Cómo superar la pérdida de señal mediante la creación de una nueva realidad de datos

La era de la privacidad ha provocado una pérdida de señales de datos que ha obstaculizado significativamente la capacidad de los marketers para orientar, medir y optimizar sus campañas. Según McKinsey, ¡hasta 10 mil millones de dólares están en riesgo debido a la pérdida de señal, solo en Estados Unidos!

Pero gracias a la innovación y la adaptación, superar el desafío es más que posible mediante la construcción de una nueva realidad de datos basada en llenar los vacíos en los datos existentes, así como en la creación de nuevas señales de datos.

En este blog, explicaremos qué llevó a esta realidad, el impacto de la pérdida de señal en el marketing y cómo superarlo. ¡Empecemos!  

¿Qué es la pérdida de señal?

La pérdida de señales de datos como resultado de la disminución de los niveles de identificadores de datos a nivel de usuario. Estos identificadores han sido, y en algunos casos todavía son, la columna vertebral sobre la que se basa la medición del marketing orientado al rendimiento. Por lo tanto, la pérdida de señal supone un cambio enorme y un desafío en el panorama del marketing digital.   

Antecedentes: ¿Qué llevó a esta realidad?

En los últimos años, ha habido un mayor control por parte de los legisladores y los consumidores para proteger la privacidad del usuario a través de diversas regulaciones (GDPR, CCPA, DMA, por nombrar algunas de las más importantes recientes).

En esencia, se trata de controlar cómo se comparten los datos a nivel de usuario entre diferentes empresas y cómo se solicita y presenta el consentimiento para compartir estos datos.

Paralelamente (ya sea de forma reactiva o proactiva), Google y Apple han desarrollado mecanismos para limitar/desestimar datos a nivel de usuario a través de: 

• iOS – App Tracking Transparency (ATT): Esto provocó que la tasa de instalaciones con un IDFA cayera del 80% (debido al seguimiento limitado de anuncios) a solo el 27% (aún muy importante para el modelado).

• Android – Eliminación del Google Advertising ID (GAID): Se supone que Google eventualmente descontinuará por completo el identificador a nivel de usuario de Android, pero no antes de 2025.

• Web – Cookies de third-parties: Después de años de descontinuación planificada de las cookies en su navegador Chrome, Google decidió en julio de 2024 mantenerlas y adoptar lo que parece ser un enfoque similar al de ATT. “En lugar de eliminar las cookies de third-party, presentaríamos una nueva experiencia en Chrome que permita a las personas tomar una decisión informada… “Estamos discutiendo este nuevo camino con los reguladores y nos comunicaremos con la industria a medida que lo implementemos”, dijo la compañía en un comunicado. 
  
  Aunque Google no proporcionó ningún detalle sobre esta “nueva experiencia en Chrome que permite a las personas tomar una decisión informada”, parece que la pérdida de señal se mitigará, pasando de una descontinuación total a una parcial solo para los usuarios que no lo acepten. Pero es imposible decir exactamente cuánto, ya que aún hay muchas incógnitas: ¿Google utilizará un mecanismo de inclusión o exclusión voluntaria? ¿Consentimiento único o doble (del lado del anunciante y del publisher)? ¿Uso estricto/fijo o flexible del lenguaje/funcionalidad UX? El tiempo dirá.

Pero si bien la pérdida de datos a nivel de usuario es actualmente una realidad en iOS debido a ATT, pronto se expandirá a Android y más tarde a la Web, afectando a todos los especialistas en marketing digital. Y aunque cada escenario es diferente, la historia oculta sigue siendo la misma.

El impacto de la pérdida de señal en los anunciantes

Si bien este cambio de ecosistema es un paso muy necesario para combatir el abuso prevaleciente en los datos de los usuarios, ha sido una adaptación dolorosa para los marketers que dependen de los datos a nivel de usuario para la segmentación, la medición y la optimización. 

 1) Medición

La pérdida de señal tiene un impacto significativo en la medición y genera dos desafíos principales para los marketers:

a) Los datos fragmentados han sido un desafío durante años, pero han aumentado significativamente desde que se lanzó iOS14.5. Por nombrar sólo las fuentes de datos importantes:

• Atribución MMP (determinística y probabilística) y datos in-app consecuentes
• Sistema operativo y tiendas (SKAN y posteriormente Sandbox) datos y datos in-app consecuentes
• Datos de atribución de SRN
• Datos de usuario que dan su consentimiento en iOS
• Datos de Apple Search Ads
• Datos de medición completa (incrementalidad y MMM)
• Más allá de los datos móviles: CTV, Web, PC&C, offline

Y eso es sólo en iOS.

