Cómo el Wall Street Journal aumenta el valor de sus datos de primera mano con la IA

Con el continuo aumento de las preocupaciones y regulaciones sobre la privacidad de los consumidores, desarrollar un conjunto de datos de primera mano sólido nunca ha sido tan importante.

Sin embargo, la transición desde una estrategia que depende en gran medida de datos de terceros puede ser un proceso difícil. Los conjuntos de datos propios suelen ser menos extensos que los conjuntos de datos de terceros, lo que provoca una pérdida de señal abrupta para los equipos de marketing. Sus datos de origen pueden incluir nombres de clientes y correos electrónicos, por ejemplo, pero ¿tiene detalles sobre la afinidad de los productos?

Ahí es donde la inteligencia artificial (IA) puede ayudar a cerrar la brecha, al generar información predictiva (como la probabilidad de abandono) a partir de sus datos de primera mano. Esa información enriquece los perfiles de los clientes y aumenta el valor de su conjunto de datos propios en su conjunto.

En mParticle, hemos visto crecer significativamente la participación cuando los clientes combinan datos de primera mano con información de inteligencia artificial. En general, las empresas que aprovechan la IA para la personalización ven:

• Entre un 10 y un 20% más de participación (Boston Consulting Group)
• Ventas entre un 5 y un 10% más altas (McKinsey)

The Wall Street Journal (WSJ) es una marca que utiliza la IA predictiva para convertir su experiencia de primera mano en una importante ventaja competitiva.

Hace poco tuvimos la oportunidad de hablar con Caroline Albanese, directora de productos y capacidades de datos del WSJ, sobre cómo su equipo genera información predictiva con mParticle Cortex y la utiliza para aumentar el rendimiento publicitario.

Personalización de anuncios para una audiencia valiosa de 3,7 millones

El Wall Street Journal es una de las publicaciones de noticias más grandes y respetadas del mundo. Centrándose principalmente en las noticias financieras y empresariales, el WSJ ha creado una audiencia de líderes políticos, legisladores y ejecutivos empresariales de alto patrimonio, todos los cuales confían en el periodismo del WSJ y lo utilizan para tomar decisiones en su vida cotidiana.

Con una audiencia de alto valor y circulación promedio de más de 3,7 millones de lectores, el WSJ es un socio atractivo para los anunciantes. Como explicó Caroline, la capacidad de su equipo para usar los datos para ayudar a los anunciantes a llegar a este público es un gran diferenciador para la publicación.

Como directora de producto de productos y capacidades de datos, el trabajo de Caroline es garantizar que el conjunto de datos de sus clientes sea:

• Operacionalizado y activado de manera eficiente
• De alta calidad
• Se utiliza para ayudar a los clientes de publicidad a llegar a la audiencia adecuada

A la antigua usanza: segmentar anuncios en función de datos de terceros

Antes de pasar a una estrategia de segmentación publicitaria basada en una estrategia de datos propios, el WSJ se basaba en datos de terceros adquiridos de socios de datos. Crearon cohortes y segmentos basados en esos datos y los usaron para ayudar a los clientes a llegar a su audiencia.

Esta metodología facilitó al equipo el acceso a grandes conjuntos de datos, pero también presentó algunos desafíos:

• Calidad incierta de los datos
• Desafíos de privacidad y cumplimiento normativo

El equipo no siempre podía confiar en los datos de terceros a los que tenía acceso. Pudieron activar segmentos grandes, pero gran parte de los datos eran cuestionables. «¿Cuántas personas podrían trabajar realmente en Apple? ¿Cuántos asesores financieros hay realmente en el mundo?» Caroline se preguntó.

Sin transparencia sobre la procedencia real de los datos, estas preguntas eran difíciles de responder, lo que llevó al equipo a cuestionar la calidad de los datos de terceros de manera más amplia.

Además, a medida que aumentaban las regulaciones de privacidad y datos de los usuarios, esta falta de transparencia también se estaba convirtiendo en una posible responsabilidad. Caroline y su equipo no siempre tenían claro cómo se recopilaban los datos y si se había informado a los usuarios de que sus datos se recopilaban y podían usarse con fines publicitarios.

