Más allá de la lógica binaria: por qué «Sí/No» ya no funciona

Durante años, la búsqueda de audiencias similares (Lookalike) se basó en una lógica binaria rígida. El anunciante fijaba una condición: «Mi audiencia objetivo son quienes pasaron 30 segundos en el sitio, recorrieron el 80 % de la página y pulsaron el botón N». Quienes cumplían la condición recibían un «1» (objetivo); el resto, un «0» (no objetivo).

El problema de este enfoque es que ignora el grado de «calentamiento» de la audiencia. Un usuario que pasó 28 segundos en el sitio y estudió el producto con atención, pero no llegó a pulsar el botón, recibía el mismo «0» que un visitante casual que cerró la pestaña al segundo. Para captar ese valor oculto, las arquitecturas ML modernas pasan de la clasificación (1/0) al scoring de intenciones (Intent Scoring), evaluando a cada visitante en una escala de 0 a 100.

Arquitectura de scoring: modelo 3D del usuario

Para que el algoritmo prediga la probabilidad de conversión con alta precisión, el perfil del usuario en el sistema no es una lista plana de acciones, sino una matriz tridimensional (espacio vectorial de features):

• 1. Vector de contexto (¿Dónde y cómo?)
  Aquí entran datos técnicos y geo agregados: zona horaria, tipo de dispositivo, categoría de navegador y fuente de llegada (orgánico, acceso directo, una campaña concreta). Forma el retrato base de la visita.
• 2. Vector histórico y función de decaimiento (Time Decay)
  El interés de una persona no es constante. Si el usuario buscó un frigorífico hace un mes, su interés actual es cero. Si fue esta mañana, es máximo. El algoritmo calcula el interés acumulado en las categorías del sitio aplicando una función matemática de decaimiento temporal: las acciones antiguas pierden peso de forma gradual, dejando paso a intenciones recientes.
• 3. Vector de comportamiento actual (microconversiones)
  Es un análisis de la dinámica: velocidad de scroll (¿lee con atención o pasa rápido?), patrones de interacción con elementos de la interfaz en los primeros segundos de la visita.

Adaptabilidad en lugar de marcos rígidos: recorte suave de anomalías

Si evaluamos al usuario de 0 a 100, surge el problema de la audiencia «sobrecalentada». Un content manager que carga productos dos horas al día cumplirá, según la estadística banal, todas las acciones objetivo con «100 puntos», pero para la publicidad es inútil.

Históricamente, los sistemas lo resolvían con un filtro duro: «si está más de una hora en el sitio, es un bot o un admin». ¿Y si publicó un artículo largo e interesante y el tiempo medio en el sitio creció de forma orgánica? El filtro duro recortará a su audiencia más leal.

Fluidez y adaptabilidad: cómo ClikBy recorta las anomalías

Umbrales rígidos del tipo «si el usuario está más de 2 horas, es un bot» están irremediablemente obsoletos. Si añade un longform atractivo, el tiempo medio de visita subirá y el filtro duro recortará a su audiencia más leal. En ClikBy resolvimos el problema implantando un coeficiente de anomalía adaptativo y suave (A_i).

Paso 1. Dejar las cifras absolutas en favor de los percentiles

El sistema ClikBy ya no usa límites hardcodeados (por ejemplo, «máximo 50 sesiones»). En su lugar, el algoritmo analiza de continuo la distribución de datos de los últimos 3–7 días y determina automáticamente:

• La mediana (la norma) — el comportamiento estándar actual de la audiencia en ese sitio concreto.
• Percentil 95 (P₉₅) — el límite por encima del cual están solo el 5 % de los usuarios más activos («sobrecalentados»).
• Percentil 99 (P₉₉) — la zona de valores extremos, donde viven content managers, parsers y pestañas dejadas abiertas por la noche.

Si el comportamiento de los usuarios cambia, las métricas P₉₅ и P₉₉ se desplazan solas. La plataforma se adapta a la «nueva norma» del sitio sin intervención manual.

Paso 2. Función de penalización suave (sigmoide de decaimiento)

En lugar de un «escalón» brusco de corte, usamos una curva logística invertida. Mientras el comportamiento del usuario está dentro de P₉₅, su multiplicador A_i = 1 (sin penalización). En cuanto cruza el límite de anomalía, el coeficiente empieza a плавно tender a cero según la fórmula:

Cómo funciona en la práctica (scoring final)

Supongamos que las reglas de una tienda online asignaron al usuario 80 puntos brutos de interés (RawScore). Veamos cómo responde el paradigma 3D de ClikBy en distintas situaciones:

Champion-Challenger: batalla de algoritmos por el ROI

En el marketing industrial, usar un solo modelo, por inteligente que sea, suele llevar al estancamiento. Para mejorar de continuo la calidad del tráfico comprado se aplica una arquitectura de A/B testing de modelos (Champion-Challenger).

¿Cómo funciona en la práctica? Система параллельно рассчитывает скоринг двумя разными алгоритмическими пайплайнами. Алгоритм «А» может делать ставку на глубокую историю визитов, а экспериментальный алгоритм «Б» — придавать больший вес микро-поведению в текущей сессии.

Los usuarios en los que los modelos coinciden van a la campaña base. Los segmentos en los que discrepan se parten (estrictamente por identificadores hasheados) y se envían a campañas distintas para competir. Comparando el coste final del lead (CPA) y la puntuación media de interés del tráfico atraído al sitio, el marketer puede demostrar matemáticamente qué algoritmo funciona mejor para ese negocio.

«Toda esta matemática predictiva profunda sería imposible sin un concepto estricto de Privacy by Design. En nuestro sistema no hay nombres, direcciones IP ni cookies en bruto. Trabajamos solo con hashes irreversibles y vectores de comportamiento. El sistema sabe que "El vector X completará una compra con un 85 % de probabilidad", pero no sabe quién hay detrás de ese vector. Así logramos una precisión sin precedentes en las audiencias Lookalike, permaneciendo dentro de los marcos absolutos y estrictos de GDPR y CCPA».

Solicitar una auditoría de sus audiencias Lookalike actuales