Uso de audiencias similares para invertir el embudo de marketing y generar clientes potenciales de calidad

0
22

Como especialistas en marketing, nos acostumbramos a dejar que las plataformas de redes sociales (y Facebook en particular, también conocido como Meta) hagan el trabajo por nosotros.

Permitimos que estas plataformas sigan el viaje del cliente desde nuestros anuncios hasta la conversión. Los dejamos mirar. Les dejamos aprender y dejamos que el algoritmo optimice y se dirija a la audiencia adecuada.

El algoritmo hizo todo. Fue cómodo y fácil.

Al principio, Facebook solía compartir esa información con nosotros y podíamos aprender al mismo tiempo que aprendía el algoritmo. Solíamos poder analizar nuestra audiencia, nuestros seguidores, qué les gustaba, qué edad tenían, qué género, estado civil, qué otros sitios web visitaban y qué otras páginas seguían. Sabíamos tanto como el algoritmo.

Pero entonces esa información ya no estaba disponible. Sin embargo, no nos importó porque el algoritmo estaba haciendo lo suyo y obtuvimos resultados sorprendentes. Así que nos pusimos cómodos, demasiado cómodos.

Avance rápido hasta abril de 2021 y el lanzamiento de iOS 14.5

El mundo para los vendedores que usan Meta implosionó un poco.

Para algunos, implosionó mucho.

A los usuarios se les tuvo que pedir permiso para ser rastreados a través de aplicaciones y sitios web y el 95 % de ellos decidió no dar dicho permiso en los EE. UU. (84 % en todo el mundo).

Desde entonces, las plataformas de redes sociales han tenido una visibilidad terrible de lo que les sucede a las personas que hacen clic en un anuncio. Una vez que dejan Meta, ¡eso es todo!

Meta ha trabajado un poco para proporcionar estimaciones. Pero en mi experiencia, cosas como las llegadas a la página de destino o incluso las atribuciones de conversión están lejos de los números reales (gracias a Google Analytics y UTM por la capacidad de seguimiento de respaldo).

La orientación basada en intereses es una de las pocas herramientas que nos quedan.

Entonces, la teoría es alimentar el embudo con prospectos fríos en la etapa de conocimiento de la marca para que fluyan a través del embudo y se conviertan sin barreras.

Hay un problema: debido a que los algoritmos todavía tienen problemas para determinar la interacción positiva de la interacción negativa y, de hecho, tienen problemas para comprender el contexto: el compromiso y el interés con una marca en particular pueden no significar que quieren que esa marca se acerque a ellos.

El marketing basado en intereses es un buen punto de partida, pero falla muchas veces.

Los investigadores analizaron la precisión de la actividad de Facebook en sus anuncios basados ​​en intereses y descubrieron que casi el 30 % de los intereses de Facebook enumerados no eran intereses reales. Eso significa que si su anuncio se basa en la lista de intereses, podría perder la marca aproximadamente el 30% del tiempo.

Este estudio es el primero de su tipo y tiene un conjunto de datos relativamente pequeño, pero al observar los comentarios y el compromiso generado en los anuncios basados ​​en intereses que he publicado, veo el mayor porcentaje de comentarios confusos e insatisfechos en este conjunto de anuncios, por lo que NC State está en algo aquí.

Si llegaste a este punto del artículo, es posible que estés reconsiderando tus opciones de vida como vendedor de redes sociales pagado.

Sin embargo, hay algo todavía muy útil en las plataformas:

Audiencias similares

Es posible que Facebook no tenga tanta información sobre sus convertidores como antes, ¡pero usted, o sus clientes, sí!

En lugar de alimentar este embudo teórico a audiencias frías, vayamos al final del embudo y encontremos personas como los convertidores.

El proceso es similar en todas las plataformas:

  • Obtenga su lista inicial de convertidores.
  • Cree una audiencia personalizada con esta lista cargándola en la plataforma de redes sociales que elija.
  • La plataforma comparará la información con lo que saben sobre cada persona en la plataforma (más comúnmente, correo electrónico o número de teléfono).
  • Se necesitan coincidencias mínimas para que esta lista sea válida y cada plataforma tiene sus propias reglas para esto.
  • Una vez que la audiencia personalizada se crea y es válida, podemos generar una audiencia similar donde le decimos a la plataforma “buscar personas con perfiles similares” a las personas en esta lista.

