entrevistas de audio que hacemos con los principales expertos en crecimiento, marketing y adtech.

Además… una transcripción completa de nuestra conversación

Si lees más rápido de lo que miras o escuchas… aquí tienes una transcripción completa de mi conversación con Joseph Iris, quien lidera el aprendizaje automático en Persona.ly.

Tenga en cuenta que en gran parte es generado por máquina, por lo que puede contener errores.

Juan Koetsier:

¿Qué sucede realmente cuando una plataforma del lado de la demanda utiliza el aprendizaje automático para aumentar sus ofertas? 

Hola y bienvenidos a Growth Masterminds. Me llamo John Koetsier. 

El uso del aprendizaje automático en la publicidad móvil y para impulsar las pujas es, por supuesto, sumamente interesante. Ahora hay menos datos que nunca para tomar decisiones. Por ello, es cada vez más crucial aprovechar al máximo todos los datos posibles y hacerlo de forma eficaz. Entonces, ¿cómo lo hacen las DSP? 

Les presento a Joseph Iris, director de productos de aprendizaje automático en Persona.ly. Bienvenido, Joseph.

José Iris:

Gracias John, fue un placer conocerte.

Juan Koetsier:

Fue un placer conocerte también. 

Empecemos con las señales. ¿Qué señales alimentan el aprendizaje automático para la puja?

José Iris:

Entonces, todo empieza con las solicitudes que recibimos de los exchanges, ¿verdad? Obviamente, hasta hace poco, con todo lo relacionado con iOS y la privacidad, el ID del dispositivo era el factor más importante. 

Pero con el tiempo, a medida que avanzamos hacia un ecosistema más orientado a la privacidad, esa señal se vuelve cada vez menos significativa y ya no se puede confiar realmente en ella. 

Además de eso, tienes señales sobre la conexión del usuario y de qué proveedor de internet proviene. Aunque estos datos no estén necesariamente relacionados con los usuarios, como la interacción con los anuncios, a veces también son útiles. Obtienes señales contextuales adicionales de cada intercambio. 

A veces, antes, incluso incluía el nivel de batería restante, pero esos datos ya no existen. Básicamente, intentan ofrecer información adicional sobre la mentalidad del usuario. Un problema es que no hay unanimidad en todos los ámbitos, ya que cada plataforma prueba sus propias estrategias. 

Así que, en lo que puedes confiar, puedes usar el aprendizaje automático para crear funciones basadas en lo que el editor quiere decir. Esto conecta tu relación con la aplicación que promocionas. Es un rendimiento previo, y básicamente puedes aprender mucho de ello. 

Hay una mejora significativa en la oferta de dispositivos. En iOS, no es realmente relevante porque la lista de dispositivos es muy limitada, pero en Android es una locura, ¿verdad? Tenemos muchísimos fabricantes y modelos. Con el tiempo, era fácil, digamos, diferenciar un teléfono de alto valor de uno básico, pero se está volviendo más difícil a medida que bajan los costes de fabricación y se pueden conseguir teléfonos sin marca realmente potentes. 

Con el enriquecimiento de dispositivos, tomamos el flujo de UA del dispositivo, que obviamente no está vinculado a la identidad de nadie, por lo que se mantendrá. Podemos enriquecerlo con la densidad de píxeles del dispositivo, la cantidad de núcleos, la RAM y demás para crear un perfil del dispositivo. De esta manera, podemos crear diferentes segmentaciones de dispositivos para diferenciar entre usuarios de alto valor y conectarlo al contexto. 

Aparte de esto, hay señales de sesión que también provienen de los intercambios porque saben dónde se encuentra el usuario dentro de la sesión, por lo que es muy informativo con respecto a la probabilidad de hacer clic, instalar y todo eso..

Juan Koetsier:

Entonces, cuando dices sesión, ¿te refieres a cuánto tiempo ha estado alguien en una aplicación en particular o a qué tan activo está?

José Iris:

Sí, sé que algunos intercambios intentan hacer esto a nivel de múltiples aplicaciones, pero nuevamente, en el futuro no será así, será solo para el editor actual, es lo que es.

Juan Koetsier:

Exactamente.

José Iris:

Quiero establecer el tono del uso del aprendizaje automático para nuestro caso de uso, ¿verdad? 

Porque… los profesionales del marketing, y yo en mi vida pasada, tendemos a sobrevalorar cualquier herramienta que realmente se use para hacer cualquier cosa. Y con el aprendizaje automático es fácil porque parece algo del futuro y cosas así. Sobre todo con todo el revuelo que hay en torno a ChatGPT y todo eso. 

