La lectura:
Modelado de parecidos - La mejor manera de crear audiencias parecidas

Imagen

Modelado de parecidos - La mejor manera de crear audiencias parecidas

9 de mayo de 2019

Última actualización: 22 de junio de 2021 por admin

Los profesionales del marketing modernos siempre buscan formas de hacer crecer sus exitosas campañas y llegar a nuevas audiencias. El modelado de similitudes es una forma eficaz de identificar los atributos de los clientes y utilizarlos para crear nuevas y mayores audiencias de similitudes para ampliar el alcance de la actividad de marketing.

Hay varias formas de hacerlo y los profesionales del marketing se centran en estos atributos y comportamientos como identificadores principales de su público objetivo.

Pero, ¿y si hubiera un tipo de atributo mejor para identificar a los públicos similares? ¿Y si estos datos de comportamiento fueran un mejor indicador de similitud que el simple hecho de haber visitado la misma página de producto?

¿Y si estos conjuntos de datos estuvieran infrautilizados en el modelado de similitudes, lo que le permitiría crear audiencias más relevantes para sus campañas?

 

Los problemas del modelado de semejanza

Los datos actuales sobre parecidos son, en su mayor parte, una forma válida de construir parecidos. Pero a menudo estos conjuntos de datos corresponden a individuos que se parecen a otros del público inicial.

Esto puede parecer obvio, pero ¿quieres construir tu audiencia basándote en la apariencia? ¿No sería mejor centrarse en cómo se comportan los consumidores, en lugar de en datos demográficos obsoletos, como una página como la que se produjo hace años?

Pues bien, esto es posible cuando la atención se centra más en las audiencias que actúan de forma parecida, que en las que se parecen.

 

Utilizar la ubicación para crear parecidos basados en el comportamiento

modelado de parecidos

La audiencia similar es mejor que el modelado similar porque se utilizan datos más recientes y se utilizan datos que significan intención. Un gran ejemplo de esto es geolocalización. Es actual y viajar a un lugar específico es un significante mucho mejor de la intención del consumidor.

El modelado de parecidos basado en el comportamiento es más eficaz porque puede proporcionar atributos estrechamente definidos y utilizarlos para crear audiencias nuevas y altamente relevantes para ampliar su actividad de marketing.

 

Ejemplo: la forma actual

Veamos un ejemplo, en este caso, clientes que van al gimnasio de la ciudad. Así es como funciona actualmente el modelado por semejanza:

Tomamos los atributos existentes de nuestro conjunto de datos de clientes objetivo ideales. Estos podrían tener los siguientes rasgos:

  • Edad: 24-49 años
  • Hombre 60%
  • El perfil social coincide con los intereses deportivos
  • Centrado en el móvil

Con esta información se podría construir rápidamente una audiencia similar que tuviera características parecidas. El problema es que este mismo perfil de público podría solaparse con el de los hombres que simplemente están interesados en ver los partidos de fútbol en casa.

Este es el problema de centrarse en el aspecto de los clientes, en lugar de en lo que hacen y en cómo se comportan.

 

Utilizar la ubicación y las acciones

Con el modelado de parecidos basado en acciones, los profesionales del marketing pueden basarse en el comportamiento dinámico para identificar atributos. Estos atributos pueden utilizarse para crear audiencias similares más eficaces.

Imaginemos que seguimos intentando dirigirnos a los mismos consumidores: los que van al gimnasio en la ciudad

Es posible que tengamos clientes en nuestra base de datos que pertenezcan a nuestro grupo objetivo pero que no compartan ninguna de las características mencionadas anteriormente. Pero aún así se han convertido y tienen un valor potencial a la hora de construir una audiencia similar.

Utilicemos la ubicación para ilustrar este ejemplo.

Podemos identificar dónde va la semilla parecida y luego identificar otros dispositivos que muestran comportamientos similares.

En este caso, podemos trazar un mapa de nuestros clientes, y podemos ver que un alto porcentaje de ellos visita tanto alimentos integrales como una farmacia de alta gama en un periodo de tres meses.

A continuación, podemos crear una audiencia similar que consista en todos los demás dispositivos que entren en estos dos lugares en un plazo de tres meses. Esto puede hacerse en cualquier parte del mundo, e incluso podemos utilizar categorías de lugares (tiendas de salud) para que esto funcione en varias regiones diferentes.

Nuestra audiencia similar, en este caso, contendría personas que fueran demográficamente diferentes de nuestros clientes. No se parecerían necesariamente a nuestro público, pero se comportarían como nuestros clientes.

Esto puede ampliarse para crear nuevas audiencias basadas en las visitas a su empresa o a la de su competidor, lo que significa que puede crear parecidos competitivos basados en los clientes de su competidor.

 

Una forma mejor - que también se puede combinar con su actual modelado de apariencia

Por supuesto, estos atributos pueden combinarse con su actual modelado de parecidos. Un buen equilibrio entre la información demográfica y los datos de comportamiento es más probable que identifique a los clientes que mejorarán su generación de leads.

Con el aumento de las soluciones DMP que ahora tienen listas para activar geolocalización, es el momento perfecto para utilizar el comportamiento como bloque de construcción para las audiencias similares.

Al pasar a un modelo de publicidad basado en el comportamiento, con menos peso en los datos demográficos, los profesionales del marketing pueden crear audiencias más eficaces y maximizar sus KPI.

 

[mkdf_separator class_name="" type="normal" position="center" color="#E8E8E8″ border_style="solid" width="100%" thickness="3px" top_margin="50px" bottom_margin="20px"]

Empezar a crear mejores audiencias

[mkdf_button size="" type="" text="Empieza" custom_class="" icon_pack="font_awesome" fa_icon="" link="/contact-data" target="_self" color="" hover_color="" background_color=" hover_background_color="" border_color=" hover_border_color="" font_size="" font_weight="" margin="]
 
[mkdf_separator class_name="" type="normal" position="center" color="#E8E8E8″ border_style="solid" width="100%" thickness="3px" top_margin="20px" bottom_margin="0px"]


0 Comentarios

Dejar una respuesta

Historias relacionadas

orientación hacia el móvil geolocalización
8 de enero de 2018

Cómo mejorar la segmentación móvil con geolocalización

Flecha arriba