Las 3 no-tendencias de performance en 2021

Es siempre la misma historia: arranca el año y nos encontramos con la retahíla de publicaciones que tratan de predecir las últimas novedades y tendencias que marcarán el año siguiente, bombardeándonos con “Los 7 aspectos que debes conocer y cambiarán tu forma de trabajar”, “Los 5 cambios que revolucionarán el mercado” o “Las 13 tendencias en redes sociales que no te puedes perder” y dando lugar a muchos contenidos con listas interminables de aspectos que, al final, tienen bastante poco de trendy.

De hecho, si nos remontamos a 2020 y analizamos todas las tendencias que se auguraban a principios de año, podríamos contar con los dedos de una mano las que de verdad se han cumplido o han generado cambios reales en nuestra forma de entender y acercarnos al marketing. 

Sabemos que el COVID-19 ha acelerado el proceso de superdigitalización y que, en un entorno ya de por sí cambiante como es el marketing digital, esto pone sobre la mesa de los marketeros muchos temas nuevos que abordar con urgencia. Sin duda, en este panorama lleno de incertidumbre, un listado lleno de consejos y soluciones calmaría a más de uno. Pero, si algo nos ha enseñado la pandemia, es que no podemos entenderlos como la única solución a todos los retos que plantea el nuevo año. 

Esta avalancha de cambios de la que hablamos, y que en Good Rebels hemos vaticinado desde el inicio de la emergencia sanitaria, también arrasan en el marketing de performance. Aunque, en este caso, muchos de ellos ya se veían venir desde hace bastante tiempo. 

Nos referimos, por ejemplo, a la aplicación real de inteligencia artificial en la optimización de campañas, a la desaparición de las cookies de terceros en Google Chrome (el navegador más utilizado del mundo) o a la implementación de modelos de atribución basados en modelos matemáticos. 

Otros temas de gran relevancia y actualidad son el aumento del fraude publicitario, la preocupación por la calidad del impacto digital, la intrusión de la publicidad en el entorno de un usuario y la mayor relevancia de las first party cookies en cuanto a la personalización de mensajes y trackeo.

En este caso, no se trata de puntos en una lista etérea de tendencias que nunca acaban por aterrizar en nuestras estrategias. Todo lo contrario. Se trata de realidades que cualquier profesional del marketing de performance debería afrontar en el corto plazo (si no lo ha venido haciendo desde hace ya un tiempo). Los marketeros que aborden los puntos anteriores verán aumentar el valor de sus modelos de negocio digitales. ¿Te atreves a subirte a esta ola de cambios?

¿Cómo influye la inteligencia artificial en la optimización de campañas?

A la hora de optimizar una campaña en paid media, los expertos estamos continuamente preguntándonos qué parámetros modificar para reducir los costes y, por consiguiente, maximizar sus resultados: ¿Test A/B entre creatividades o call-to-action? ¿Anuncios dinámicos? ¿Cambiar la estructura de los conjuntos de anuncios? ¿Establecer señales automáticas para la subida o bajada de las pujas? 

Para tratar de dar respuesta a todas estas preguntas, en los últimos años se han realizado varios experimentos y descubrimientos que han logrado resultados tangibles. Las metodologías Hagakure y Royal Bert, por ejemplo, buscan obtener mejores resultados en Google Ads mediante un nuevo concepto de organización de palabras clave y grupos de anuncios. En Good Rebels desarrollamos cada día el método GFC y el framework de 3 I’s, ambas metodologías orientadas a optimizar campañas de paid media en redes sociales mediante modelos de hipótesis orientadas a mejorar resultados.

Sin embargo, todos estos métodos implican una gran inversión de tiempo debido a las múltiples opciones y plataformas y a la complejidad de la propia optimización, que no se volverá más sencilla en el futuro próximo. Si a eso le añadimos, además, la alta competitividad digital, la agresividad en cuanto a la oferta y la poca fidelidad de los usuarios en según qué mercados, el panorama es realmente complejo. 

Pero lo cierto es que se puede complicar aún más. Y es ahí donde entra en juego la inteligencia artificial. Centrarnos en analizar los resultados dentro de las propias plataformas o en las herramientas que utilicemos para gestionarlas es lo normal. Pero….¿y si extraemos toda esa información y analizamos todas las variables de forma conjunta, en lugar de hacerlo de manera marginal?

Esta es una de las muchas soluciones que la inteligencia artificial pone sobre la mesa: ser capaces de observar cómo todas y cada una de las variables establecidas en una plataforma publicitaria afectan a los costes obtenidos. Además, mediante modelos matemáticos, podríamos predecir cuál sería la mejor combinación posible de dichos parámetros para lograr los menores costes y el mayor número de resultados posible.

Esta no-tendencia no es nada nuevo, pero 2021 es el año en que profundizaremos en ella para obtener su verdadero potencial.

¿Qué cambios realizará el mercado ante la desaparición de las cookies de terceros en Google Chrome?

Google ya anunció en 2020 su intención de seguir los pasos de otros navegadores como Safari y Firefox, eliminando las cookies de terceros en Google Chrome. Puede parecer una mera formalidad en cuanto a privacidad, pero la realidad es que nos encontramos ante uno de los mayores cambios de paradigma de la publicidad digital desde la creación del píxel publicitario. 

Estamos tan seguros de ello porque, a priori, con esta decisión Google estaría limitando a los anunciantes la capacidad de “perseguir” a los usuarios de forma individual allá por donde naveguen en la red. Por consiguiente, limitaría la capacidad de las marcas de mostrarles anuncios personalizados. Todo en pro de la privacidad y el anonimato en internet. 

