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.
Uso de cookies en su dispositivo. Las cookies nos ayudan a mantener esta página web funcionando correctamente y a personalizar nuestra publicidad, pero el uso que hacemos de las cookies depende de usted. Acepte nuestra configuración o personalícela.
×

Publicidad digital. Frequency capping y economía conductual

Actualmente, existe una gran variedad de herramientas en el campo de la publicidad online que ayudan a las empresas a optimizar su inversión evaluando la efectividad de sus anuncios en la web.

Una de las principales es el llamado frequency capping  o limitación de frecuencia, que trata de identificar el número óptimo de impresiones publicitarias que se deben enviar a los usuarios en un periodo determinado para causar en ellos el efecto deseado, es decir, conseguir que sean conscientes de esa publicidad sin caer en una sobreexposición que resulte perjudicial.

Para entender mejor su funcionamiento, es necesario conocer varios elementos clave:

  • Impresiones: cada una de las veces que un usuario se ve expuesto a un determinado contenido publicitario, le preste o no atención.
  • Frecuencia: número de veces que se muestra la misma impresión a un mismo usuario en un determinado periodo de tiempo.
  • Conversiones: son las acciones que una empresa define como exitosas una vez el usuario ha clicado en la impresión publicitaria y accedido a la web del anunciante. Normalmente hace referencia a las ventas, pero también puede tratarse de formularios completados, clicks, etc.
  • CR (Conversion Rate o Tasa de Conversión): es otra medida de efectividad de una campaña, probablemente la más relevante, y se calcula como sigue:

CR = número de conversiones / número de impresiones

 

El gráfico habitual en el que se basa este tipo de análisis es el siguiente:

ejemplo-grafico-frecuency-capping

En este caso de ejemplo se podría concluir que el número de impresiones óptimo que se debería mandar a un mismo usuario son 6 (sin tener en cuenta el precio de las impresiones), ya que se ve como la tasa de conversión asciende hasta ese punto y cae drásticamente a partir de ahí.

Como se ha comentado al inicio, este tipo de análisis es habitual en las empresas porque se necesitan muy pocos datos para obtener un insight muy potente, saber cuándo nuestros usuarios se cansan de nuestra publicidad.

A partir de aquí, otra pregunta de gran relevancia que puede surgir es por qué las personas reaccionamos de una forma específica ante estos banners publicitarios y para tratar de dar respuesta un primer enfoque ha sido realizar este análisis incorporando al mismo algunos aspectos de la Economía Conductual, en concreto los llamados sesgos cognitivos.

De forma coloquial, se definen estos sesgos como atajos mentales que son útiles porque nos han permitido tomar decisiones de forma más rápida, como sería en este caso la decisión de hacer click o no en un banner publicitario cuando lo vemos. Concretamente, se ha llevado a cabo el análisis de frecuencia en base al efecto marco (o frame effect), sesgo por el que las personas tomamos una decisión u otra en función del contexto en el que se nos presente la información.

Para ello, utilizando unos datos reales extraídos de la web kaggle (dataset “context ad clicks dataset”), en los que se incluyen las variables:

  • Impression_id: índice de referencia de cada impresión enviada a un usuario.
  • Impression_time: fecha exacta en la que aparece la impresión en el dispositivo del usuario.
  • User_id: número de identificación de cada usuario. Hay un total de 74723 usuarios.
  • Os_version: versión del dispositivo que recibe la impresión (nueva, vieja, intermedia).
  • Is_4G: tecnología del dispositivo que recibe la impresión (4G o no 4G).
  • Is_click: identifica si el usuario hace click en la publicidad o no.

 

Realizando el análisis para las impresiones recibidas por los usuarios según la versión de dispositivo y definiendo como conversión el hecho de que el usuario haga click sobre la impresión, se ha calculado el CTR o Click Through Rate (tasa de click sobre impresiones) para cada frecuencia de impresiones, obteniendo este resultado:

ctr-dispositivo

Es evidente cómo las primeras impresiones presentan una mejor tasa de conversión en las versiones antigua e intermedia que en la nueva.

Para comprobar si estas diferencias visuales son verdaderamente relevantes, se han llevado a cabo un test estadístico de normalidad (donde el resultado es la no normalidad de los ratios) y otro de diferencia de medianas (Wilcoxon), concluyendo que estas diferencias son estadísticamente significativas.

En definitiva, esta aproximación intenta aportar una visión diferente a la habitual en este tipo de análisis añadiendo un componente más “humano” que pueda ayudar a entender las razones de los resultados que se obtienen y que de esta forma, las empresas puedan identificar mejor sus audiencias potenciales, siguiendo la tendencia actual a la hiper-personalización, también en la publicidad.


*Fuentes bibliográficas:

Frequency Capping in Online Advertising. In: Dehne F., Iacono J., Sack JR. (eds) Algorithms and Data Structures. WADS 2011. Lecture Notes in Computer Science, vol 6844. Springer, Berlin, Heidelberg. Ver aquí.

Pensar rápido, pensar despacio. Editorial: DEBATE.

Primacy and Recency Effects on Clicking Behavior. Journal of Computer-Mediated Communication, Volume 11. 522- 535.

Education and Decision Making: An experimental study on the framing effect in China. Nanjing University. doi: 10.3389/fpsyg.2017.00744

Behavioral Economics: Application of the Methods of Cognitive Psychology to Economics. Social Sciences, No.2, Vol.0048. 142-151. DOI: 10.21557/SSC.48907824

Economía del comportamiento: pasado, presente y futuro (Behavioral Economics: Past, Present, and Future). Revista de Economía Institucional, Vol. 20, No. 38.

Kaggle

Unsplash 

 

En nuestra compañía