Y cualquier persona, no necesariamente cualquiera, incluso técnicos que usen esta herramienta se sorprenderían de sus capacidades. Así es como me gusta describirlo a clientes potenciales y a personas que no entienden bien la industria, como mi esposa, sin ánimo de ofender, pero obviamente ella no tiene mucho conocimiento; es entrenadora de perros, ¿sabes?. 

Hay una gran brecha. Lo que intentamos hacer es recordar el día de ayer con gran precisión a una escala extremadamente alta. Cualquier predicción basada en aprendizaje automático asume que la realidad no cambió drásticamente con respecto a ayer. Y, al menos en nuestro caso de uso, no hubo avances significativos en las matemáticas subyacentes. Con todo este cálculo y la rapidez con la que ahora podemos escalar el entrenamiento, configurar un gran clúster de dispositivos en la nube o en cualquier infraestructura que utilicemos es como un clic. Son los mismos conceptos que la mayoría de la gente conoce sobre estadística. 

Así que esto debería reducir la barrera de entrada, al menos para poder hablar de ello, porque al plantearlo así, ya no es una caja negra mágica que no se puede entender. Es básicamente una herramienta que intenta recordar el pasado. Es mucho más portátil, y esa es la realidad.

Juan Koetsier:

¿Utilizas otros datos, ya sean contextuales o no, que no se limiten necesariamente a los que obtienes de un intercambio? Como la hora del día, la estacionalidad y otros datos similares. También, como mencionaste, asumes que hoy es prácticamente igual que ayer. 

Bueno, si hoy es el Super Bowl, hoy no es como ayer, ¿verdad? ¿Así que estás alimentando ese tipo de cosas?

José Iris:

Sí, entonces necesitas considerar eventos realmente drásticos que cambian las cosas. Tienes funciones para eso. Enriqueces tus datos con información sobre si hoy es festivo o si hoy se produce un evento drástico en algún mercado, y así puedes anticiparlo. 

Pero la realidad para adaptarse rápidamente a estas situaciones es entrenar de forma incremental, en lugar de reentrenar los datos, como si cada día o cada hora fuera básicamente para transmitir el aprendizaje, y así operamos. Entonces, si la realidad está empezando a cambiar, imaginen cómo cambió con el inicio de la COVID-19, ¿verdad?

Entonces, siempre que su canalización sea adaptable y entienda que las últimas tendencias actuales son más importantes, y eso siempre se hace con ponderaciones que se aplican a las muestras más recientes, entonces estará bastante bien. 

Pero sí, aparte de esto, muchas de las cosas que hacemos con el contexto provienen de nuestra preparación para el futuro de, digamos, grupos de interés, como lo llama Google en sus planes para la nube de privacidad: crear cohortes basadas en sus interacciones con segmentos de categorías. Realmente no puedo llamarlas categorías porque las categorías de la tienda están llenas de mentiras, y es necesario crear las tuyas propias si realmente quieres..

Juan Koetsier:

Realmente están llenos de mentiras.

José Iris:

Sí, así es la gente de ASO. O sea, soy fan, no me malinterpreten, pero eso nos dificulta el trabajo. Necesitamos ganar.

Juan Koetsier:

No soy fan. Definitivamente no soy fan. Soy casi como, ya sabes, ¿dónde está Apple o Google como dictadores diciendo, esta es tu categoría, quédate en tu categoría? Es como si la gente eligiera nuevas categorías todo el tiempo.

José Iris:

Una cosa con la que tenemos suerte es que, al crear una página en la App Store, la descripción debe reflejar el contenido de la aplicación; de lo contrario, los usuarios se enfadarán rápidamente. ¿Recuerdas la época de los anuncios falsos?.

Juan Koetsier:

Sí.

José Iris:

Esto no termina bien al final ¿verdad?

Juan Koetsier:

¿Se acabaron esos días? No estoy seguro.

José Iris:

Más o menos, más o menos, más o menos, más o menos. No han terminado del todo, pero no es así, ya sabes, hubo unos meses en los que fue básicamente todo. 

Para evitar la contaminación del ASO, analizamos las descripciones de las tiendas. Y aquí es donde podemos usar modelos robustos que no necesariamente comprenden lo que sucede en segundo plano para comprender el contexto. Así que, cuando hace un par de años no se sabía esto y el tiempo pasaba tan rápido —creo que fue incluso hace tres años, cuando empezó todo el debate sobre el escaneo—, comprendimos que era hora de adaptarnos a una realidad donde el usuario ya no existe.

