‘Sólo el 11% de las audiencias alcanzadas en open auction serán totalmente identificables’, por Julián Garritz (Garritz International)
El concepto de addressability en la publicidad digital está en constante evolución, impulsado por la búsqueda de estrategias cada vez más precisas para llegar al público objetivo. No obstante, tal como se insistió durante el Programmatic Morning: Addressability celebrado en enero de 2025, existe una barrera fundamental: se espera que solo alrededor del 11% de las audiencias en subastas abiertas (open auction) podrán ser alcanzadas de manera totalmente identificable o determinista una vez sean implementados los ajustes anunciados en Chrome en términos de consentimiento de los usuarios. Este porcentaje tan reducido plantea una disyuntiva crítica para marcas, agencias y plataformas, que deben encontrar métodos creativos y eficientes para ampliar el número de usuarios susceptibles de recibir mensajes relevantes.
Ya se sabe que la disminución de la capacidad de identificación detallada de las audiencias se debe, en gran medida, a los cambios normativos, tecnológicos y de comportamiento de los usuarios. Por una parte, las regulaciones de privacidad a nivel global, como el RGPD en Europa o la CCPA en California, exigen un consentimiento más explícito y limitan la recolección de datos personales, lo que reduce el alcance de las cookies de terceros y los identificadores de dispositivos. Por otra parte, la adopción de políticas más estrictas por parte de los navegadores (Safari, Firefox e incluso Chrome en un futuro próximo) y de los sistemas operativos móviles (como iOS de Apple) ha reducido la capacidad de rastrear la actividad de los usuarios. Además, el público comienza a exigir un mayor control sobre su información personal y opta por configurar herramientas que bloqueen o gestionen el seguimiento de su navegación.
En este contexto, la industria se enfrenta al reto de mantener la relevancia de sus mensajes publicitarios y, al mismo tiempo, cumplir con estándares éticos y de privacidad cada vez más exigentes. Para ello, se han ido diversificando las fuentes de datos y los modos de integración de dichas fuentes. Hoy en día no solo se habla de first-party data (información captada y procesada directamente por la marca), sino también de la integración con second-party data (colaboraciones entre empresas que comparten datos de manera controlada) y third-party data (suministrada por proveedores especializados). Además, están surgiendo entornos colaborativos, como las data clean rooms, donde diferentes actores pueden combinar información de manera anónima o agregada, respetando la privacidad de los usuarios. Estas iniciativas permiten obtener información de forma conjunta sin exponer datos individualizados, lo que ayuda a ampliar el espectro de posibilidades para la segmentación y el análisis.
Un elemento que destaca en las discusiones más recientes es el Privacy Sandbox de Google, concebido como un espacio exploratorio para generar soluciones que permitan ofrecer publicidad relevante sin necesidad de rastrear individualmente a los usuarios con cookies de terceros. Entre las propuestas del Privacy Sandbox se encuentran FLoC (Federated Learning of Cohorts) y, más recientemente, Topics. Estas tecnologías buscan agrupar a los usuarios en ‘cohortes’ o categorías de intereses, en lugar de rastrear su comportamiento de navegación de forma individual. Aunque la efectividad de estas iniciativas está todavía en debate y evolución, la industria las observa con gran interés, pues podrían marcar un nuevo estándar para el addressability en un entorno postcookie. Sin embargo, Google se ha enfrentado a múltiples y azarosas coyunturas que han dificultado la adopción generalizada de su Privacy Sandbox.
Dado que solo un porcentaje tan bajo de audiencia (aproximadamente un 11%) podrá ser dirigida de forma determinista, surge la necesidad de reforzar las estrategias de addressability con enfoques probabilísticos y la potencia de la inteligencia artificial (IA). La tesis central que está cobrando fuerza en la industria es que, mediante algoritmos de machine learning, es posible analizar la conducta de ese 11% de usuarios identificables y extrapolar patrones a una audiencia más amplia. Así nacen los llamados ‘modelos de lookalikes’, que permiten identificar usuarios con comportamientos, intereses o características similares a los de la audiencia conocida, aunque no estén identificados de manera individual.
Este enfoque probabilístico es especialmente útil cuando se integra con datos geoespaciales y señales contextuales. Por ejemplo, si sabemos que cierto porcentaje de usuarios deterministas muestra un interés en un tipo específico de productos (por ejemplo, artículos deportivos) y se comporta de cierta manera en su patrón de movilidad (por ejemplo, visitan gimnasios o zonas de entrenamiento), se pueden ‘extrapolar’ esos comportamientos a otros usuarios con patrones de geolocalización análogos. Aunque no se identifique a cada uno de ellos, el sistema puede inferir con cierto margen de confianza que existen similitudes valiosas para fines de targeting publicitario. En consecuencia, la inteligencia geoespacial se convierte en un punto de apoyo crucial para mejorar la eficacia de las campañas y maximizar la relevancia de los mensajes en función del contexto físico del usuario. Sin embargo, no debemos pasar por alto que también existen restricciones en el ámbito del seguimiento de usuarios geoespacial, por lo que resulta imprescindible construir una inteligencia geográfica ‘de cuadrícula’ en la ejecución de las campañas publicitarias.