No obstante, hemos de matizar que la desaparición de las cookies no implica que la personalización en publicidad digital vaya a terminar. Lo que desaparece (o cambia) es la forma en la que tecnológicamente se va a llevar a cabo a partir de ahora y, por tanto, la forma de saber qué anuncios ha visto un usuario o en cuáles ha hecho clic antes de realizar una conversión. 

Desde que tomó la decisión, Google ha estado trabajando en una solución alternativa, Privacy Sandbox, de la que recientemente ha dado más información. La idea, a grandes rasgos, es dejar de trabajar con datos individualizados y empezar a dirigirse a clusters de usuarios con intereses similares. Así, se respetará la privacidad del usuario individual mientras se sigue ofreciendo a los anunciantes la posibilidad de segmentar sus campañas para impactar a personas con un posible interés en sus productos o servicios.

Una de las preguntas más obvias que pueden surgir al leer esto es: ¿Qué va a ocurrir con las bases de datos de retargeting web? Aunque Privacy Sandbox también está realizando avances en este aspecto para seguir ofreciendo a los anunciantes la posibilidad de hacer retargeting, no es una tarea fácil, ya que choca directamente con esa privacidad que ha motivado la toma de la decisión. En este sentido hay pocos avances cerrados, aunque se habla de la posibilidad de crear “servidores de confianza” donde alojar los datos de manera anonimizada. Solo nos queda esperar a los avances de Google. 

Por otro lado, lo cierto es que los navegadores no han sido los primeros en mover ficha: Apple también ha limitado la capacidad de trackear a los usuarios, obligando a las plataformas a pedirles permiso para recopilar y compartir sus datos con fines publicitarios y, por tanto, disminuyendo la capacidad de Facebook de rastrear a los usuarios de Apple con iOS 14 o superior. 

Más concretamente, la ventana de atribución en Facebook Ads se ha reducido de 28 a 7 días post-clic para los usuarios de iPhone con este sistema operativo. En otras palabras, la plataforma solo registra las conversiones de quienes hayan adquirido un producto de la página web siete días después de haber hecho clic en nuestro anuncio, cuando antes era capaz de atribuírselas hasta 28 días después. Esto supone que las conversiones que Facebook es capaz de asociar a sus campañas publicitarias disminuirán de forma significativa. 

Esta segunda no-tendencia es, sin duda, la que más puede tener en vilo a la comunidad de publicistas. ¿Se respetará al fin la privacidad de los usuarios? ¿Estaremos ante un descenso de la capacidad de personalización en el entorno digital? 

¿Cuándo tendrán los modelos de atribución basados en datos la importancia que merecen?

Obviando el efecto del cambio en la política de cookies y seguimiento del usuario que comentábamos, es necesario recordar año a año la importancia de establecer un modelo de atribución que muestre, de la forma más precisa posible, qué plataforma digital influyó más en el proceso de decisión de compra de un usuario.

Los modelos de last click, first click, lineal, según la posición, etc. se han quedado obsoletos. Eran útiles cuando no existía ni la tecnología ni las capacidades de elaborar modelos que estimasen la relevancia de cada plataforma. Pero desde hace varios años, ya no tiene sentido otorgar toda la importancia de una conversión a la última plataforma donde apareció el anuncio en el que un usuario clicó y compró si en plan de medios intervinieron varias herramientas publicitarias. Básicamente porque no sería justo y, en caso de fiarnos de esta medición, se podría llegar a conclusiones erróneas y a tomas de decisiones poco óptimas. 

La teoría de cadenas de Markov, desarrollada en 1906, es una de las bases sobre las que se ha asentado el desarrollo de la tecnología capaz de rastrear a un usuario por los diferentes anuncios que visualiza en el entorno digital. Aplicando esta teoría a los modelos de atribución, lo que se busca es determinar la importancia que ha tenido cada uno de los canales publicitarios con los que ha interactuado un usuario, a través de una impresión o de un un clic, en su decisión final de adquirir el producto o servicio en cuestión. 

Se trata de encontrar la plataforma más influyente en la decisión de compra, para otorgarle más relevancia (creativa, presupuestaria…) de cara a futuros planes de medios. Al mismo tiempo, este enfoque nos permite poner en tela de juicio la relevancia que se otorgan a sí mismas plataformas como Facebook o Google a la hora de mostrar sus propios modelos de atribución basados en datos.

Si bien es cierto que esta implementación requiere de importante esfuerzo económico debido a su complejidad, el retorno que ofrece es directo y puede afectar a decisiones como la selección óptima de plataformas publicitarias en planes de medios, la distribución presupuestaria óptima a cada plataforma en función del cluster al que queramos impactar o el estudio del comportamiento del usuario y sinergias entre plataformas en base al mismo.

Esta no-tendencia es quizás la que más repercusión, a nivel de retorno de la inversión, puede tener para una marca, ya que involucra indirectamente a las dos anteriores. 

Todos estos aspectos no solo afectan a los profesionales especializados en marketing de performance. También repercuten en el trabajo de un conjunto de expertos en datos, tecnología, analítica, creatividad y estrategia que han de estar preparados, si no lo están ya, para entenderlos e implementarlos si quieren seguir buscando el máximo beneficio para sus negocios, proyectos y clientes. Porque, si algo es seguro, es que estas no-tendencias van a estar en boca de todos durante varios años. 

Pero… si no son tendencias, ¿cómo las llamamos entonces? Lo cierto es que si hay algo que nos gusta en Good Rebels es ponerle nombre a las cosas y, en este sentido, lo tenemos claro: RebelFacts. Porque no son puntos abstractos de una de tantas listas. Son realidades a las que debemos reaccionar cuanto antes. 

El momento de actuar es ahora. No podemos permitirnos esperar a los RebelFacts de 2022, porque entonces habremos perdido la gran oportunidad de generar valor añadido para nuestros negocios, nuestras marcas y, sobre todo, para nuestros clientes.