¿Cómo se personalizan los anuncios para personas de las que no sabes nada? La respuesta sincera: a nivel individual, no se puede. Pero sí puedes entender a quienes se interesan por una categoría y asignar a los usuarios nuevos a un buyer persona adecuado a partir de un puñado de señales. Ese es el núcleo de una estrategia de arranque en frío viable.
Hasta qué punto busca el sector alternativas a los datos de audiencia clásicos se ve en un reciente reportaje de Digiday: las audiencias sintéticas pasan del experimento a la planificación y la estrategia del día a día. Aveeno Body usó la investigación sintética de Vurvey para reducir el tiempo necesario para un brief estratégico de unos 30 días a tres. Goodway Group utiliza la «población sintética» de consumidores de Estados Unidos, Reino Unido y Alemania de Arima para la planificación de medios.
¿Qué es el problema del arranque en frío en publicidad?
El término procede del mundo de los sistemas de recomendación. Un sistema que aprende del comportamiento necesita comportamiento del que aprender, y un usuario nuevo todavía no tiene ninguno. Así que el sistema sirve lo promedio: los más vendidos, los mensajes genéricos, el anuncio que funciona un poco para todos y de verdad para nadie.
En publicidad, el problema se agrava. Varios navegadores bloquean por defecto las cookies de terceros, los banners de consentimiento forman parte de la vida diaria en Alemania y no todo el mundo pulsa «Aceptar todo». La salida clásica, los segmentos comprados, se ha vuelto más delicada desde el punto de vista de la protección de datos y, de todos modos, revela poco sobre por qué alguien compra. En la región DACH (Alemania, Austria y Suiza), marcada por el RGPD, «compraremos más datos» ya no es una estrategia.
Por qué más datos no resuelven el problema
La investigación sobre calidad de datos tiene una fórmula sobria para esto: los datos solo valen en la medida en que sirven para su propósito. La exactitud por sí sola no basta; los datos tienen que ser relevantes, actuales y adecuados a la pregunta concreta. En la literatura esto se conoce como «aptitud para el uso» (fitness for use).
Un segmento comprado como «mujeres de 25 a 34 años interesadas en belleza» está formulado con precisión. Para la pregunta «¿Qué haría que esta persona probara nuestro producto?», sin embargo, no vale casi nada. Describe atributos, no motivaciones. El engagement nace de la comprensión, no de las cifras.
Para el arranque en frío, eso significa que el recurso decisivo no es el historial del usuario individual, sino una imagen sólida de las motivaciones, las preocupaciones y el lenguaje de la categoría. Y esa imagen se puede construir a partir de contenido de acceso público.
¿Cómo se construyen los buyer personas a partir de contenido público?
La gente dice sorprendentemente mucho en público sobre por qué compra o por qué no: en los comentarios bajo las publicaciones de las marcas, en las reseñas de producto, en los vídeos de creadores, en los hilos de foros. Ese contenido se puede recopilar, agrupar por tema y tensión y resumir en buyer personas, con citas reales en lugar de perfiles inventados.
La diferencia con el buyer persona clásico de taller: se basa en lo que la gente dice de verdad, no en lo que un equipo supone de ella. Digiday describe un enfoque afín: para la marca Sacheu, Limitless Labs analiza miles de vídeos de TikTok e Instagram de su ecosistema de creadores para construir buyer personas.
Importante para el mercado alemán: los buyer personas de este tipo trabajan a nivel de patrones y de grupos. No necesitan un perfil de usuarios individuales para elegir un primer mensaje. La valoración jurídica de tu configuración concreta sigue correspondiendo a tu asesor de protección de datos.
¿Qué enfoques existen para el arranque en frío?
| Enfoque | Base de datos | Punto fuerte | Debilidad |
|---|---|---|---|
| Segmentos de terceros comprados | Perfiles externos, cookies | Disponibles rápidamente | Poca visión de las motivaciones; delicados desde el punto de vista de la protección de datos |
| Segmentación contextual | Entorno, momento, ubicación, dispositivo | Funciona sin datos personales | Dice poco sobre las motivaciones |
| Datos zero-party | Respuestas de cuestionarios o del onboarding | Directos y basados en el consentimiento | Solo de quienes participan; fricción en el embudo |
| Audiencias sintéticas | Modelos basados en datos de encuestas, estadísticos y de paneles | Simulación rápida de reacciones | Tendencia hacia la media; la calidad depende de los datos de entrada |
| Buyer personas a partir de contenido público | Comentarios, reseñas, contenido de creadores, anuncios de la competencia | Las motivaciones y el lenguaje reales de la categoría | Necesita señales para asignar a cada usuario |
Ningún enfoque resuelve el problema por sí solo. En la práctica, los buyer personas a partir de contenido público aportan las hipótesis, las señales contextuales la asignación y los datos first-party la confirmación.
¿Cómo se pone en práctica la personalización en arranque en frío en seis pasos?
- Recopila las conversaciones de la categoría. Comentarios, reseñas, contenido de creadores y anuncios de la competencia de los últimos meses, no solo sobre la marca, sino sobre toda la categoría.
- Construye buyer personas y tensiones. Agrupa el contenido por motivación y preocupación. Entre tres y cinco buyer personas claramente diferenciados bastan para empezar.
- Escribe una hipótesis por buyer persona. ¿Qué mensaje, qué gancho, qué oferta encaja? Desarrolla al menos una variante creativa propia para cada buyer persona.
- Define las señales de asignación. Landing page, término de búsqueda, contexto, origen de la campaña, primeros clics: decide qué señal apunta a qué buyer persona.
- Sirve con exploración. Reserva parte de la entrega para variantes que no encajan con el buyer persona supuesto. Así el sistema sigue aprendiendo en lugar de limitarse a confirmar su propia suposición.
- Devuelve los datos first-party al sistema. Cada interacción afina la asignación. Actualiza los buyer personas con regularidad, porque las conversaciones cambian.
¿Qué utilidad tienen las audiencias sintéticas para el arranque en frío?
Bastante, si conoces sus límites. En el reportaje de Digiday, incluso los implicados expresan reservas: Chad Reynolds, CEO de Vurvey, dice que los grandes modelos de lenguaje entregan la parte alta de la curva de campana, es decir, la respuesta más común. Julie Clark, de TransUnion, advierte sobre los buyer personas construidos con datos de entrada deficientes. Y Stef Hoffman, de Code & Theory, lo resume bien: los resultados informan el criterio, pero no lo sustituyen.
Aquí es justo donde el contenido público demuestra su valor. No es una simulación; es evidencia. Si un buyer persona afirma que lo que más temen las personas de tu categoría es comprar lo equivocado, deberías poder ver las publicaciones de las que sale esa afirmación. Un buyer persona que no puedes rastrear no es más que una afirmación.
Defy Monitor sigue este camino: el contenido de la audiencia se agrupa automáticamente en buyer personas y tensiones, y la planificación parte de conversaciones reales y no de datos demográficos. Es uno de los componentes de la plataforma Defy, que ofrece a las agencias independientes la misma capacidad analítica que las grandes redes han invertido mucho en construir.
¿Cómo sabes si tu estrategia de arranque en frío funciona?
Compara las variantes basadas en buyer personas con un grupo de control genérico. Las métricas más reveladoras son las cifras tempranas de los usuarios nuevos: interacción con el primer anuncio, profundidad de la primera visita, tiempo hasta la primera conversión. Si las variantes por buyer persona no van por delante, eso no es un fracaso sino una pista: o los buyer personas no están bien afinados, o las señales de asignación son demasiado débiles.