Creamos una solución basada en el uso de los descriptores de la tienda porque dijimos: "Bueno, no vamos a cambiar eso por algo sin sentido. Siempre hay que tener en cuenta las características que ofreces, el tema y lo que te hace diferente". 

Uno de los aspectos más importantes del aprendizaje automático es esta frase, que resulta sorprendente si se piensa bien. Es basura que entra y basura que sale. Si se introducen datos erróneos en el modelo, el resultado será completamente inútil. Como ya he dicho, todas las tecnologías están consolidadas. No se están produciendo innovaciones realmente innovadoras. Simplemente se calcula más rápido y se obtiene mayor precisión. Pero, de nuevo, los conceptos son los mismos.

Cargas tu entrada, te aseguras de que sea relevante, ayudas al aprendizaje automático a mantener su relevancia y obtendrás buenos resultados. Lo que hicimos, y con gusto lo demostraré, se trata de cómo usamos el contexto al máximo. Primero lo describiré y luego usaré elementos para mostrarte. Tomamos la descripción de la tienda de la aplicación promocionada y también extraemos la descripción de todas las aplicaciones disponibles donde podemos acceder al inventario. Luego creamos una representación vectorial. La integramos en algo matemático que podemos usar. Eso representa su contexto. Y luego, cuando tienes dos vectores, puedes medir la distancia entre ellos. Esto nos permite decir, por ejemplo, si estás promocionando una aplicación de boxeo, cualquier cosa que contenga las palabras "boxeo" o "lucha" estará muy cerca y tendrá una puntuación alta. 

Es como una puntuación entre uno, cero y uno. Así que va a estar muy cerca de uno. 

Luego, te alejas más, te centras en otros deportes, te alejas más, te centras en noticias deportivas hasta llegar a cosas completamente ajenas. Así que, al diseñarlo así, pensamos en lo primero: no queríamos tomar cosas nosotros mismos porque eso parecía una pesadilla de mantener. Muchas empresas lo hacen, no solo en nuestro sector. 

El etiquetado es como un gran... se está convirtiendo en una industria. Etiquetado y notación... creo que así es como llamaríamos a todo este campo. 

No queremos hacer eso. Supongo que somos demasiado perezosos. Queremos algo automático. Así que, básicamente, creamos un proceso que rastrea constantemente las tiendas en busca de cambios o nuevas aplicaciones. Lo incorporamos a un conjunto de datos ya establecido. Y para cada nueva aplicación, podemos decir: «Vale, sí, este es su contexto». Luego, hicimos un caso práctico..

Juan Koetsier:

Probablemente haya un producto ahí, en realidad, que es una nueva forma de categorizar aplicaciones, que es simplemente: no las estoy categorizando como dicen que están categorizadas, las estoy categorizando como están categorizadas en realidad.

José Iris:

Sí. Sí. Definitivamente hay espacio para añadir información sobre la industria. No llegamos tan lejos. Es básicamente exclusivo... así que sí, puedo mostrártelo. Déjame encontrar el botón para hacerlo. 

Esto es accesible para un sitio web; solo busca la calculadora de distancia de contexto de Google, que tiene la puntuación más alta, porque aparentemente la gente no la usa. Así que sí, dentro de la descripción de la aplicación tienes palabras clave, y las detectamos por su frecuencia. Hay un término en aprendizaje automático y gestión de texto en el procesamiento del lenguaje natural.

Eso se llama TFIDF. Suena loco, pero es muy simple. Es la frecuencia de términos inversa a la frecuencia de documentos. Básicamente, es la realidad del mundo contra todo el corpus. Si un mundo es más raro, tendría mayor peso porque expresa mejor el contexto. Usamos el modelo llamado Elmo. Muchos de los modelos en este campo, en tecnología publicitaria, provienen de MuppetNet, así que empezó con Elmo, luego Burt y luego It. Es curioso, no sé por qué lo usan, porque enseñan palabras. Supongo que tiene sentido si lo pienso. 

Usamos este modelo ya establecido para crear la incrustación y aplicamos los pesos según la rareza de las palabras, ya que esto expresa el contexto. Como pueden ver en este ejemplo, las palabras que aparecen con menos frecuencia y los pesos. De esta manera, obtenemos una representación de la aplicación y podemos medir distancias. 

Y si tomo un par de demostraciones que tengo aquí, si tomamos Homescapes por ejemplo, puedes ver que va a encontrar, mostramos solo los 20 mejores, por lo que generalmente solo seleccionas los 20 mejores, los más cercanos, puedes ver obviamente algunos de los competidores directos y algunas cosas que usan características similares pero no necesariamente el mismo tema exacto. 

