Usamos cookies. Tienes opciones. Las cookies nos ayudan a mantener el sitio funcionando sin problemas e informar sobre nuestra publicidad, pero si deseas realizar ajustes, puedes visitar nuestro Aviso de cookies para más información.
Utilizamos cookies propias y de terceros para analizar su actividad en el sitio web con el objetivo de enviarle publicidad personalizada y mejorar el funcionamiento de la web. Puedes aceptar todas las cookies pulsando el botón “ACEPTAR” o seleccionarlas en función de su funcionalidad pulsando el botón “AJUSTES”.
×

¿Qué es Tealium Predict?

Hace tiempo ya que el uso de algoritmos y técnicas de Machine Learning es una realidad para los profesionales del marketing, estas herramientas están demostrando su potencial para ayudarnos a entender mejor a los usuarios y a tomar decisiones más acertadas.

En vista de esta realidad, los proveedores de tecnologías de marketing están haciendo esfuerzos por hacer que estas herramientas estén integradas en sus productos, y sean accesibles a un público amplio dentro del sector del marketing. Vemos ejemplos en todo tipo de tecnologías desde Automated Bidding en los DSP donde el algoritmo se va refinando en función de los resultados de campaña, hasta los modelos de Atribución Data-Driven en las herramientas de Analytics o, incluso, se utilizan estas técnicas de aprendizaje automático en el campo de las Creatividades Dinámicas donde la máquina es capaz de testar combinaciones de copies e imágenes para optimizar el impacto.

En el caso de las tecnologías Customer Data Platform, por su naturaleza de agregador de información sobre usuarios, existen muchas aplicaciones de técnicas de ML para el análisis (insights) de los mismos, así como para predecir acciones futuras en base a su comportamiento. Este es el caso de la solución de Tealium que analizaremos en este artículo, que permite a cualquiera poner a su disposición el potencial del Machine Learning en tan solo 6 pasos:

  1. ¿Qué es Telium Predict?

Es un módulo nativo integrado en Tealium Customer Data Hub, la solución integral de Tealium que contiene herramientas para la recolección de información de navegación (Tealium IQ) así como para el procesamiento, resolución de identidad, análisis en base a audiencias y transmisión de estas audiencias por el ecosistema AdTech / MarTech (Audience Stream). En ese contexto, Tealium Predict tiene la funcionalidad de predecir la probabilidad de que un usuario realice una acción o demuestre un comportamiento en base a sus patrones de navegación. Algunos ejemplos de comportamientos que puede predecir son:

  • Conversión
  • Abandono
  • Volver a la página/app en otro momento (Returning visitor)
  • Lead
  • Upsell
  • Crossell

Pero no se limita a estos, en ésta y otras herramientas CDP no hay casi nada predefinido, y esta flexibilidad nos permite adaptar la estructura de la información a las necesidades del negocio, por lo tanto, podemos utilizar esta aplicación de Machine Learning para predecir cualquier comportamiento que sea relevante para nuestra marca.

 

  1. Antes de empezar a usar Predict...

Esa flexibilidad de la que hablábamos antes es muy importante a la hora de usar Predict porque mientras más información relevante para el comportamiento que queremos predecir tengamos, mejor podrá la máquina aprender a identificar a los usuarios que tienen mayor probabilidad de hacerlo.

Para esto será necesario entender cómo se relaciona el usuario con el producto en base a análisis de audiencias. Por ejemplo, en una web de eCommerce si queremos predecir una venta, no bastará con tener identificados a los usuarios que hacen una búsqueda de producto. Los resultados del modelo de propensión serán más acertados si tenemos atributos que describan cuántas veces ha buscado en los últimos días, si después de la búsqueda clicaron en algún producto, qué categorías de producto han buscado, cuántas veces ha buscado cada categoría, cuántas búsquedas hicieron por sesión, cuántos días han pasado desde la última búsqueda, es o no un usuario que abre nuestras newsletter, etc.

En definitiva, antes de empezar a utilizar la herramienta debemos contar con un perfil de usuario rico en atributos que describan su comportamiento y que sean relevantes para el negocio.

 

  1. Requisitos de Tealium Predict

Existen algunos requisitos que pone la propia herramienta para empezar a utilizar esta funcionalidad:

  • 30 días de datos: para asegurar que hay un volumen mínimo de información disponible, la recolección de datos debe estar activa hace 30 días en Audience Stream. Sin embargo, mientras mayor sea el Data Set disponible y mejor estructurado esté, mayor será la calidad del modelo resultante.
  • Atributo para predecir: el atributo objetivo que describe el comportamiento que queremos predecir debe haber sido al menos 200 veces verdadero y 200 veces falso en el periodo de entrenamiento. Por lo tanto, debemos elegir un atributo / evento que suceda frecuentemente.

