Modelado de combinación de medios para aplicaciones móviles: ¿una respuesta segura para la privacidad a la medición de marketing?

¿Es el modelado de combinación de medios la respuesta para en adquisición de usuarios de aplicaciones móviles que desean medir y optimizar el marketing y la publicidad?

Aquí está el sueño del líder de la UA:

• Inteligencia de marketing inmediata y precisa
• Información práctica sobre canales, creatividades, ofertas y presupuestos
• Metodologías y mecanismos que respetan la privacidad, cumplen con Apple y el RGPD, y cumplen con la CCPA
• …todo lo cual da como resultado información inteligente que genera un crecimiento masivo

Es una tarea difícil para cualquier metodología de medición de marketing. ¿Puede el modelado de la combinación de medios ofrecer eso a los profesionales del marketing móvil?

Vamos a sumergirnos en ello.

El modelado de la combinación de medios es algo ya veterano en el marketing (y eso no es algo malo)

No hay una forma realmente amable de decirlo: el modelado de combinación de medios es antiguo.

A menudo llamado modelado de mezcla de marketing, it’s está presente desde literalmente los años 1950 y 1960. Neil Borden, profesor de la Harvard Business School, acuñó por primera vez el término marketing mix en 1949, y las grandes marcas usaron el concepto en la era emergente de los medios masivos para construir modelos estadísticos de la efectividad del marketing.

De esa forma, el modelado de combinación de medios fue eficaz para responder preguntas como estas:

“Si gasto 10 millones de dólares en una campaña televisiva en las tres grandes cadenas, ¿qué impacto tendrá en mis ventas de Cheerios?”

Para construir esas respuestas, el modelado de la mezcla de medios necesitaba datos: ventas previas, idealmente de años anteriores; impacto en esas ventas; tendencias estacionales; acciones competitivas; indicadores económicos como el índice de precios al consumidor; comparaciones de precios; datos de disponibilidad; movimientos culturales más amplios, etc. El modelado de la mezcla de marketing solía utilizar (y utiliza: todavía está en funcionamiento) un análisis intensivo de una gran cantidad de datos de diversas fuentes durante un largo período. Cuando funciona, los ejecutivos de marketing obtienen respuestas a las grandes preguntas hipotéticas, como ¿qué consecuencias tendría invertir 10 millones de dólares en ABC, NBC y CBS en nuestros resultados?

Esta dependencia de la escala, el historial y los largos periodos de tiempo parecería descalificar el MMM como metodología para las campañas de adquisición de usuarios móviles, mucho más rápidas y de menor escala. Y, de hecho, cuando hablé recientemente con Adobe sobre su nuevo producto de modelado de combinación de medios basado en IA para marketing, aún en fase beta, esa sospecha parece acertada.

Funciona bien: el sistema permitió a un cliente reducir el gasto en publicidad en un 50% y aun así seguir creciendo un 10%.

Pero hay una gran salvedad: es necesario gastar 50 millones de dólares al año.

Bueno, algunos de los editores móviles más grandes están en ese nivel, e incluso más. Pero, desde luego, no el editor móvil promedio. La mayoría de los profesionales del marketing móvil tienen presupuestos mucho más reducidos y necesitan saber qué ocurre con su inversión de $100,000 o $50,000 mensuales.

El marketing móvil se ha emborrachado con datos

Seamos sinceros. La publicidad móvil se ha emborrachado con datos: datos inmediatos, datos precisos, datos procesables. Los profesionales del crecimiento móvil no se han preocupado por los métodos de medición de marketing predigitales... en parte porque parecían anticuados, inexactos, engorrosos, caros y lentos.

Pero sobre todo porque lo digital ofrecía un sueño: un sueño puro, limpio y audaz de conocimiento exacto, conciencia perfecta y marketing científico que no desperdiciaba dólares.

(A los estafadores, por supuesto, les encantaba ese sueño.)

Pero a pesar de los desafíos —y algunos más allá del fraude—, ese sueño requería un nivel de seguimiento que asombraría, si no escandalizaría, a los profesionales del marketing de la década de 1960. Comenzó con las cookies en la web en 1994, continuó con los identificadores de dispositivo codificados en los teléfonos inteligentes a principios de la década de 2010, cambió a identificadores de publicidad más controlables por el usuario poco después, y actualmente tiende a desaparecer prácticamente a principios o mediados de la década de 2020.

Desde ningún dato hasta una gran cantidad de datos y mucho menos datos, todo ello en aproximadamente un cuarto de siglo.

Pero a lo largo de toda la vida útil de la era de la informática móvil hasta ahora, hemos vivido una era de exceso de datos.

“Hemos tenido una adicción a los datos en el sector móvil”, afirma Brian Krebs, director de MetricWorks y creador de modelos de combinación de medios. “Porque siempre han estado disponibles”

Hola de nuevo, modelado de mezcla de medios (los tiempos están cambiando)

Porque esos tiempos están cambiando, impulsados por Apple, iOS 14.5, la regulación gubernamental y la evolución social, el modelado de mezcla de medios vuelve a la conversación. Si no puedes obtener tantos datos granulares vía IDFA en iOS, y te preguntas qué pasará con AAID/GAID en Android, quizá haya otra forma.

Tal vez no sea necesario un presupuesto de 50 millones de dólares, y tal vez tampoco sean necesarias tantas matemáticas locas y datos exógenos sobre el mundo circundante, las acciones de los competidores y los cambios económicos como alguna vez pensamos.

