Luce consigue financiación del Ministerio de Economía y Empresa para el proyecto de investigación industrial

Luce consigue financiación del Ministerio de Economía y Empresa para el proyecto de investigación industrial “Estudio e Implementación de un modelo de atribución cross-device o multidispositivo, basado en datos usando modelos predictivos de IA”.

Luce apostando por la investigación industrial ha iniciado un proyecto para la creación de modelos predictivos con inteligencia artificial, el cual finalmente ha conseguido financiación del Ministerio de Economía y Empresa dentro de la Secretaría de Estado para el Avance Digital  en la convocatoria de ayudas al Impulso a las Tecnologías Habilitadoras Digitales (THD), de 2019, Expediente (TSI-100909-2019-6)

Luce consigue financiación del Ministerio de Economía y Empresa para el proyecto de investigación industrial

Este  proyecto se enmarca dentro del  Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020, en el marco de la Acción Estratégica de Economía y Sociedad Digital y del Subprograma Estatal de Impulso a las Tecnologías Habilitadoras , y está financiado como proyecto de Investigación Industrial.

Luce consigue financiación del Ministerio de Economía y Empresa para el proyecto de investigación industrial

 

El objetivo principal del proyecto es conseguir aplicar modelos predictivos de IA, mediante diferentes técnicas y modelos matemáticos para mejorar la atribución multidispositivo de los sistemas actuales utilizados en el comercio electrónico digital. El resultado del proyecto debe conseguir tener una atribución más precisa e inteligente según el cliente y que permita una mayor automatización uno a uno de cada inversión, consiguiendo así aumentar la rentabilidad y venta de las empresas, para hacerlas cada vez más competitivas en un mundo cada vez más digital y omni-channel.

 

 

Hasta la fecha, la mayoría de los sistemas que permiten algún tipo de atribución a los diferentes canales que el cliente utiliza cuando realiza una compra están basados en simples heurísticas. Esto hace que las inversiones que realizan las empresas en marketing para rentabilizar su producto y competir estén sometidas a un riesgo importante fruto del azar de la heurística, esto es, no hay ninguna razón objetiva ni científica para suponer que estos mecanismos hasta ahora utilizados den mejor resultado que el uso de la pura intuición. El proyecto que aquí se plantea parte de un sólido estado del arte basado en investigaciones y publicaciones en revistas científicas de referencia donde se demuestra que con la tecnología actual es posible realizar procedimientos de atribución mucho más sofisiticados que los heurísticos y que además son capaces de demostrar que la atribución realizada no es fruto del azar sino que responde a las acciones que realiza el cliente a la hora de culminar una compra.

Dentro de los modelos que se han publicado uno de los más prometedores es el uso de cadenas de Markov.

Este tipo de modelos matemáticos son ampliamente conocidos y utilizados en otros sectores y permiten calcular caminos alternativos entre un punto de origen y destino atribuyendo probabilidades de paso entre estadios intermedios. Es evidente que este tipo de modelo tienen dos ventajas: primero, debido a que son modelos matemáticos cuyos resultados son testeables se evita el problema de la discrecionalidad de los modelos anteriores, pero además, estos modelos al ser capaces de asignar probabilidades de caminos que pueden seguir los clientes en su conversión, permitirán a las comercializadoras definir cuáles son las mejores acciones de inversión en marketing, e incluso predecir cómo se comportarán los clientes ante un cambio en los canales, conociendo de antemano si va a ver efecto sustitución, pérdida de clientes o ningún efecto reseñable.

Además la importancia del proyecto planteado, lleva implícito en el objetivo final, la identificación única de un cliente, es decir, los diferentes canales de venta, usan sus propios métodos de identificación para los potenciales clientes, este proyecto, mediante técnicas anliticas, deduplicara la informacion entrante de los canales, para conseguir unir esos identificadores y así obtener en un único ID la información de todos los canales,, lo que se usar a como entrada al modelo de atribución objetivo final del proyecto.

Todo el proyecto será gestionado por un sistema de integración continua: control de versiones, validación automática de controles de calidad.. En el caso de este proyecto se valorar la mejor opción entre todos los usados por LUCE Team Foundation System, GIT, SVN

 

Problema a resolver

Las empresas comercializadoras de servicios y productos que usan el canal digital para realizar la venta se encuentran con el problema de que un posible cliente pueda llegar por diferentes canales y necesitan optimizar cada una de sus acciones de marketing. La variedad de canales usados por las marcas para anunciarse es cada vez mayor.El problema consiste en asignar cada conversión y sus ingresos, a las fuentes responsables de la misma, realizando un reparto justo según su contribución.

El proyecto tiene como objeto realizar un sistema I.A. para hacer un modelo de atribución con la ruta de llegada de un posible cliente con una amplia y creciente variedad de canales (online/offline), y dispositivos (crosschannel/crossdevice) y con algunos puntos de contacto que no tenemos claro si realmente se han producido (como las impresiones visibles en las que no se ha hecho clic).Todo ello, bajo sistemas de alta complegidad tecnológica y legal a la hora de identificar y rastrear a dicho usuario.

 

Descripción técnica de la solución

Podremos recurrir tanto a modelos de atribución que estén basados en reglas, como a modelos más complejos, basados en datos, que asignan la atribución en base a algoritmos matemáticos (cadenas de Markov). Se desarrollará uno o varios sistemas predictivos de la información recogida de los diferentes canales de captación. El sistema ha de ser capaz unir los datos de diferentes sistemas, realizando todos los procesos típicos de limpieza y consolidación mediante minería de datos e I.A., Elegir uno u otro modelo dependerá de las peculiaridades de nuestra marca y producto, así como del volumen de datos que seamos capaces de generar

Diseñaremos una arquitectura para la integración y gestión de los sistemas origen de datos. Implementaremos un sistema de almacenamiento y procesado no convencional, empleando técnicas de Big Data. El sistema será híbrido (cloud- computing y on-premise), lo que permitirá más flexibilidad, y poder realizar actualizaciones de manera más sencilla, para su evolución.

 

Marca la diferencia con la solución ya existente

Las soluciones actuales unichannel no sirven para conocer la influencia o el peso que cada canal y fuente de tráfico ha tenido en la conversión, cross-channel/device. Para poder tomar decisiones que realmente nos ayuden a optimizar nuestros resultados, debemos profundizar y llevar la medición de la atribución a los elementos concretos que componen dichos canales. El salto a una solución multicanal no es incremental, tanto en cuanto se requiere de métodos de predicción y soluciones matemáticas relacionadas típicamente con problemas de inteligencia artificial que en los casos anteriores no son necesarios.

Solo por mencionar alguno de los elementos en los que estamos interesados en profundizar, que no son los únicos, pongamos un ejemplo con Google Ads. El objetivo debe ser no solo conocer el peso en la conversión de Google Ads, sino que, además, debemos poner el foco en entender, el peso que cada una de las campañas, grupos de anuncios y palabras clave han tenido en la misma.

Medir correctamente la atribución para el conjunto de Google Ads, nos permite tomar decisiones como incrementar o reducir el presupuesto. Pero medir la atribución entre campañas, grupos de anuncios y palabras clave, nos lleva a un nivel superior de optimización, donde tendremos información accionable para, por ejemplo, modificar pujas de CPC máximo, pausar grupos de anuncios, variar el presupuesto de las campañas u optimizar los diferentes ajustes de puja por ubicación y dispositivo.