Si buscas citas, y yo elegí Bumble, nunca usé una app de citas porque soy mayor, pero creo que es un contexto popular, ¿verdad? Las palabras clave son muy claras y te dicen exactamente qué son. Y cuando se trata de cosas más complejas, esto puede ser impredecible, pero lo correcto al diseñar una campaña con este tipo de herramienta, ya sea para SKAN o atribución probabilística, es simplemente construir la estructura de la campaña en torno a esto y usarlo como una característica del modelo. 

Así que, con el tiempo, entiende: si este es un contexto cercano, ¿es bueno o malo para mi rendimiento? Porque a veces no tiene por qué ser necesariamente bueno, pero en consecuencia, un poco menos, un poco más. Pero sí, esta fue nuestra manera de hacerlo a prueba de futuro y no tener que seguir haciéndolo manualmente. 

Juan Koetsier:

Es muy interesante escuchar esta comprensión del contexto en el mundo de las apps. Porque, claro, siempre ha habido contexto en la web, ¿verdad? Y el contexto en la web es bastante sencillo porque, al decidir qué anuncio poner en una página, sabes mucho sobre ese dominio. Sabes mucho sobre el contenido de esa página. Es fácil de extraer y comprender. Así, tienes una gran cantidad de datos contextuales. 

Pero la aplicación no tiene ese tipo de realidades, no tiene páginas accesibles para un scraper ni nada parecido. Así que es una forma muy interesante de analizar el contexto y su funcionamiento. Me encanta. 

Hablemos de creatividad. ¿Cómo influye la creatividad en tus modelos?

José Iris:

Sí, entonces, cuando diseñamos originalmente el sistema, comenzamos solo con pruebas AB, pero muy rápidamente entendimos que no es... quiero decir, puedes construir todo tipo de automatizaciones a su alrededor para hacerlo efectivo y asegurarte de que sea estadístico, y tienes personas que hacen carreras con eso. 

Y sí, a veces esa puede ser la herramienta adecuada, pero en nuestro caso, cuando todo avanza muy rápido, comprendimos que debíamos aprovechar tecnologías más avanzadas. Así que, por cierto, la forma en que lo abordamos es muy diferente a la de un gestor de UA. Para nosotros, la creatividad es una herramienta. Para los gestores de UA, también lo es, pero se piensa mucho más en lo que se incluye. Hay equipos artísticos enormes.

Juan Koetsier:

Marca… ¿esto se parece a nuestra aplicación… todo eso?.

José Iris:

Tiene sentido, ¿verdad? Es decir, es necesario. Pero ya estamos en esto, y debemos centrarnos en aprovechar lo que obtenemos y convertirlo en la herramienta más útil para recopilar observaciones y muestras de forma más rápida y eficaz. 

Para entrenar nuestros modelos para nuevos socios, donde tenemos un problema de arranque en frío, debemos recolectar muestras rápidamente. De lo contrario, dirán: "No voy a gastar $50,000 explorando contigo porque no veo que suceda nada". Así que creamos una solución. Existe un campo diferente, el más avanzado del aprendizaje automático, llamado aprendizaje por refuerzo. Este campo se utiliza para entrenar bots contra los que jugarías en videojuegos y similares. Tiene mecanismos para otorgar a la máquina recompensas y castigos según sus acciones. Un nombre doblemente rimbombante, "bandidos multiarmados", que en realidad proviene de la analogía de la máquina tragamonedas con una máquina tragamonedas..

Juan Koetsier:

Sí …

José Iris:

…porque el problema teórico que intentaban resolver era con qué máquina tragamonedas jugar para aumentar las probabilidades. Así que, en realidad, es mucho más simple. Tenemos la capacidad de conocer el CTR y el IPM de cada creatividad en tiempo real. No es sencillo almacenar estos datos, ofrecerlos rápidamente y actualizarlos con cada nueva observación, cada nuevo clic de impresión, etc. Descubrimos ese aspecto y pudimos escalarlo. 

De esta manera, empiezas sin saber nada, pero en cuanto recibes la primera señal, tienes un líder y puedes empezar a asignarle más tráfico. Así que no estás haciendo pruebas AB en tiempo real con mucho más de dos variaciones y puedes ajustarte muy rápidamente. 

Con el tiempo, a medida que el campeón o los campeones se vuelven más significativos estadísticamente, obtienen mayor peso. Reciben, digamos, hasta el 85% o 90% del tráfico. Y el 10% restante se deja para explorar la posibilidad de que surjan nuevos campeones. En algunos casos, podemos tener aplicaciones de casino social que tienen el mismo campeón durante un año. Eso sucede a veces. Las estrellas se alinean, algo sobre cómo las monedas caen del cielo, simplemente animando a la gente a instalar, y verás situaciones en las que la tabla de campeones no cambia realmente, como si el número uno fuera el número uno. 