Al crear audiencias similares, tomamos el embudo y lo invertimos. Comenzamos desde abajo y generamos una lista de audiencias frías tan similares a nuestros convertidores actuales que casi pueden considerarse audiencias cálidas.

Ahora estamos utilizando las plataformas de redes sociales para ayudarnos a crear personas basadas en datos que sabemos que son precisos y luego nos dirigimos a ellos.

Las plataformas saben mucho sobre nuestro comportamiento dentro de la plataforma. No son perfectos, pero estas personas generadas por la plataforma son mucho más precisas que los intereses inferidos.

¿Por qué?

Debido a que no está apuntando a un interés, un elemento, eso será irrelevante el 30% del tiempo. Está apuntando a un grupo de elementos, intereses o comportamientos de plataforma. Eso reduce sustancialmente la imprecisión.

Después de hacer pruebas A/B entre audiencias basadas en intereses y audiencias similares, puedo decir que he mejorado los resultados hasta en un 40 % para algunas audiencias similares. A veces, los resultados son tan pequeños como el 15%, pero aceptaré cualquier mejora y eficiencia que pueda obtener al optimizar mis anuncios.

¿No devolvería esto demasiado control a los algoritmos?

¿Nos estamos preparando para el mismo escenario que teníamos antes de iOS 14.5 al permitir que los algoritmos ejecuten nuestros medios pagos? Si y no.

  • Estamos dando un poco de confianza a los algoritmos, pero ahora sabemos que no debemos poner todos nuestros huevos en una sola canasta. Sabemos que los intereses identificados por Facebook todavía tienen una precisión del 60-70 %, por lo que conocer el interés de su audiencia es muy válido, incluso si nos equivocamos un poco.
  • Las audiencias cambian, sus intereses cambian y deberíamos movernos con ellos. ¿Puedes decirme que tu audiencia se ve igual ahora que en 2019? Mi recomendación es utilizar audiencias similares con la mayor frecuencia posible, pero complementarlas con anuncios basados ​​en intereses y realizar continuamente pruebas A/B de su eficacia.

Considera el objetivo de tu campaña

A veces, las audiencias similares son buenas para la conversión, pero pueden no ser tan buenas para el compromiso.

En una prueba dividida A/B que realicé, la audiencia basada en intereses tuvo un costo por clic un 30 % más alto, pero la tasa de participación positiva fue el doble. Esta audiencia no estaba convirtiendo, estaba difundiendo el mensaje.

No solo necesitamos audiencias que sigan el camino del embudo hacia la conversión de manera efectiva, a veces también necesitamos audiencias que nos animen y nos ayuden a generar conciencia.

Por favor considere esto antes de usar parecidos

Una audiencia similar se basa en una lista personalizada (lista de semillas), y esta lista solo debe crearse con datos de su propiedad y permiso para usar.

Consulte las políticas de cada plataforma con respecto a las listas personalizadas para comprender esto mejor.

Mantén actualizadas tus listas y política de privacidad

Si las personas se dan de baja de sus comunicaciones, tenga un plan para actualizar sus audiencias similares.

Si la gente no quiere saber de usted, ¿por qué querría anunciarse a alguien con el mismo perfil?

Recuerde: las plataformas cambian con el tiempo, por lo que debemos evolucionar con ellas para seguir siendo relevantes y, a veces, eso significa volver a lo básico. Buena suerte por ahí.

Mire: Uso de audiencias similares para invertir el embudo de marketing y generar clientes potenciales de calidad

A continuación se muestra el video completo de mi presentación SMX Advanced.


Las opiniones expresadas en este artículo pertenecen al autor invitado y no necesariamente a Search Engine Land. Los autores del personal se enumeran aquí.


Nuevo en Search Engine Land

Sobre el Autor

Naira Pérez lleva casi 20 años en marketing. Ha trabajado con clientes de varias industrias y marcas Fortune 500. Comenzó en la publicidad de respuesta directa, creando marcas en televisión, radio e impresos antes de que lo digital existiera. En 2016, fundó SpringHill, que se especializó en el desarrollo e implementación de estrategias de marketing digital como medios pagados, diseño de campañas integradas e identificación de patrones de audiencia. En el 2021, se unió a los Portland Trail Blazers como Sr. Gerente de marketing digital para ayudar a hacer crecer su departamento de marketing digital innovador y en expansión.

LEAVE A REPLY

Please enter your comment!
Please enter your name here