Uso de modelos de deep learning en la estimación de probabilidades de conversión y contribución de los canales de comunicación en campañas publicitarias

Abstract

En este trabajo de investigación, se muestran modelos de deep learning para estimar la probabilidad de conversión y la contribución de los canales de comunicación en campañas publicitarias. La relevancia de este tipo de metodologías surge como respuesta a la necesidad de optimizar los recursos en el diseño de campañas publicitarias, ante el crecimiento en la variedad de medios por los que consumidores interactúan con la publicidad. Basado en el modelo propuesto en li et al. (2018), se implementaron modelos secuenciales de redes neuronales, específicamente Long Short-Term Memory (LSTM). Este modelo, además de permitir estimar la probabilidad de conversión de los potenciales clientes que mantienen contacto con una campaña publicitaria, incorpora un mecanismo de atención. Dichos mecanismos de atención permiten estimar la relevancia que tienen los canales de comunicación en la decisión de conversión. Por otra parte, se realizó la incorporar una estructura de Encoder-Decoder a la estructura original del modelo antes descrito. Ambos modelos secuenciales mostraron un poder predictivo similar, sin embargo, de acuerdo al Precision-Recall Auc, el modelo original con redes LSTM fue mejor. Además, los resultados demostraron que canales con mayor número de interacciones, como Facebook y Paid Search, no siempre son los más influyentes en la conversión final. En contraste, los modelos secuenciales mostraron que Instagram y Online Display fueron identificados como los canales con mayor impacto en la toma de decisiones de los consumidores. Finalmente, si bien, la incorporación del Encoder-Decoder no mostró cambios relevantes en la relevancia de los canales de comunicación; si presentó una mejora relevante en los tiempos de ejecución.