Por Mike Peralta
Vicepresidente y gerente general de T-Mobile Advertising Solutions

Los marketers que han pasado más de una década tratando de dar vida a estrategias omnicanal se enfrentan a duras realidades a medida que nos acercamos al último trimestre de 2023. Por un lado, las políticas de plataforma en evolución y las regulaciones de privacidad están cambiando los enfoques y las fuentes de datos establecidos. Al mismo tiempo, el surgimiento y la maduración de nuevos canales y oportunidades publicitarias siguen exigiendo más a los profesionales del marketing y a los planificadores de medios.

El marketing omnicanal eficaz y eficiente todavía es posible, pero hacer simples ajustes a estrategias obsoletas basadas en cookies construidas sobre una combinación de canales obsoleta no llevará a las marcas y las agencias a donde necesitan estar. Hoy en día, es necesario construir desde cero un sólido enfoque de marketing omnicanal basado en algunas realidades nuevas, incluido el uso de datos que cumplan con la privacidad, los modelos predictivos, el aprendizaje automático y los canales de rápido crecimiento como la televisión conectada (CTV) y la publicidad de viajes compartidos.

Una lente que da prioridad a los dispositivos móviles para lograr el éxito basado en datos

En los Estados Unidos, el consumo de medios móviles continúa desplazando el tiempo dedicado a los medios en los canales tradicionales. En 2023, el número de adultos estadounidenses que utiliza teléfonos móviles aumentará a 253,3 millones, y esos usuarios pasarán la mayor parte del tiempo de sus dispositivos móviles con experiencias dentro de las aplicaciones: un promedio de 3 horas y 28 minutos al día este año.

Dada la naturaleza personal de los dispositivos móviles y cómo dominan el tiempo que los consumidores pasan con los medios, los dispositivos móviles representan la base natural sobre la cual construir una estrategia de marketing omnicanal verdaderamente basada en datos. Sin embargo, a medida que los ID de publicidad móvil (MAID) desaparecen del panorama, los marketers necesitan una nueva estrategia para comprender a los consumidores a través de una lente móvil.

Por ejemplo, T-Mobile Mobility Data ofrece a los marketers una visión integral de qué aplicaciones las personas eligen descargar y durante cuánto tiempo interactúan con esas aplicaciones (o si lo hacen), todo desde un panel grande, sólido y representativo.

Los datos de participación y propiedad de aplicaciones (es decir, datos de movilidad de T-Mobile) también representan un indicador más sólido de la intención del consumidor que la actividad de navegación web estándar, ya que las aplicaciones que las personas tienen en sus dispositivos, cómo las usan y durante cuánto tiempo son la representación más clara de sus intereses y comportamientos. Estos ricos conjuntos de datos también se pueden segmentar en personas de comportamiento para permitir a los marketers dirigirse a audiencias en función de sus intereses, uso e intención.

La calidad y la riqueza de esos datos significa que los grupos objetivo pueden ser muy específicos y las tácticas utilizadas para llegar a ellos pueden seguir su ejemplo. T-Mobile Mobility Data también cumple con las normas de privacidad, ya que no incluye información confidencial y los consumidores pueden optar por no usar sus datos.

Modelado predictivo, aprendizaje automático y escala

La pérdida de direccionabilidad a través de cookies y MAID de terceros continúa alterando las tácticas publicitarias tradicionales. Sin embargo, los avances en el aprendizaje automático y el modelado predictivo están interviniendo para preservar la capacidad de personalizar mensajes para audiencias específicas con precisión, a escala y sin necesidad de identificadores.

El modelado predictivo que utiliza T-Mobile Mobility Data aprovecha un conjunto de datos de usuarios autorizados para identificar patrones y predecir características y comportamientos de la audiencia, lo que lo convierte en un camino compatible con la privacidad hacia una verdadera direccionabilidad.

El aprendizaje automático y el modelado predictivo son componentes esenciales del marketing omnicanal moderno. Pero no todas las soluciones de audiencia son iguales, ya que la mayoría no recibe suficientes datos iniciales que sean representativos de la población general de los Estados Unidos. Una vez más, las fuentes de datos móviles se destacan del resto. Los datos de movilidad de T-Mobile, en particular, se pueden transformar mediante modelos predictivos y aprendizaje automático en ejecuciones publicitarias altamente específicas a una escala que pocas otras plataformas, si es que hay alguna, pueden ofrecer.

Los puentes del canal correcto

Si bien el marketing omnicanal eficaz comienza con una lente móvil, la oportunidad de construir puentes hacia otros canales basándose en información móvil es ilimitada. Hoy en día, un marketing omnicanal eficaz requiere extensiones estratégicas a los numerosos lugares en los que los consumidores pasan su tiempo en los medios, no sólo en las aplicaciones y otros canales establecidos, sino también en espacios de rápido crecimiento como CTV, publicidad digital fuera del hogar (DOOH) y publicidad de viajes compartidos.

T-Mobile Mobility Data y los conocimientos sobre comportamiento y consumo de medios que desbloquea pueden proporcionar el puente hacia oportunidades de publicidad omnicanal dirigida. Los marketers pueden aprovechar la información móvil para llegar a las audiencias más relevantes para sus marcas en todas las pantallas. Además, pueden medir la eficacia publicitaria de estas campañas digitales multicanal y aprovechar conocimientos detallados de la marca para la planificación de medios futura.

Mientras los marketers preparan sus estrategias omnicanal para 2024 y más allá, se apresuran a reunir fuentes nuevas y confiables de datos escalables y que cumplan con las normas de privacidad. Al comenzar con datos de participación móvil y ampliar la información a otros canales mediante modelos predictivos y aprendizaje automático, no se limitan a cerrar una brecha: más bien abren una nueva puerta.