No obstante, es fundamental subrayar que toda esta sofisticación analítica y probabilística carece de sentido si no va acompañada de una medición adecuada. No es trivial medir la eficiencia de las campañas en un entorno tan fragmentado y volátil. Históricamente, el seguimiento y la atribución se han basado en la capacidad de reconocer al usuario a lo largo de su viaje digital (a través de cookies, ID de dispositivos móviles, etc.). Sin embargo, con la erosión de estos identificadores, los modelos de atribución tradicionales pierden precisión. Para la industria, esto conlleva la necesidad de desarrollar nuevas métricas y metodologías de evaluación que no dependan exclusivamente de la identificación determinista, sino que incorporen datos agregados, metodologías de panel y experimentación controlada (por ejemplo, pruebas de incrementalidad).
La utilidad de los paneles en el seguimiento de campañas cobra especial relevancia. Dado que no es posible rastrear a toda la audiencia con la misma granularidad, la implementación de paneles representativos que permitan evaluar el rendimiento de las campañas y comprender qué segmentos están siendo realmente impactados se está volviendo una práctica cada vez más común y necesaria. Estos paneles funcionan como muestras que proporcionan datos cualitativos y cuantitativos sobre la respuesta de determinados grupos de usuarios. La información obtenida puede servir para calibrar modelos de atribución, refinar criterios de targeting y validar las hipótesis generadas por la IA y los algoritmos de lookalike.
Pero, ¿cuál es el horizonte deseable para el addressability? En un escenario ideal, se busca un ecosistema publicitario en el que se respete la privacidad del usuario y, al mismo tiempo, las marcas puedan ofrecer mensajes relevantes sin malgastar sus presupuestos en impactos masivos de baja efectividad. Para ello, es esencial la cooperación de todos los participantes: anunciantes, agencias, plataformas tecnológicas, proveedores de datos y, por supuesto, los propios usuarios. El marco regulatorio y las iniciativas de autorregulación (como la IAB Transparency & Consent Framework) seguirán evolucionando para encontrar un equilibrio entre las posibilidades que ofrece la tecnología y los derechos de las personas.
En resumen, el addressability está experimentando una profunda transformación marcada por los límites de la identificación determinista. La predicción de que en 2025 tan solo el 11% de la audiencia podrá alcanzarse tras los cambios en Chrome pone de relieve lo restringido que será el alcance de los métodos tradicionales y, por ende, la urgencia de adoptar soluciones híbridas que combinen la máxima personalización posible con modelos probabilísticos y el aprovechamiento de la inteligencia artificial. La integración de fuentes de datos, desde first-party data hasta información geoespacial, y la adopción de entornos como el Privacy Sandbox de Google son pasos fundamentales para la industria. Sin embargo, ninguna estrategia será plenamente efectiva sin una medición robusta que garantice la eficiencia de las campañas y la comprensión real de a quiénes se está impactando.
Por último, no debe olvidarse la dimensión ética y de confianza del usuario. Aunque se recurra a algoritmos probabilísticos y se evite la identificación individual, las marcas y las plataformas deben ser transparentes en cuanto a sus prácticas de recolección y uso de datos. Cada nueva herramienta, ya sea un panel de medición o una tecnología de segmentación basada en IA, puede aumentar la opacidad para el usuario final si no se le comunican de forma clara sus objetivos y alcances. Solo a través de la transparencia y el cumplimiento de los marcos legales y normativos se podrá consolidar un ecosistema publicitario que sea relevante y respetuoso a la vez.
La próxima fase del addressability dependerá, en gran medida, de la capacidad de la industria para orquestar soluciones técnicas innovadoras, integrar múltiples fuentes de datos y, al mismo tiempo, salvaguardar la privacidad de las audiencias. La adopción de algoritmos de inteligencia artificial enfocados en la búsqueda de perfiles lookalike y el uso de paneles para el monitoreo y la medición efectivos marcarán la diferencia para aquellas marcas que aspiren a destacarse en un entorno cada vez más competitivo y regulado. Al final del día, la clave será convertir la limitación del 11% en una oportunidad para redefinir el addressability de forma más responsable, creativa y eficaz.
Julián Garritz, co-Founder y General Manager de Garritz International