¿Cómo se pueden conciliar datos de tantas fuentes y frameworks para comprender el rendimiento?

b) Datos limitados y retrasados:

SKAN y AdAttributionKit (el sucesor de SKAN) ofrecen señales intencionalmente retrasadas y solo hasta 64 valores (y solo 3 en postbacks posteriores). Y a pesar de las mejoras en los datos de AdAttributionKit y Sandbox, que se dice que alcanzarán un LTV de 30 días, los datos del sistema operativo seguirán llegando con retraso y de forma limitada. Como los marketers dependen de señales posteriores a la instalación en tiempo real para la optimización, el hecho de que los datos del sistema operativo estén retrasados y limitados es un obstáculo importante. 

 2) Targeting

Cuando los datos a nivel de usuario no están disponibles:

• Los anunciantes no pueden crear segmentos de remarketing y, como resultado, no pueden interactuar de manera efectiva con sus clientes activos existentes, lo que genera un mayor costo por acción.
• Los anunciantes no pueden crear listas de eliminación, por lo que terminan dirigiéndose a los mismos usuarios, lo que genera un mayor costo por nueva adquisición.
• La capacidad de las redes publicitarias para optimizar la entrega se ve significativamente afectada, lo que genera mayores costos en todos los ámbitos.

En resumen, la pérdida de señal resultante de las medidas de privacidad ha comprometido la integridad de los datos, lo que plantea un riesgo de mala interpretación y, en consecuencia, de información engañosa y decisiones equivocadas. Como resultado, el trabajo de un especialista en marketing en la era de la pérdida de señal es 10 veces más difícil, ¡y también lo es la medición!

Cómo superar la pérdida de señal para mantener la confianza en la medición

Antes de la ATT, los marketers tenían una vista completa con granularidad de datos a nivel de usuario, como una imagen con resolución ultra HD de 8K:

Sin embargo, la nueva realidad de los datos, donde los datos a nivel de usuario están disminuyendo, es un hecho y no hay vuelta atrás. En esta realidad hay muchos problemas, lo que hace difícil ver el panorama completo.

Por lo tanto, los especialistas en marketing deben aprovechar todas las señales de datos disponibles y consolidar las diferentes fuentes de datos en una single source of truth para medir sus campañas con confianza.

Para crear una nueva “imagen de datos”, es necesario llenar los vacíos siempre que sea posible y agregar nuevas señales de datos para compensar aún más. Vamos a explorar esto.

 1) Rellenar los vacíos en el conjunto de datos existente con modelos

El modelado ha existido durante años, pero no era realmente necesario en el pasado porque la mayoría de los datos eran determinísticos. Sin embargo, en una realidad de pérdida de señal, se convierte en una necesidad, y se puede hacer con modelos que NO infrinjan la privacidad del usuario. Y con la IA de nuestro lado, la precisión de los modelos está mejorando drásticamente.

El modelado se utiliza para rellenar los huecos en:

1. Atribución del sistema operativo: Debido a que los datos de SKAN llegan tarde y de forma limitada (y lo mismo ocurrirá con los datos de Sandbox), se crean lagunas en los datos. Con el modelado, se pueden proporcionar señales en tiempo real, datos a nivel geográfico (no disponibles en SKAN) y datos LTV para el día 7, el día 30 y posteriores.

• Modelado desde el punto de vista mediático: Las limitaciones de SKAN dificultan la medición para las redes de autorreporte y, dado que siempre se han basado únicamente en la atribución determinista, quedan fuera. Al aprovechar el modelado probabilístico además del determinístico, recuperan el crédito perdido. Según nuestro análisis, Snap aumentó su share en el gráfico de instalaciones de iOS en un 138% y su eCPI cayó un 46%. 

Además, grandes empresas de medios como Google y Meta también han estado dando más importancia al modelado para abordar y superar los desafíos de pérdida de señal de datos en sus estrategias de publicidad y marketing.

