¿Qué es el targeting publicitario basado en vectores?
El targeting basado en texto podría estar cerca de perder su posición como principal vía de segmentación publicitaria en un mercado cada vez más orientado a los agentes de inteligencia artificial. Frente a la selección de keywords o segmentos de audiencia, el targeting basado en vectores propone otra forma de definir a quién o a qué contenido dirigir una campaña: establecer un valor que represente el objetivo y fijar un radio para ampliar o acotar el alcance.
Pero ¿qué es exactamente un vector? Se trata de una secuencia numérica, similar a un conjunto de coordenadas. Mientras que la latitud y la longitud permiten situar un punto en un espacio de dos dimensiones, un vector puede incorporar miles de dimensiones. Cuantas más dimensiones contiene, más preciso puede ser el registro que representa.
La diferencia es que, en lugar de representar una ubicación física, los vectores pueden representar datos como texto, imágenes o vídeo. Una vez convertidos en vectores, estos datos pueden relacionarse entre sí en función de la proximidad de sus coordenadas y organizarse en diferentes grupos.
Es precisamente esta capacidad la que abre la puerta a utilizar los vectores como un nuevo parámetro de segmentación publicitaria, junto a fórmulas más tradicionales como las keywords o las bases de datos CRM.
¿Cómo se convierten los datos en vectores?
Para convertir un dato en un vector hay que recurrir a un proceso conocido como vector embedding. Los modelos de inteligencia artificial de empresas como Google y OpenAI pueden, por ejemplo, transformar el texto de un artículo o un vídeo en coordenadas vectoriales que después se almacenan en una base de datos de vectores.
Estas coordenadas pueden consultarse de forma similar a una base de datos tradicional y también asociarse a registros convencionales. De este modo, es posible localizar un vector utilizando parámetros habituales, sin necesidad de conocer directamente sus coordenadas.
¿La diferencia frente al targeting tradicional? Los vector embeddings permiten establecer relaciones más complejas entre los datos.
El targeting basado en keywords puede resultar demasiado limitado en determinados casos. Una lista de palabras clave negativas, por ejemplo, puede impedir que un anuncio aparezca en un artículo sobre smartphones simplemente porque contiene una palabra incluida en esa lista. En el caso de las audiencias, utilizar únicamente determinadas características también puede llevar a asociaciones demasiado simples.
Por su parte, los vector embeddings permiten ir más allá al agrupar palabras clave según su significado y no solo por los caracteres que las componen. Lo mismo ocurre con las audiencias: un perfil puede situarse cerca de otros perfiles similares y, al mismo tiempo, aparecer relacionado con grupos que no parecen tener una realación evidente.
¿Qué papel tienen los agentes de IA?
La capacidad de los vectores para representar datos en múltiples dimensiones es precisamente lo que los hace especialmente útiles para los agentes de IA. Un mismo dato puede incorporar diferentes dimensiones relacionadas con cuestiones como las mascotas, el tiempo meteorológico o el día de la semana.
Los agentes de IA ya trabajan con este tipo de información. Tecnologías como la búsqueda semántica y los transformers sobre los que se apoya la IA generativa utilizan vector embeddings.
En el ámbito publicitario, esta tecnología permitiría a un anunciante seleccionar uno o varios vectores como punto de partida de una campaña y establecer un determinado alcance para incluir los vectores más próximos, ya representen keywords, personas o contenidos.
El planteamiento recuerda al lookalike targeting, aunque con una diferencia: en lugar de buscar únicamente personas que compartan determinadas características con una audiencia conocida, los vectores permiten establecer relaciones entre diferentes tipos de datos.
También podrían utilizarse para excluir determinados parámetros, de forma similar al holdout targeting, mediante condiciones que filtren determinados grupos de dimensiones.
Y esas relaciones no tienen por qué ser estáticas. A medida que se actualizan los datos y se recalculan los embeddings, las coordenadas de los vectores pueden cambiar y acercarse o alejarse de determinados grupos. Si estos movimientos se siguen a lo largo del tiempo, pueden establecerse trayectorias que permitan anticipar la propensión de una persona a realizar una compra, dando lugar a una forma de targeting predictivo.
Para que las relaciones entre vectores funcionen, estos deben haberse creado utilizando el mismo modelo de embedding.
En este terreno también aparece LiveRamp, que desarrolló el User Context Protocol y posteriormente lo donó a IAB Tech Lab. El protocolo, rebautizado como Agentic Audiences, busca establecer un estándar para que los agentes de IA puedan intercambiar vector embeddings como señales para publicidad.