»Nadie conoce nuestro contenido mejor que nosotros. Nadie conoce mejor a nuestra audiencia que nosotros», pensó Caroline. «¿Podemos usar los datos patentados que recopilamos a través de todas estas otras vías para crear estos productos y segmentos, y construir esa escala con el tiempo?»

En lugar de pagar por datos genéricos y amplios de origen incierto, el equipo se propuso utilizar su propia empresa propia para crear productos publicitarios, crear segmentos de audiencia y ayudar a sus anunciantes a obtener resultados.

«Eso es lo que realmente dio inicio a nuestra estrategia de datos de primera mano», dijo Caroline, «que encajaba bien con lo que ya estaba sucediendo en la industria, con la desaparición de las normas de privacidad y las cookies, y los usuarios simplemente eran más conscientes de cómo se utilizan sus datos en línea».

Desafíos para pasar a una estrategia de datos de primera mano

Los datos de primera mano incluyen cualquier información que los clientes proporcionen directamente a su organización. Para el WSJ, esto incluye los datos demográficos y las características que los clientes proporcionan cuando se suscriben al periódico, los datos de comportamiento cuando visitan el sitio web, interactúan con el contenido, hacen clic en los anuncios, comparten artículos y más.

Ahora que las normativas sobre los datos de terceros están en primer plano, una estrategia de datos propios es crucial para las organizaciones de todos los tamaños y en todos los sectores. Sin embargo, hay algunos desafíos comunes a los que se enfrentan las marcas a la hora de desarrollar esa estrategia, recopilar datos de primera mano y activarla.

Garantizar la aceptación de la organización

Cualquier cambio estratégico requiere la aceptación de la organización, y recopilar y aprovechar los datos de primera parte para la publicidad es un grande cambio para las empresas acostumbradas a utilizar datos de terceros.

Para demostrar el éxito de una estrategia de datos de primera mano, Caroline comenzó con algo pequeño (replicando un único segmento de audiencia con altas ventas utilizando datos de primera mano) y, a partir de ahí, creció.

Recomienda preguntarse: «¿Qué es lo más pequeño que puedo construir para tener un impacto?» y luego medir minuciosamente ese impacto e informar al respecto. «Esa mentalidad de transparencia y orientada a los resultados le ayudará a atraer a más personas y, finalmente, a lograr que toda la organización participe».

Gobernanza y cumplimiento de datos

El uso de datos propios en lugar de datos de terceros le permite controlar mejor la gobernanza de los datos y el cumplimiento de las normas de privacidad de los usuarios. Eso también significa que es de su organización responsabilidad para resolver ese cumplimiento.

Caroline y su equipo trabajaron en estrecha colaboración con los equipos legales y de gobierno de datos de la empresa durante el desarrollo de la estrategia de datos para garantizar que los datos de los clientes que recopilaron cumplieran con los requisitos.

Unificación de datos en todos los sistemas

Dado que varios departamentos recopilan datos (y los almacenan en numerosos sistemas diferentes) en toda la organización, la centralización y unificación de los datos propios puede ser un desafío para muchas empresas. Por ejemplo, puede tener los detalles de los clientes almacenados en su CRM, datos de comportamiento de su sitio web y aplicación y datos transaccionales de su sistema de punto de venta. Con frecuencia, estos sistemas están desconectados y su integración requiere un importante apoyo de ingeniería.

Una estrategia de primera parte eficaz requiere unificar todos los datos en un solo lugar y resolver desafíos como la resolución de identidades para garantizar la calidad y precisión de los datos.

Segmentación eficaz con un conjunto de datos más pequeño

Como mencionamos anteriormente, los conjuntos de datos propios suelen ser más pequeños que los conjuntos de datos amplios de terceros a los que están acostumbradas las empresas. Las marcas se enfrentan ahora a una pérdida de señal abrupta a medida que pasan a una estrategia de datos propia.