Por ejemplo, Google Ads utiliza modelos de aprendizaje automático para refinar las estrategias de oferta, mientras que la plataforma Ads Manager de Meta emplea modelos predictivos para adaptar la publicación y el objetivo de los anuncios. Además, ambas empresas aprovechan el modelado de datos para crear experiencias personalizadas, llegar a audiencias relevantes y optimizar el rendimiento de las campañas.

• Medición de abajo hacia arriba (último toque): La incrementalidad y el modelado de combinación de medios (MMM) brindan una perspectiva complementaria sobre el rendimiento de la campaña sin tener que depender únicamente de las señales de abajo hacia arriba de último toque.

Continuando con la analogía de las imágenes de alta resolución, el modelado ayudó a llenar algunos huecos, pero todavía no es suficiente. 

 2) Utilizar y crear nuevas señales

1. Señales creativas y de campaña en el top-funnel: Con menos señales en el bottom-funnel, ahora se pone más atención al top-funnel, donde hay una gran cantidad de datos vinculados a creatividades y campañas. Esto cubre dos áreas:

• Datos de creatividades: Se pueden obtener señales ricas y altamente granulares, por ejemplo, identificando, dentro de un solo anuncio, tipos de escena (por ejemplo, contenido generado por el usuario, animación/imágenes de la vida real, apertura/cierre) y elementos específicos (cualquier cosa desde color, escenario, objetos, textos, etc.).

• Tipos de Engagement Enriquecidos (EET): El estándar de atribución actual, que sólo tiene en cuenta los clics o las visualizaciones, no es del todo preciso. Hay muchas señales intermedias que pueden proporcionar datos de rendimiento valiosos y redefinir la lógica de atribución.

2) [Más] Datos de first-party: Al ser limitado el intercambio de datos entre distintas empresas, el valor de los datos de third-party disminuye. En lugar de ello, los marketers deben intensificar el uso de datos propios y priorizar su recopilación y utilización. Esto incluye:

• Cómo recopilarlos correctamente, solicitar información (UX y legal incluidos) a los usuarios
• Cómo asegurarte de que los datos estén limpios y sean procesables
• Cómo utilizarlos en medios propios
• Cómo utilizar los medios pagos (remarketing, medios comerciales)

Estos datos no tienen por qué permanecer únicamente en el entorno de la propia empresa. Una plataforma de colaboración de datos puede entonces servir como un entorno confiable para la monetización de datos propios, la activación de la audiencia y la medición. Al permitir que las marcas compartan estos datos con diferentes empresas respetando la privacidad, los marketers pueden maximizar realmente el potencial de sus propios datos altamente valiosos.

3) Señales omnicanal: Las aplicaciones, la web, la CTV, la PC y las consolas, así como las redes de medios comerciales y el marketing out-of-homr, presentan oportunidades únicas para adquirir e interactuar digitalmente con una base de usuarios. Al conectar la atribución entre canales, los especialistas en marketing pueden vincular nuevos puntos de datos y el comportamiento de los usuarios en sus distintas plataformas para brindar una comprensión integral de cómo el marketing multiplataforma impulsa los resultados comerciales.

4) Single source of truth (SSOT): Como se mencionó anteriormente, la fragmentación de datos ha dado lugar a una realidad extremadamente complicada que se ha vuelto en gran medida inviable para los especialistas en marketing.

Ingresa SSOT, que crea una única realidad al combinar datos de múltiples fuentes y aplica soluciones tecnológicas sólidas para identificar y eliminar instalaciones duplicadas, completar datos faltantes/vacíos en GEO, web-to-app, LTV más largo, modelado de CV nulo, orgánico, remarketing, etc.

Según nuestro análisis, al consolidar los datos en una sola vista, la aplicación promedio experimenta un aumento del 29% en las instalaciones atribuidas, una caída del 40% en el eCPI y un aumento del 62% en los ingresos atribuidos al marketing.

Actualmente, SSOT está centrado en iOS, pero la solución para Web y Android será similar.

Cuando agregamos nuevas señales de datos, obtenemos información que antes no existía para tener un panorama más amplio de nuestro marketing.

En resumen

La pérdida de señal ha creado un entorno desafiante para los marketers de rendimiento. Con una disminución del nivel de datos de usuarios, impulsar el crecimiento es mucho más difícil. Se necesitan soluciones innovadoras para llenar los vacíos en los datos existentes y crear nuevas señales de datos que permitan a los marketers de rendimiento recuperar el control y medir sus campañas con confianza.