Así es como Hearst Magazines lidera el cambio de un modelo determinista a uno probabilístico

Después de que Google anunciara que las cookies de terceros en Chrome no quedarían obsoletas después de todo, Hearst Magazines, que había realizado una gran inversión en first-party data, “se detuvo durante unos cinco segundos”, según cuenta Jen Dorre, vicepresidenta senior de productos y datos publicitarios de la compañía.

De hecho, Hearst Magazines, había introducido su herramienta de targeting first-party Aura un mes antes. “Hicimos una pausa de cinco minutos tras el anuncio de Google y dijimos: 'Oh'. Pero los planes estaban en marcha, y ya estábamos en el camino de construir una herramienta de targeting first-party. Es decir, todos creemos que esto es lo correcto para nosotros”, dijo Dorre en el escenario del Digiday Publishing Summit en Florida el pasado 24 de septiembre.

Hearst no tardó mucho en seguir adelante. El futuro no está totalmente libre de cookies, ni habrá el mismo acceso escalado y persistente a los datos de las cookies en el futuro. Los publishers tendrán que combinar first-party data con third-party data y esperar que los anunciantes empiecen a confiar en los modelos probabilísticos y no solo en los resultados deterministas a nivel de usuario, tal y como apuntó.

Los publishers se encuentran en una situación difícil. Saben que están sirviendo anuncios y llegando a más gente, pero los datos demuestran que su modelo se está agotando. Así pues, en lugar de dar marcha atrás como ha hecho Google, Hearst Magazines ha seguido adelante con sus planes post-cookies, y ahora goza de la ventaja de que esos planes no necesitan ser totalmente post-cookies. “El hecho de que Google no elimine definitivamente las cookies de terceros en Chrome significa para nosotros que hay más datos deterministas”, comentó Dorre, alegando que Hearst Magazines puede utilizar esos datos para construir sus modelos probabilísticos de segmentación y medición con menos cookies.

Datos determinísticos y probabilísticos

Según apunta la experta, no se trata tanto de pasar de un modelo de segmentación y medición basado en cookies a otro sin cookies, sino de pasar de un modelo determinista a otro probabilístico. El truco, sin embargo, es tener los datos deterministas como base para los modelos probabilísticos y tener umbrales establecidos para preservar la integridad de las señales de datos subyacentes a medida que se proyectan a través de una audiencia más amplia.

Por ejemplo, Aura se basa en datos deterministas (su audiencia directa) y los combina con datos contextuales sobre los tipos de contenidos que consume la gente en sus propiedades. Aura utiliza esa combinación de datos deterministas y contextuales para proyectar perfiles de audiencia en el resto de su base de audiencia, de la que puede no tener datos.

Este tipo de proyección, como explica un artículo de Digiday, puede significar que los anunciantes tengan que hacer una especie de “acto de fe” a la hora de segmentar los anuncios basándose en el modelo probabilístico, pero la segmentación no es la única cara de la moneda que se vuelve probabilística.

“Todos intentamos entender la medición”, dice Dorre. “Pienso en la medición en dos partes: nosotros, como publishers, sabemos que estamos ofreciendo lo que decimos que vamos a ofrecer, y luego está lo que los anunciantes están dispuestos a aceptar para la medición”.

Medición de la atención

Una forma de medición que Hearst Magazines está explorando es la medición de la atención. Empresas como Adelaide ofrecen métricas propias para medir la atención de una muestra de personas y proyectar esas mediciones en la audiencia de un publisher. Este tipo de medición, basada en paneles, es en gran medida probabilística y no está lista para ser utilizada, pero forma parte del proceso para conseguir que los anunciantes se adapten a los modelos de medición sin cookies.

Lo mismo ocurre con las Data Clean Rooms. Hearst Magazines está explorando las Data Clean Rooms como vía para atribuir el performance de las campañas de los anunciantes al publisher. Estas Data Clean Rooms permiten a un publisher y a un anunciante cotejar datos para averiguar si un visitante del sitio web de un publisher ha acabado comprando un producto del anunciante. Pero esto solo funciona si ambas partes disponen de datos deterministas que permitan relacionar la exposición del anuncio con la transacción de venta. Una vez más, hay que adoptar un enfoque probabilístico.

“Si tienes una pequeña semilla, empiezas a partir de ahí, y si puedes unirla, entonces podrías construir modelos a partir de ella. Así que sigo creyendo que hay que tener una pequeña semilla de datos deterministas”, afirma Dorre.

En general, Dorre explica que el medio ha tenido éxito cuando ha modelado con al menos el 10% de los usuarios y al menos 100.000 impresiones de anuncios. Pero esos no son los únicos umbrales que Hearst Magazines ha establecido en relación con su modelado sin cookies. Con Aura, el publisher pretende mantener el número de segmentos de audiencia en un rango de 30 a 50. Y en cuanto a los datos contextuales, intenta ceñirse a tres o cinco categorías de nivel superior con no más de cinco subcategorías cada una. “Más de cinco no tiene sentido, porque encontramos demasiados solapamientos”, termina.