Recommendation trigger probability, cuyo algoritmo tiene en cuenta aspectos como el perfil del usuario, la caracterización del producto a recomendar y la contextualización de la recomendación, es capaz de determinar la idoneidad de una comunicación en un momento determinado.
Recomendaciones proactivas y su impacto en el ROAS
El ROAS (retorno de la inversión publicitaria) es una de las métricas clave del marketing digital, pero con frecuencia muestra cifras alarmantes: mucha inversión, pocos ingresos. Aquí te revelamos la clave de esta ineficiencia.
Con los sistemas de recomendaciones proactivas, ciertos eventos se activan automáticamente cuando se cumplen condiciones específicas, como en campañas de marketing geolocalizado que notifican ofertas cercanas. Sin embargo, el uso excesivo y poco personalizado de estas reglas puede saturar a los usuarios, reducir su interés y llevarlos a ignorar o cancelar suscripciones, generando un círculo vicioso que disminuye aún más el ROAS.
Algoritmo de recomendación personalizado
En Solusoft, como fruto de la experiencia en el desarrollo de sistemas de recomendación, hemos trabajado en el desarrollo de un algoritmo, junto con la Universidad Carlos III de Madrid, llamado Recommendation Trigger Probability. Este sistema permite que los sistemas de recomendación no solo sugieran contenido o productos, sino que lo hagan en el instante más propicio para maximizar su impacto. De esta forma, el sistema es capaz de calcular la probabilidad de que un mensaje sea bien recibido y genere la acción deseada, evitando comunicaciones irrelevantes que puedan saturar o frustrar al usuario.
¿Qué beneficios aporta Recommendation Trigger Probability?
- Mejora la experiencia del cliente.
- Optimiza el uso de recursos en las campañas de marketing digital.
- Se integra en soluciones existentes.
- Aumenta los ratios de conversión.
- Reduce significativamente las comunicaciones que realmente alcanzan al usuario.
- Prioriza y se enfoca en clientes futuros.
- Dinamiza la consecución de objetivos y por consiguiente, más ingresos estimados.
¿Cómo funciona el intercambio de datos?
Para ello, el sistema parte de la caracterización de estos elementos, y emplea técnicas de aprendizaje automático y aprendizaje por refuerzo para calcular las ventanas de oportunidad más adecuadas para una comunicación concreta, en base a la forma en que éste y otros usuarios han actuado con recomendaciones en el pasado, volviéndose más preciso con el tiempo.
Un sistema que incorpore Recommendation Trigger Probability es altamente parametrizable y puede configurarse para actuar del modo más adecuado en cada caso, al igual que el feedback que permite entrenar los modelos puede obtenerse por distintos medios, ya sean explícitos con la intervención del usuario o transparentes para él.
El algoritmo, además, no solo permite reducir costes eliminando el envío de comunicaciones innecesarias, o mejorar la experiencia de usuario reduciendo el spam, sino que es aplicable en escenarios muy distintos.
¿Y en un entorno M2M?
En un escenario de M2M (Machine to Machine), el sistema puede intervenir en la comunicación entre dos máquinas o procesos, considerando una analogía en la que el proceso de destino es el usuario y el producto es una operativa específica. En este caso, el sistema se entrena por refuerzo en base al éxito o fracaso obtenido en un momento dado.
Con una integración de este tipo se puede lograr que el sistema descubra y aprenda automáticamente qué operaciones puede y debe realizar, aligerando la implementación de reglas de negocio cuando estas no están claras. Ayudando a descubrirlas, o simplemente reduciendo a las imprescindibles el número de operaciones que se ejecutan sobre un entorno de destino que sea especialmente costoso.
¿Te ha parecido interesante? Contacta con nosotros.