Pero en otros casos, cuando se introducen nuevos equipos creativos, como los que son un poco más, ¿cómo decirlo?, aventureros, las cosas pueden cambiar constantemente. Así que tuvimos que crear algo que siempre pudiera explorar. Esta es una solución bastante robusta. Es decir, hasta donde sabemos, se adapta perfectamente al caso de uso. 

Irónicamente, tras toda la conversación hasta ahora, me falta contexto, ya que esta solución está diseñada para un campeón en cada momento. Pero, claro, al dirigirse a los usuarios, se tiene mucho más de un perfil. Por eso, la próxima iteración en la que estamos trabajando, y que espero lanzar este trimestre, consiste básicamente en añadir contexto. Así, al seleccionar al campeón, habrá diferentes cohortes que obtendrán diferentes campeones según sus características. Recibirás un impulso adicional.

Juan Koetsier:

Súper, súper interesante. Es curioso que hayas hablado de esos creativos que llevan un año triunfando o algo así. Los he llamado creativos unicornio.

Y lo he visto en el pasado con profesionales del marketing, donde solo había una creatividad excepcional a la que no podían vencer, simplemente no podían. Lo intentaban, se daban de cabeza contra la pared y no podían ganarle.

Es un buen problema tener.

José Iris:

Sí.

Juan Koetsier:

Significa que algo funciona realmente bien... pero puede ser frustrante para los profesionales del marketing. También es interesante que usar alrededor del 10% del presupuesto para pruebas sea como el impuesto a las pruebas, ¿verdad? Necesitas hacerlo, necesitas encontrar tu próxima creatividad unicornio, la próxima que funcione de maravilla. 

Supongo que la gran pregunta es: ¿cuáles son las señales que te indican el éxito como DSP? ¿Es un clic? Porque es bastante fácil de manipular, ¿verdad? Alguien simplemente dispara un SKOverlay cuando ves este anuncio jugable, no hiciste nada y ¡bum!, ya casi estás en la App Store, ¿verdad? Ya sabes, y cosas así..

José Iris:

También ocurre en Android.

Ya no es solo iOS. No es solo SKOverlay. Como dijiste, los clics son... o sea, durante años, los clics no han sido como antes. ¿Sabes a qué me refiero? Un clic no necesariamente significa intención.

Juan Koetsier:

¿Lo hicieron alguna vez?

José Iris:

Bueno, sí, sé a qué te refieres. En algún momento, probablemente lo fueron. Pero cuando entramos en este campo, ya teníamos seis o siete años de experiencia en tecnología. 

Pero desarrollar esta herramienta programática a esta escala increíble, cuando procesas tres millones de consultas por segundo y aún tienes margen de crecimiento, te enseña cosas rápidamente, como si la realidad te golpeara con fuerza... ¿acaso la vida te golpea tan rápido como dices? Tan rápido que asumimos... bueno, supongamos que nos deshicimos de todas las tonterías de la tecnología publicitaria, ¿no? 

No compramos nada fraudulento, estamos integrados directamente con los principales proveedores de servicios de almacenamiento (SSP), como Unity, AppLovin y todos esos, ¿verdad? Así que dijimos: «Bueno, bastará con obtener un buen IPC y, a partir de ahí, todo se solucionará solo» 

Estos son humanos reales, las aplicaciones se convierten en un 5% desde la instalación hasta la compra, debemos estar bien. 

No. Definitivamente no, especialmente cuando estás intentando optimizar hacia un IPC más bajo. 

Las predicciones siempre son, creo que dirías, diametralmente opuestas, ¿verdad? Así que, si un usuario tiene una alta probabilidad de hacer clic o instalar, tendrá una baja probabilidad de convertirse en un usuario de alto valor en la mayoría de los casos. Es muy raro que las estrellas se alineen y todas las probabilidades sean altas. 

Y éramos como esos antiguos profesionales del marketing, preguntándonos por qué los usuarios que hacen clic no instalan ni pagan. Nos dimos cuenta de que, sí, no se puede confiar en esas señales. No del todo, porque obviamente afectan la atribución. Pero hay que tratarlas con cautela. Y con todo tipo de herramientas de aprendizaje automático, hay que darles menos importancia. 

Así que la serie completa de predicciones que realizamos para una sola solicitud de anuncio consiste en predecir el precio de subasta para compartir la puja. Hablaremos de eso más adelante. Es realmente interesante en sí mismo. 