Si viertes datos de primera parte como tendencias diarias, tendencias verticales como estacionalidad anual, tendencias amplias de la industria para frecuencia de instalación, más eventos a tu medida como aparecer en Google o Apple o que tu juego sea reseñado por GamesBeat o PocketGamer, eso’s suficiente, dice Krebs. Añade la actividad de marketing de tu app — gasto e impresiones — y tienes una buena base para MMM en adquisición móvil.

Es necesario variar el gasto de vez en cuando (un dron en estado estable hace que sea difícil determinar con exactitud la eficacia), pero eso sucede naturalmente cuando cambia la competencia por las impresiones y la disponibilidad del suministro.

La realidad podría ser que el modelado de la combinación de medios sea mejor para la adquisición de usuarios móviles que para su propósito original: campañas grandes, lentas y costosas de grandes marcas nacionales e internacionales. Además, podría mostrar una incrementalidad que los métodos tradicionales.

“Para ser sinceros, nos sorprendió: MMM funciona mejor en dispositivos móviles”, dice Krebs. “Es más sencillo… se necesitan menos puntos de datos”

¿Pero es lo suficientemente bueno?

Lo que el modelado de combinación de medios no le proporcionará

Observa. Una técnica no’ tiene que ser perfecta para ser útil. Cualquiera que crea que atribución de último clic es una medida perfecta del rendimiento de marketing es, francamente, delirante. Y sin embargo la hemos usado en gran medida durante la última década, con, posiblemente, buenos resultados.

Porque ha sido suficientemente bueno.

Entonces la pregunta es: ¿es MMM lo suficientemente bueno como para impulsar la toma de decisiones?

Antes de responder a esta pregunta, esto es lo que el modelado de combinación de medios no proporciona.

Quizás las tres palabras que lo describen mejor son inmediatez, granularidad y claridad. La inmediatez es, por supuesto, la gloria incomparable del IDFA (que aún existe, claramente, para el 10-20% del tráfico iOS) y sigue siendo la estrella norte brillante de la atribución basada en GAID. (Le falta — hasta cierto punto impulsado por tus propias decisiones — en Apple’s SKAdNetwork framework, of course. You could reset the SKAN postback to as long as 7 days.)

Saber qué funciona lo antes posible es fundamental para una optimización rápida. Saber qué no funciona lo antes posible es crucial para no malgastar el presupuesto.

El modelado de la combinación de medios para dispositivos móviles no requiere las semanas y meses que requiere el sector de consumo de las grandes marcas. Pero tampoco es tan rápido como un postback.

La granularidad es similar: IDFA/GAID e incluso SKAdNetwork ofrecen datos con precisión milimétrica sobre diversos factores: origen y campaña, algunos factores configurables para SKAdNetwork y, por supuesto, datos a nivel de usuario mucho más granulares y cohortes para IDFA/GAID. SKAdNetwork ofrece menos datos, pero la personalización inteligente y los postbacks híbridos con valores codificados para múltiples eventos o temporizadores pueden ser útiles.

MMM ofrecerá menos en cada una de estas áreas, incluyendo menos claridad en las redes de apoyo, las asistencias y los toques finales, especialmente para los profesionales del marketing de crecimiento móvil que están acostumbrados a trabajar con muchos socios publicitarios diferentes simultáneamente. (Sí, se puede argumentar que todas esas redes están lanzando anzuelos al mismo río, y es cierto. Pero es difícil argumentar que todos los anzuelos, y sus cebos, tienen el mismo valor y se lanzan a las mejores zonas del río, donde se concentran los peces)

La incrementalidad también tendrá dificultades con la optimización creativa, lo cual, por supuesto, se puede solucionar limitando manualmente las variaciones creativas por campaña para ver el impacto a lo largo del tiempo. Además, las pujas y los presupuestos en plataformas individuales serán un poco más opacos para MMM.

Entonces… un modelo híbrido: atribución de próxima generación

Media mix modeling no es una bala de plata, alguien que vende media mix modeling para equipos de adquisición de usuarios móviles me dijo. Pero es útil. Y, junto a un MMP, agrega contexto e insight.

La realidad es que la era del rastreo está llegando a su fin.

IDFA ha desaparecido en gran medida, la toma de huellas dactilares va en contra de las directrices de Apple y Google también realizará algunos cambios de privacidad con el tiempo.

Entonces, sí es necesaria una atribución de próxima generación.

Eso significa impresiones, clics y costes, claro. Instalaciones, cuando puedas obtenerlas. Insights creativos, en la medida de lo posible. Resultados específicos de cada canal y socio, según disponibilidad. Datos del embudo superior e inferior. Datos propios de tu propia app: nuevos usuarios, patrones de interacción, registros, compras. Pujas y presupuestos, y normalización y estandarización en todas tus fuentes de datos.

La realidad es que la situación se está volviendo más difícil. El último clic en un identificador publicitario era sencillo. Ahora, los profesionales del crecimiento móvil necesitan una infraestructura completa de datos de marketing, no solo un rastreador móvil. Y, por cierto, la necesitan en más que solo anuncios móviles. Hay canales en exteriores, televisión, web y otros que están empezando a ser importantes.

Combinar toda esa señal y, al mismo tiempo, silenciar el ruido para generar insights que impulsen el crecimiento: ese es el próximo reto. Y MMM tiene un lugar en esa mesa como parte de la atribución de nueva generación.

Hable con nosotros

¿Está interesado en aprender más sobre cómo puede garantizar el crecimiento de su marketing en el futuro con análisis y atribución de última generación?

Háganos saber. Estaremos en contacto.