¿El machine learning dejará obsoletos a los performance marketers?

Antes de empezar, un poco de contexto te ayudará a entender por qué me hago esta pregunta. He dedicado una parte importante de mi carrera al performance marketing. Todavía recuerdo cuando empecé: Google Adwords era completamente diferente a lo que es hoy. Por ejemplo, había una regla que decía que si el click-through rate de tu keyword caía por debajo del 0.5%, ese keyword quedaba "inactivo" y era extremadamente difícil (o imposible) recuperar un keyword inactivo.

Facebook se fundó ese mismo año, así que todavía no existía la publicidad en Facebook. :D

Avanzando a 2022, el machine learning está en el centro de las plataformas publicitarias de Google y Meta (y muchas otras como la de Amazon). Ambas empresas abogan por la simplificación de la configuración de cuentas (lo que le da a la máquina más datos con los que trabajar), un conjunto diverso de creatividades (en formatos y conceptos) y, por supuesto, el site tagging y la Conversion API para darle a la máquina la señal de resultado (es decir, la conversión) que les importa a los anunciantes.

Se acabaron los días en que necesitábamos configurar una estructura de campaña de búsqueda granular o una estructura de campaña display para personalizar cada segmento de audiencia con creatividades relevantes. Ahora, en cambio, se nos recomienda configurar una sola campaña (en el caso de Performance Max de Google), y la máquina encontrará automáticamente la fuente de inventario correcta (búsqueda, YouTube, Gmail, etc.) y servirá las mejores creatividades a la audiencia (a través del formato de anuncios responsive). La optimización de pujas ocurrirá automáticamente mediante las estrategias de puja predefinidas que ofrece cada plataforma. La optimización del presupuesto entre campañas también puede suceder de forma semiautomática.

Entonces, ¿qué hacemos todo el día? :D ¿correr reportes en Excel? :P

El machine learning es solo una herramienta

Sí, es una herramienta potente, pero en última instancia una herramienta. Eso significa que la máquina no sabe qué le conviene a tu negocio. (Hacemos una pausa aquí).

La máquina es increíble para alcanzar el resultado (conversión o ROI) que estableces al nivel de eficiencia correcto. Sin embargo, no sabe si lograr ese objetivo le viene bien a tu negocio.

No sabe si deberías usar Google Ads o Meta ads, ni si deberías hacer publicidad en absoluto.

La máquina no sabe muchas cosas.

• No conoce tus marcas ni a tus clientes potenciales.
• No sabe por qué tus clientes potenciales eligen tu marca frente a la competencia.
  • No puede crear mensajes atractivos ni experiencias de landing page para tus clientes potenciales sin una gran cantidad de datos de entrenamiento.
• No sabe si hacer publicidad genera ingresos incrementales para tu negocio.
  • Los ingresos incrementales son aquellos que no se materializarían si no ejecutaras los anuncios.
  • Potencialmente, la máquina puede conocer los ingresos o conversiones incrementales de un solo canal, pero no a nivel global para tu negocio.

Los walled gardens limitan a la máquina.

Puede hacer un trabajo increíble optimizando dentro del ecosistema de Google, del ecosistema de Meta, de Amazon o TikTok, etc., pero no entre ellos. Es poco probable que este hecho cambie pronto, dado el enfoque en la privacidad del consumidor.

Esto significa que el ser humano decide dónde pautar los anuncios y cuánto gastar dentro de cada walled garden.

En los próximos 3-5 años

Así que al menos por ahora, no me preocupa que una máquina reemplace mi trabajo, no en los próximos 3-5 años. Pero sí debería preocuparme por cómo seguir aportando más valor al negocio. Por ejemplo, debería continuar pensando y aprendiendo más sobre:

• Conocer la marca y sus clientes potenciales.

• Entender el poder que tiene o puede no tener la empresa.

• ¿Tiene sentido siquiera hacer publicidad?

• Si la publicidad es necesaria, ¿cómo podemos evaluar el impacto incremental de la publicidad en el negocio? La palabra clave aquí es incremental.

  • El impacto en el negocio puede ocurrir en un período corto (dentro de tres meses) o en un período extendido (años), así que necesitamos diferentes soluciones de medición.

• ¿Cómo configurar la máquina para que tenga éxito con el performance marketing?

  • Dado el marco de distintas leyes y regulaciones de privacidad en todo el mundo, ¿cuál es el framework para asegurarnos de respetar la privacidad del usuario, cumplir la ley y darle a la máquina las señales que necesita para tener éxito?
    • Se acabaron los días en que los performance marketers simplemente recopilaban la mayor cantidad de datos posible y luego los enviaban de vuelta a la plataforma publicitaria.
    • Ahora necesitamos ser deliberados sobre por qué ciertos datos son importantes o se permite recopilarlos y usarlos. Y cómo enviarlos de vuelta a la máquina de la manera correcta.
  • Mensajes creativos y experiencia general del usuario: la diversidad en formatos, conceptos, imágenes, representación, etc. parece ser el mensaje que muchas plataformas defienden.

• Cómo configurar la máquina para que tenga éxito con otras actividades no publicitarias

¿Qué opinas? ¿Estás viendo cómo el machine learning cambia tu trabajo diario en performance marketing y, si es así, en qué habilidades estás apostando doble para mantenerte a la vanguardia?

Un abrazo,

Chandler