 

  1. Configuración

Ya tienes un perfil de usuario con muchos atributos descriptivos de su comportamiento y relevantes para el negocio, también tienes más de 30 días de datos y decidiste la acción que quieres predecir o atributo objetivo, ¿qué tienes que hacer ahora? La configuración del modelo es la parte más sencilla de este proceso.

Ve al módulo de Predict dentro de Audience Stream y clica en Add Model, te encontrarás un cuadro de diálogo en el que definirás:

  • El atributo objetivo o lo que quieres predecir. Recuerda que debe ser un atributo de tipo Badge o Booleano.
  • La ventana de tiempo en la que quieres predecir el comportamiento (coincide con el periodo de entrenamiento). Dicho de otra forma, si decides que quieres predecir una compra, ¿dentro de cuántos días a partir de la predicción quieres que sea el tiempo máximo que transcurra para que suceda la predicción? (por ejemplo, la probabilidad de realizar una compra en los próximos 14 días).
  • Nombre del modelo.
  • Nombre del atributo “output” que será el atributo de usuario que se generará dentro de Audience Stream conteniendo el valor entre 0 y 1, con la probabilidad de que el usuario haga la acción objetivo en la ventana de tiempo.

add-model

A continuación, si clicamos Next podemos personalizar un poco más el modelo:

  • El rango de fechas de la data que utilizaremos para entrenar el modelo, por defecto está marcada la fecha de “hoy” y 91 días hacia atrás, pero si por las necesidades del negocio nos interesa, podemos seleccionar un periodo anterior.
  • Los atributos para incluir / excluir son muy interesantes de cara a “limpiar” la data que le ofrecemos al algoritmo para entrenar, información como ID de usuario pueden causar un sobreajuste del modelo.

A partir de aquí solo nos falta guardar y publicar (Save / Publish) y el modelo empezará su entrenamiento (podemos asegurarnos revisando que el modelo aparece en Predict > Model Explorer con el estado “In Training”)

 

  1. Trained y deployed

Transcurrido el tiempo de entrenamiento, si todo funcionó correctamente tu modelo aparecerá como “Trained”, y podrás acceder a las métricas de calidad que ofrece la herramienta, para que tú mismo puedas determinar si te interesa desplegar el modelo (clicando en el Status y pulsando Deploy) o, por el contrario, re-entrenarlo (clicando en Retrain) haciendo algunos cambios sobre el mismo para intentar mejorar su calidad.

Entender cada una de las métricas de calidad de un modelo de estas características se escaparía del alcance de este artículo, sin embargo, las mencionaremos:

  • F1 Score
  • Recall
  • Precission
  • Matriz de Confusión
  • Curva ROC/AUC

Metricas

La calidad de cualquier modelo predictivo es relativa a juicio de quien lo utiliza, y no se ajusta a reglas generales por lo que es importante entender e interpretarlas desde una perspectiva de conocimiento de negocio, para definir si es necesario reentrenar el modelo o está listo para ser utilizado. Si la calidad no satisface los objetivos que buscamos, podemos accionar algunas palancas como modificar la ventana de tiempo de predicción o añadir / excluir atributos.

distribucion-2

Otra información a la que podemos acceder cuando el modelo termina su fase en entrenamiento es la Distribución de Probabilidad y una lista con los atributos incluidos y la fuerza o peso que tienen en la predicción:

  • La distribución de probabilidad no permite ver gráficamente cómo se ordenan los usuarios según su probabilidad de hacer la acción que nos interesa. Con esta información podemos decidir dónde hacer el corte para generar nuestra audiencia. Por ejemplo, si vemos que hay un grupo suficientemente grande de usuarios que tiene entre 0.7 y 1 probabilidad de convertir, podremos generar ese grupo de “muy propensos a la compra”.
  • La lista de atributos nos ayuda a entender qué variables está utilizando el modelo como más predictivas, esta información es muy útil en el caso de que el modelo no tenga la salud deseada porque, viendo el tipo de variables que sirven para predecir, podemos generar nuevos atributos de usuario parecidos de manera que enriquezcamos su perfil y demos a Predict más información para generar la predicción.

 

  1. Uso del modelo

Una vez desplegado, empezará a generarse el atributo “output” y podrás empezar a crear audiencias en base a su probabilidad de convertir. Recuerda que puedes sacar partido tanto de los usuarios con propensión alta como de los que tienen propensión baja, combinar la probabilidad con otros atributos de usuario y puedes compartir estas listas de usuarios con casi cualquier herramienta del ecosistema MarTech / AdTech como DSP, ESP, herramientas de personalización, etc.

¡Con el Machine Learning a tu servicio, creatividad y conocimiento de negocio estás listo para empezar a conectar con tus usuarios de una forma más significativa!


*Fuentes bibliográficas:

 

En nuestra compañía