Afinidad por categoría: cómo el comportamiento de compra se convierte en una audiencia de Retail Media
La mayoría de los planes de audiencia de Retail Media comienzan con personas que ya han comprado la marca. Eso funciona para la reposición, la fidelización y la recuperación de clientes. Sin embargo, es una respuesta poco adecuada para un objetivo de crecimiento, ya que la audiencia se limita a los clientes conocidos.
La afinidad por categoría amplía la búsqueda. Estima qué tan fuertemente se relaciona el comportamiento observado de un comprador con una categoría o un conjunto de productos, y luego identifica a los no compradores cuyo comportamiento sugiere que la categoría es relevante para ellos.
La palabra clave es “estima”. La afinidad es una puntuación del modelo, no un dato concreto sobre una persona ni una prueba de que un anuncio vaya a cambiar su comportamiento. Un buen producto de afinidad deja claros sus datos de entrada, su ventana de análisis retrospectivo, sus exclusiones y su validación. Uno deficiente le pone una etiqueta familiar a una audiencia amplia y deja que el comprador asuma que es preciso.
Esta guía se enfoca en la cuestión de la propensión conductual: cómo construir, activar y probar una audiencia de afinidad por categoría. Una taxonomía regulada y una capa de mapeo de SKU proporcionan el universo de productos. La guía más amplia sobre audiencias predictivas cubre la segmentación basada en la probabilidad a través de los resultados; la afinidad por categoría es el caso de uso específico de cada categoría. Las misiones y los momentos de compra, por su parte, describen el propósito y el contexto de una visita.
Qué significa la afinidad por categoría
No existe una fórmula única estándar en la industria para la afinidad por categoría. El método que se presenta a continuación es un patrón de implementación recomendado: definir un conjunto de productos regulado, construir características de comportamiento transparentes, calificar un resultado futuro explícito y validar el resultado a lo largo del tiempo. Una puntuación de afinidad de categoría puede representar entonces la conexión relativa de un Shopper con una categoría, basada en compras, frecuencia, recencia, gasto, cambio de marca y canastas de categorías relacionadas.
Supongamos que un shopper no ha comprado un nuevo cereal proteico. Sin embargo, durante seis meses, compró repetidamente yogur griego, granola, bayas, mantequilla de nueces y bocadillos proteicos. Esas compras podrían justificar una puntuación alta para un conjunto de desayuno orientado a la salud. La puntuación no indica que comprará los cereales. Indica que su patrón es más similar al de los compradores de esa categoría que al patrón promedio de un comprador elegible.
La afinidad se puede definir en varios niveles:
- una categoría amplia, como el cuidado de mascotas;
- un conjunto de necesidades, como un desayuno rápido;
- un nivel de precio o propuesta, como el café premium;
- una relación entre categorías adyacentes, como la cerveza artesanal y los bocadillos premium;
- un modelo de entrada de marca restringido a los compradores de la categoría que no han comprado la marca anunciada.
El conjunto de productos debe estar versionado. Un modelo llamado «afinidad con la salud» es imposible de auditar si nadie puede enumerar los productos que generaron la etiqueta.
La afinidad no es retargeting, datos demográficos ni intereses declarados
El retargeting selecciona a personas que ya realizaron una acción definida. Los datos demográficos describen las características de la población. Los intereses declarados provienen de lo que las personas dicen o eligen en otro contexto. La afinidad utiliza el comportamiento observado para estimar una relación que puede extenderse más allá de la compra directa del producto anunciado.
El artículo de Amazon sobre el filtrado colaborativo de artículo a artículo describe cómo emparejar cada artículo comprado o calificado con artículos similares y combinar esas relaciones en recomendaciones (artículo de Amazon sobre el filtrado colaborativo de artículo a artículo). El modelado de afinidad por categoría opera en un nivel de decisión diferente, pero la lección subyacente es relevante: la similitud de comportamiento puede construirse a partir de las relaciones entre artículos, en lugar de a partir de similitudes demográficas.