Predecir la probabilidad de un clic, una instalación dado un clic, un evento posterior a la instalación o incluso un LTV o algo sobre la calidad y el valor que refleja para el anunciante en función de su KPI y la probabilidad de una vista a través de la atribución. 

Pero eso es una parte menor, ya que al multiplicar los tres primeros, la tasa de visualización se incluye al final. Por lo tanto, al analizar esto, lo más importante es el CTI, la conversión, el clic para instalar y la postinstalación. Por lo tanto, a estos se les da una importancia significativamente mayor en todo lo que consideramos. Todo lo demás es una herramienta para alcanzar esos objetivos y así poder entrenar eficazmente.

Juan Koetsier:

Es gracioso porque mientras hablas de eso, mientras hablas de las señales que potencialmente podrías mirar, y luego la que realmente te importa, este clic para instalar, y tu modelo de aprendizaje automático está tratando de calcular todo eso en un par de cientos de milisegundos.

José Iris:

Sí.

Juan Koetsier:

Y yo pienso que estás boxeando en la oscuridad mientras tienes los ojos vendados y las manos atadas a la espalda.

José Iris:

Sí

Juan Koetsier:

¿Cuántos otros obstáculos puedo poner en tu camino?

Mientras estás en una escalera, con una caída de mil metros, porque no sabes nada de la persona que ve o podría ver ese anuncio, porque, claro, estamos en la era de la privacidad en SKAdNetwork. Simplemente no lo sabes, tienes que entrar en este contexto, y pronto será así, sobre todo en Android, ya que Privacy Sandbox entra en juego. 

¿Utilizas datos de SKAdNetwork? ¿Afecta eso a lo que haces en tiempo real durante esos cientos de milisegundos?

José Iris:

Así que por ahora todavía es limitado. 

Juan Koetsier:

Así que eso es un no, ¿verdad?

José Iris:

No es un no en absoluto, porque obviamente tenemos que prepararnos para el futuro. O sea, sí, seguimos viviendo en una realidad diferente, pero tenemos que prepararnos para mañana o para cualquier día de lluvia, como quieras llamarlo.

Juan Koetsier:

Sí.

José Iris:

El mismo concepto de ponderación… funciona igual ahora. Dado que esas señales no son específicas en absoluto, incluso con SKAN 4, como el nivel más bajo, es muy diferente de cualquier método determinista o probabilístico que aún permita vincularlas a una transacción. Por lo tanto, hay que tomarlo con cautela y construir el esquema en torno a él. Y eso es lo que hacemos.

Con esta nueva estructura de SKAN 4, se obtiene información más detallada. De nuevo, ponderamos la señal según su grado de... digamos, "gruesa", y..

Juan Koetsier:

Bien.

José Iris:

Sí, sí, así que los finos, esos tienen mayor peso, los gruesos aún reciben alguna recompensa, pero no se acercan tanto a los significativos. Y podemos usarlos.

Es solo que este cambio hacia una señal más baja nos asustó al principio, pero al ver la dinámica del mercado cambiando tan rápidamente... ¿Qué pasó cuando entró en juego la AT&T? Todos los presupuestos se destinaron a Android, ¿verdad? Y los precios de iOS se desplomaron.

Juan Koetsier:

Sí, lo sabemos.

José Iris:

Eso significa que incluso si no puedes clasificar de la misma manera que antes, mientras puedas clasificar, puedes jugar el juego. Así que yo..

Juan Koetsier:

Ya sabes, y lo curioso es que los inversores inteligentes se quedaron con iOS, los inversores inteligentes se quedaron con iOS porque aunque no se pudiera medir el éxito, no significaba que no se tuviera éxito.

José Iris:

Fue simplemente muy aterrador.

Juan Koetsier:

Así que si tú a) tenías algo de fe o b) tenías medios alternativos de medición, como quizá MMM, modelado de mezcla de medios o otras cosas por el estilo, o c) descubriste SKAdNetwork muy, muy rápido – porque puedes hacerlo eficiente si sabes cómo hacerlo y si cuentas con las herramientas adecuadas – tuviste una gran ventaja durante un par de meses, quizá incluso persiste en cierta medida hasta hoy porque hay’s todavía marketers que se han alejado de ello, todavía no’ han descubierto SKAdNetwork, entonces tenías una gran ventaja. 

Pero me cuesta entender cómo los datos de SKAN pueden incorporarse a los modelos de aprendizaje automático, ya que no solo son agregados y, por lo tanto, no están vinculados a un dispositivo específico ni nada parecido, sino que también tienen retrasos, y los retrasos en SKAN 4 son significativos. En algunos casos, hablamos de hasta 35 días.

