Machine learning en campañas de publicidad: cómo trabaja el algoritmo

Cada vez que habilitás Smart Bidding en Google o activás una campaña en Meta, estás delegando decisiones al machine learning de esa plataforma. Entender cómo funciona ese algoritmo te permite trabajar con él de forma más efectiva, no solo seguir las instrucciones del panel.

Qué aprende el algoritmo

Los algoritmos de publicidad digital aprenden a predecir la probabilidad de conversión de cada usuario para cada anuncio en cada contexto. La entrada del modelo incluye: información sobre el usuario (historial de comportamiento, demographics, dispositivo), información sobre el anuncio (historial de CTR y conversión), información sobre el contexto (hora, ubicación, tipo de contenido circundante), e información sobre el bid landscape (cuánto están pujando los competidores).

La importancia de las señales de conversión

La calidad del aprendizaje depende de la calidad de las señales. Si el algoritmo aprende de señales incorrectas (un evento de conversión mal configurado que dispara al hacer click en "agregar al carrito" en lugar de al completar la compra), va a optimizar para conseguir más clicks en ese botón, no más ventas reales.

Por eso, la correcta configuración de conversiones no es un detalle técnico — es la base sobre la que descansa todo el aprendizaje del algoritmo.

Cuántos datos necesita para aprender bien

Meta necesita aproximadamente 50 eventos de conversión en 7 días para salir de la fase de aprendizaje. Google recomienda 30 conversiones por mes por campaña para Smart Bidding. Por debajo de esos umbrales, el algoritmo está "adivinando" más que aprendiendo. Las campañas con poco volumen de conversiones son fundamentalmente distintas a las que tienen señal suficiente — las estrategias de optimización también deben ser distintas.