Es un desafío para cualquier empresa, pero para una editorial como el WSJ, es crucial resolverlo rápidamente. Los anunciantes se asocian con el WSJ, en parte debido a la calidad de la segmentación de sus anuncios. La segmentación eficaz de los anuncios se traduce en más clics, más conversiones y un mayor ROI para los anunciantes, y la capacidad del editor para ofrecer una segmentación de anuncios de calidad depende de la calidad del conjunto de datos que lo sustenta.

Para convertir los datos de primera mano en una base viable para la segmentación de sus anuncios, el equipo necesitaba una forma de hacer que los perfiles de sus clientes fueran más completos. Es posible que conozcan la información de contacto del lector, el país de residencia y los artículos leídos recientemente, por ejemplo, pero no tengan un punto de datos sobre los intereses del lector por los productos o su afinidad por los artículos de lujo.

Ahí es donde entra en juego la IA, que genera predicciones basadas en datos de primera mano que es están disponibles y ayudan a cubrir esos vacíos en el perfil del cliente, lo que permite una segmentación de anuncios más informada y eficaz.

Uso de la IA para convertir los datos de primera mano en una mejor segmentación y resultados para los anunciantes

Con la privacidad del usuario y el cumplimiento como una prioridad, Caroline y su equipo trabajaron junto con los equipos legales y de gobierno de datos del WSJ para garantizar la higiene, la precisión y el cumplimiento normativo de los datos.

Todos los datos de clientes generados por el Wall Street Journal (en todos los departamentos) se encuentran en un conjunto de datos centralizado y unificado. A partir de ahí, la empresa aprovechó mParticle Cortex, el motor de inteligencia artificial predictiva de mParticle, para crear segmentos de audiencia y cohortes predictivos para las campañas publicitarias.

Con los segmentos basados en inteligencia artificial, el WSJ puede crear segmentos de anuncios más eficaces utilizando únicamente datos propios, a escala, optimizados para el CTR y las conversiones, y adaptables en tiempo real.

Caso de uso: el cliente trabaja con WSJ para llegar a una audiencia de asesores financieros

Es posible que un anunciante quiera dirigirse a cualquier persona con el título de «asesor financiero». No es una característica difícil de captar, pero la audiencia tiene una escala intrínsecamente limitada. Además, la suposición de que es probable que las personas con ese título compren el producto del anunciante es básicamente una estimación aproximada.

Con Cortex, Caroline y su equipo pueden identificar a los usuarios que probablemente sean asesores financieros y personas cuyo comportamiento sugiere que es probable que se conviertan en asesores financieros o compartan intereses similares con ellas.

Esto permite al WSJ ampliar la segmentación para sus anunciantes y, al mismo tiempo, aumentar los CTR y las conversiones. Caroline describe: «Quieres personas que trabajen o ocupen puestos muy altos en la industria financiera, pero no es necesario que solamente golpee a esas personas; también puede golpear a personas que tienen muchas probabilidades de ser como ellos o que tienen intereses muy similares».

Como explicó Caroline, obtienen conversiones, CTR y compromiso mucho más altos con la segmentación de la IA basada en datos de primera mano. Porque, al final del día, los anunciantes quieren personas que estén interesadas en su producto. El título de «asesor financiero» es solo un indicador de ese grupo. Con Cortex, el equipo del WSJ puede identificar a las personas que probablemente estén interesadas en el producto del anunciante en función de su comportamiento real en tiempo real.

Para una empresa de medios como el WSJ, esa es una enorme ventaja competitiva porque les ayuda a competir por el dinero destinado a la publicidad y, al mismo tiempo, a generar mejores resultados para sus socios publicitarios.

La estrategia de datos propia de la empresa, que se centra en la gobernanza y el cumplimiento de los datos, es ahora un elemento diferenciador del mercado.

«Es más probable que nuestros clientes gasten con nosotros por eso», dijo Caroline. «Descubrimos que nuestros clientes confían más en nosotros y que obtenemos una rentabilidad mucho mayor para las personas que utilizan nuestros productos, utilizando nuestros datos de primera mano. Es bueno para nosotros; es bueno para nuestros clientes».