Eso no significa que el comportamiento sea infalible. Una compra familiar puede representar a varias personas. Un regalo puede parecer una preferencia personal. Una promoción única puede distorsionar la frecuencia. Por lo tanto, el modelo debe validarse con respecto al comportamiento futuro y utilizarse con controles de privacidad.
Construya el universo de productos antes que las audiencias
La primera decisión de modelado no es el algoritmo. Es el universo de productos.
Defina:
- la categoría central o el conjunto de productos regulado;
- los compradores directos de la categoría;
- los compradores de marcas anunciadas que se incluirán o se excluirán;
- las categorías adyacentes permitidas como señales;
- productos o transacciones que se deben excluir;
- la jerarquía y la versión de mapeo;
- la población elegible.
Si se infiere «café premium» a partir de un indicador de premium inconsistente, el modelo aprenderá de los errores del catálogo. Si un retailer trasladó recientemente el café listo para tomar a otra rama de la taxonomía, una consulta basada únicamente en la categoría podría omitir compras relevantes. Por eso, el activo de afinidad depende de la taxonomía canónica y de la capa de asignación de SKU, al tiempo que sigue siendo un producto de audiencia distinto.
Elija las señales con un fundamento
Un mayor número de características no genera automáticamente una mejor audiencia. Cada señal debe tener una hipótesis.
Comportamiento directo de la categoría
La recencia, la frecuencia, el gasto, las unidades y la participación en el gasto pueden distinguir a los compradores habituales de los ocasionales. Normalice según los ciclos de compra de la categoría: el comportamiento reciente significa algo diferente en alimentos frescos que en colchones.
Cambio de marca
El cambio de marca puede evaluarse como una señal de disposición a probar nuevos productos, en lugar de asumirse como prueba de ello. Una característica de cambio de marca puede ayudar a diferenciar el compromiso con la categoría del hábito estable de marca si mejora la predicción a futuro para estos Retailers y esta categoría.
Comportamiento entre categorías
Las compras conjuntas repetidas pueden revelar necesidades complementarias. Los alimentos para bebés y los pañales, la pasta y la salsa, o el queso de alta calidad y el vino pueden formar relaciones útiles. Trate la relación como una hipótesis hasta que prediga el comportamiento futuro fuera de la muestra.
Contexto de la canasta y la ocasión
Una relación de categoría puede cambiar con cada salida de compras. Un comportamiento orientado a la salud en el desayuno de las mañanas de días laborables puede ser más útil para la toma de decisiones que la misma puntuación durante una salida de compras para una fiesta. Las capas de «misión» y «momento» deben aplicarse después de definir la afinidad base, no mezclarse en una etiqueta inexplicable.
Evidencia negativa
Las compras repetidas de una categoría sin respuesta a ofertas similares, las exclusiones dietéticas, los productos incompatibles o la pérdida reciente de clientes pueden reducir la elegibilidad. Las exclusiones pueden mejorar la precisión cuando eliminan casos demostrablemente incompatibles; cada exclusión debe evaluarse en cuanto a su valor predictivo, la pérdida de alcance y los efectos proxy injustos.
Un ejemplo de puntuación transparente
Un retailer quiere identificar a los compradores potenciales de una nueva marca de comida premium para gatos. Lo que sigue es un flujo de trabajo ilustrativo, no un punto de referencia de desempeño.
- Fije las fechas. Use las 26 semanas que terminan en la fecha de elegibilidad como ventana de observación. Defina el resultado como la compra de comida premium para gatos o de la marca de lanzamiento en una ventana posterior de ocho semanas. Mantenga todas las transacciones de la ventana de resultados fuera de la construcción de características.
- Defina la elegibilidad y la supresión. Comience con los hogares vinculados a programas de fidelidad que hayan estado activos en los últimos 90 días. Suprima a los compradores actuales de la marca de lanzamiento para una campaña de penetración y mantenga un indicador separado para otros compradores de comida para gatos de gama alta.