José Iris:

Con la tecnología publicitaria y el aprendizaje automático, es necesario prepararse para la retroalimentación diferida y lo que se conoce como percepción de datos preconfigurada, ya que así es como funciona la atribución. Por lo tanto, cuando se tiene una atribución de clics activa durante siete días y se desea entrenar con tanta frecuencia, es necesario contar con herramientas integradas, asumiendo que las impresiones que se obtienen ahora pueden convertirse en instalaciones más adelante. Adaptarse a eso no es tan difícil. Adaptarse a la realidad de que no se puede vincular una instalación con una impresión, obviamente, es mucho más difícil. 

Pero siempre y cuando se mapee al nivel más bajo posible, según cómo se obtengan los datos de Apple. Cuando teníamos 100 ID, realizamos un estudio de caso con Tilting Point donde pudimos aprovecharlo y obtener un mejor rendimiento que el tráfico normal de iOS en aquel momento. Pero entonces se debió principalmente a que eran los usuarios inteligentes los que no veían anuncios, no solo todos, porque sabían cómo desactivarlos tras unas ocho pantallas dentro de la configuración de iOS. 

Entonces, lo factorizas de esta manera, usas pesos para dar mayor importancia a dónde realmente conoces la aplicación del editor o el conjunto de anuncios y los niveles más profundos y esperas lo mejor. 

Es una broma. 

Juan Koetsier:

¡Jajajaja!

José Iris:

Pero quiero decir, aún necesitas diseñar las campañas de forma que recibas suficiente señal para que esto siga funcionando. Pero, de nuevo, los precios siempre se ajustan a tu capacidad, a la nuestra y a cualquier comprador basado en el rendimiento que realmente tenga capacidades de aprendizaje automático, porque nosotros marcamos la pauta, ¿verdad? 

Los compradores de rendimiento son los únicos capaces de superar los altísimos CPM en UA. El retargeting es otra historia, pero en UA somos las únicas empresas que podemos decir: «Bueno, esta impresión esconde cien IPM, ¿no?» 

Entonces, usted preguntó antes sobre la disminución, así que puedo darle algunos números sobre cuál fue el impacto.

Juan Koetsier:

Sí, y aquí está el contexto porque esto fue antes de que empezáramos a grabar. 

Llevo un tiempo preguntándome dónde estamos en cuanto a la eficiencia de la publicidad en iOS, específicamente. Hablaremos de Android dentro de un año o dos, o algo así. 

Pero, ¿sabes? Si nuestro nivel con IDFA antes de ATT era uno, ¿verdad? Digamos que nuestra eficiencia era uno. ¿Cuál es nuestra eficiencia ahora con SKAN 3 y quizás pensando en SKAN 4? ¿Nuestra eficiencia es de 0.5? ¿Es de 0.3? ¿Es de 0.7? ¿Es un rango, dependiendo de qué tan bien entendamos el escaneo y cómo publicitamos en esta realidad? Te lo dejo a ti.

José Iris:

Obviamente, hay muchos factores que influyen. Uno de ellos es la relevancia de la aplicación promocionada. Cuanto más popular sea, más fácil será trabajar con SKAN. En general, puedo darles un ejemplo cuyas cifras conozco, porque he analizado mucho. 

Los juegos casuales, por supuesto, son una parte importante de nuestra oferta cuando trabajamos con nuestros socios de UA. Por lo tanto, al analizar nuestra capacidad para clasificar, discriminar y ofertar precios más altos o más bajos según el IPM previsto o la probabilidad de evento posterior a la instalación, el rango de IPM que veríamos para los juegos casuales, desde la probabilidad más baja hasta la más alta, estaría entre prácticamente ninguna instalación, de 0 IPM a aproximadamente 20. Esto era antes de ATT y, hasta cierto punto, es la realidad en Android.  

Tras la ATT, la eficiencia disminuyó de 0 a 5. En cifras, se trata de una eficiencia de aproximadamente un 25 % en comparación con la anterior. Sin embargo, los precios disminuyeron aún más. Por lo tanto, este tipo de equilibrio demuestra que existe una oportunidad para compradores más inteligentes.

Juan Koetsier:

¡Guau! Qué interesante, qué interesante. 

Entonces, piensas en los impactos más amplios, ¿verdad? Obviamente, existen impactos específicos en términos de tecnología publicitaria, en términos de editores y anunciantes. Vale, somos un 25 % más eficientes, pero nuestros costos se reducen aún más. Así que, al final, eso no nos importa. 

