Audi impulsa el rendimiento con un algoritmo de pujas basado en la atención
Las métricas de atención se han utilizado principalmente para medir el aumento de los KPI del upper-funnel, como la notoriedad de marca, pero los anunciantes están empezando a gravitar hacia la atención como forma de medir el impacto de una campaña en el lower funnel, incluida la tasa de conversión.
El fabricante de coches de lujo Audi experimentó recientemente con el uso de métricas de atención para ajustar algorítmicamente la puja programática en el inventario publicitario en función de la cantidad de atención que es probable que atraigan esos anuncios. A continuación, Audi midió el impacto que tenían las ubicaciones de alta atención en las conversiones posteriores al click.
La idea del experimento surgió del deseo de comprender cómo determinadas ubicaciones de anuncios que no son muy valoradas desde el punto de vista de la Viewability pueden, no obstante, influir en el rendimiento de las campañas en el lower funnel, explicó Filip Pujic, que se incorporó a Audi como jefe de equipo de marketing digital en febrero, tras un periodo en MediaCom Suiza, la agencia de Audi.
El experimento consistió en una campaña de display online para promocionar la oferta de vehículos eléctricos de Audi. La campaña, que se desarrolló entre junio y julio, se centró en impresiones servidas a usuarios de Suiza.
Audi colaboró con MediaCom Suiza, la nueva empresa de atención Adelaide y Xaxis, de GroupM, para diseñar un algoritmo de pujas programáticas que permitiera pujar más alto por el inventario cuya puntuación de atención superara un determinado umbral.
Adelaide dispone de una métrica de atención propia llamada AU (que significa "unidad de atención") para determinar qué ubicaciones publicitarias tienen más probabilidades de atraer la atención de los clientes potenciales.
Audi activó la analítica basada en etiquetas de Adelaide en el DSP de Xandr para medir la puntuación AU de las inserciones publicitarias disponibles en el inventario programático open web y en el inventario basado en PMP. El inventario PMP incluía PMP existentes configurados por Xaxis para campañas anteriores de Audi. (No se crearon PMP centrados en AU específicamente para esta campaña).
El algoritmo de pujas personalizado aumentaba las pujas para los medios con mayor puntuación de atención y reducía las pujas para los medios con menor puntuación de atención en tiempo real.
La campaña no utilizó más parámetros de segmentación que la puntuación AU del inventario publicitario.
Cuando se cerró la campaña, Audi midió la tasa de conversión posterior al clic de los anuncios que ganó, pero Pujic no quiso especificar qué tipo de conversiones posteriores al clic midió la marca.
A continuación, Audi realizó una prueba A/B de los resultados de su campaña de algoritmo de puja personalizado frente al algoritmo de puja predeterminado de Xaxis.
El algoritmo personalizado generó una tasa de conversión un 69% superior en el inventario de intercambio abierto que el algoritmo de puja por defecto. Las conversiones programáticas totales aumentaron un 60%.
Según Marc Guldimann, fundador y consejero delegado de Adelaide, los resultados fueron muy superiores a los típicos aumentos de la tasa de conversión que Adelaide observa cuando optimiza las ubicaciones de alto contenido de AU. "Normalmente, vemos una mejora de entre el 20% y el 40%", dijo, "así que un 69% es excepcional".
Aunque los resultados fueron alentadores desde la perspectiva de Audi, la marca no está 100% convencida de la atención. Audi necesita más datos para determinar hasta qué punto las métricas de atención pueden impulsar un crecimiento incremental en sus KPI del lower funnel, dijo Pujic.
"Los próximos pasos son integrar la medición de la AU en todas nuestras campañas programáticas", dijo. "Es necesario para nosotros tener un conjunto más amplio de datos para analizar y ver si los resultados pueden ser [reproducidos] sobre una base consistente".
Pero dados los resultados de estas campañas, Audi ya está pensando que sus planes posteriores a las Third-Party Cookies no tendrán que depender exclusivamente de los First-Party Data para la segmentación lower funnel, que es como Audi ha hecho las cosas históricamente, dijo Pujic.
"Estos [primeros] indicadores nos dicen que la optimización hacia la atención es un buen sustituto de los tipos de datos que utilizábamos antes", afirmó. "No me siento cómodo diciendo que es un cambio de paradigma todavía, pero se siente como un cambio de perspectiva en la forma en que compramos los medios digitales".
Fuente: AdExchanger