¿Cuáles son los mayores impactos ambientales? La publicidad es más barata. Verás más anuncios, ¿verdad? La publicidad es menos efectiva. ¿Verás anuncios peores? No tenemos tiempo para profundizar en todo eso ahora, pero es fascinante. Probablemente lo abordaré en una entrada de blog o algo similar. 

Tenemos que acabar con esto. Ha sido muy interesante. Ha sido muy informativo. Me encantan las cosas de las que has estado hablando. Tenemos que acabar con esto. Quiero terminar aquí. ¿Qué señales son las más predictivas? ¿Es el contexto en cuanto a la descripción o la lista de aplicaciones? ¿Es algo más? ¿Qué señales crees que son las más predictivas?

José Iris:

Así que, en realidad, la mayoría de ellos por sí solos no carecen de importancia, pero no son suficientes para conseguir lo que necesitas. 

Entonces, el ejemplo clásico, como una de las primeras tareas que ejecutarías como profesional del aprendizaje automático, sería predecir el precio de una casa. ¿Verdad? Ese es el caso de uso clásico. Y las características para eso son, por ejemplo, el número de habitaciones, cuántas escaleras tiene la casa, si hay sótano, etc. Y creas una ecuación que, con base en cada uno de estos factores, indica cuál será el precio según el conocimiento previo. La realidad finalmente surge de todas estas interacciones entre estas características. 

Así que, a primera vista, digamos que si un usuario está al inicio de una sesión, eso no significa nada. Pero si está al inicio de una sesión, y este es un contexto similar al que está jugando ahora mismo, y son las 8:00 p. m. y el Super Bowl fue ayer, por ejemplo, entonces en ese momento se tiene una realidad muy específica que puede traer de repente esas 20, 30 o 40 IP.

Nunca se trata de una sola característica. Siempre es una combinación de varias cosas. Suelen surgir durante la sesión. La sesión es muy eficaz, siempre que se sepa cómo usarla, ya que la capacidad de atención de los usuarios es limitada. Por lo tanto, en la mayoría de los contextos, el comienzo de la sesión es mejor porque están más abiertos a aprender cosas nuevas, pero debe ir en conjunción con el contexto en el que se encuentran, su contexto general o el contexto de la cohorte, y aun así, teniendo en cuenta que las cosas parecen insignificantes, como el ISP, como mencioné antes, pero, de nuevo, cuando se combina con todo esto y se tiene suficiente información, pueden llevarte a este caso muy específico donde, sí, de nuevo, las estrellas se alinean. 

Uso mucho esa frase, pero es algo que se necesita cuando se diseña. Así que mientras..

Juan Koetsier:

En esencia, lo que estás diciendo es que el aprendizaje automático y encontrar el anuncio adecuado para la persona adecuada en el momento oportuno es básicamente astrología, porque las estrellas tienen que alinearse. Y todos los factores..

José Iris:

Sí, pero bueno, yo no, ya sabes, cuando leía... solía hacerlo de más joven, ya sabes, simplemente abría el periódico y leía las predicciones. Así que sí, esas son... las que encuentras ahí son muy genéricas, ¿verdad? Vas a pasar un mal rato, vas a perder algo, ya sabes..

Juan Koetsier:

¡Conocerás a alguien nuevo hoy!

José Iris:

Con la tecnología publicitaria, intentas... sí, en nuestro caso, sí, necesitas ser más específico, pero más o menos, porque si piensas en lo que hacen los astrólogos, es simplemente... sí, en muchos casos, la semana pasada, probablemente, ya sabes, estas cosas pasan. Te frustraste, ya sabes, cosas que pasan en la vida diaria van a pasar mañana. Sí, sí, sí. En cierto modo. Pero sí. Es un método muy matemático y muy científico. 

Es decir, no importa cuánta señal tengas, si configuras las herramientas correctas, depuras los datos correctamente, trabajas con la realidad actual y te adaptas rápidamente, que es lo más importante ahora mismo, creo, con todo cambiando tan rápidamente, puedes competir. Y por eso trabajo tantas horas, porque creo que podemos hacerlo aún más eficazmente.

Juan Koetsier:

Excelente, excelente, excelente. Bueno, hemos pasado de la ciencia a la astrología, a las galletas de la fortuna y, ya sabes, haz tu tarea y pueden pasar cosas buenas.

José Iris:

Sí.

Juan Koetsier:

Joseph, esto ha sido muy informativo y divertido. Muchas gracias.

José Iris:

Gracias John, feliz de estar aquí.