- Normalice las señales transparentes. Convierta la recencia de la compra de comida para gatos en un valor de cero a uno en relación con el ciclo de compra de la categoría; convierta la frecuencia de compra en un percentil entre los hogares elegibles; exprese la participación de productos premium como el gasto en comida para gatos premium dividido por el gasto total en comida para gatos; y codifique las compras adyacentes de productos para el cuidado de gatos y el cambio de marca en el mismo rango de cero a uno. Aplique penalizaciones explícitas a las canastas que contengan solo productos para perros y a la identidad de los hogares obsoleta o incierta.
- Elija el método. Para una primera versión, calcule el promedio de las señales positivas normalizadas y resta las penalizaciones documentadas. Esta es una puntuación basada en reglas, no un modelo de probabilidad entrenado. Un modelo entrenado solo podrá reemplazarlo si la validación y el monitoreo fuera del tiempo de entrenamiento muestran un beneficio operativo significativo.
- Cree bandas de puntuación. Clasifique a los no compradores elegibles en bandas cuantílicas fijas, conserve un estado incierto o no elegible y almacena los identificadores del conjunto de productos, las características y la versión de la puntuación.
- Establezca la política de activación a partir de la evidencia de la muestra de validación. En el horizonte futuro, compare las tasas de compra por categoría y marca para cada banda con la línea de base de la población elegible. Active únicamente las bandas que muestren una separación predictiva estable, una escala alcanzable suficiente y efectos de supresión aceptables. No invente un umbral universal ni denomine a la banda superior como «alta intención».
Esta secuencia permite que otro analista reproduzca el camino desde las transacciones elegibles hasta los rangos de puntuación sin tratar los mecanismos ilustrativos como resultados medidos.
Valide el modelo antes de asociarle afirmaciones de medios
Como control recomendado para el desarrollo del modelo, utilice una reserva temporal. Construya características a partir de una ventana de observación y, luego, compruebe si las bandas de puntuación más altas predicen el comportamiento objetivo preespecificado durante una ventana futura. No valide con las mismas transacciones utilizadas para crear la puntuación, y valide el patrón por separado para el Retailer, la categoría y la población de activación prevista.
Entre los diagnósticos útiles se incluyen:
- tasa de compra por categoría según banda de puntuación;
- aumento respecto a la línea de base de la población elegible;
- precisión entre los Shoppers mejor clasificados;
- cobertura y tamaño de la audiencia alcanzable;
- calibración, de modo que un aumento en la puntuación se corresponda con un aumento significativo en la probabilidad;
- estabilidad entre tiendas, regiones y temporadas;
- desempeño con Shoppers nuevos, poco frecuentes y de alto valor;
- superposición con las audiencias de compradores existentes y de retargeting.
Un modelo de afinidad puede ser eficaz para predecir compras por categoría y, aun así, resultar inadecuado como audiencia para una campaña. El grupo de mayor puntuación puede estar compuesto principalmente por personas que iban a comprar de todos modos. El aumento predictivo no es un aumento incremental.
La activación depende del objetivo de la campaña
Para la retención, los compradores directos pueden ser la audiencia correcta. Para la penetración, excluya a los compradores recientes de las marcas y llegue a los no compradores con afinidad por la categoría. Para la mejora de compra, comience con compradores de la categoría cuyas canastas y combinación de precios indiquen la propuesta relevante. Para la venta cruzada, utilice una relación claramente definida entre una categoría de origen y una categoría de destino.
El manual de estrategias de la IAB recomienda adaptar la ubicación del contenido in-store al objetivo de la campaña (Manual de estrategias de la IAB sobre medios digitales fuera del hogar (DOOH) y Retail Media). El nombre de la audiencia no es suficiente. El comprador necesita los datos de origen, la lógica, la tasa de coincidencia direccionable y el canal de medios.
La elección del canal también es importante:
- El canal offsite puede llegar a una audiencia afín antes de una sesión de compras activa.
- El canal onsite puede combinar la puntuación con la navegación o búsqueda actual.
- La publicidad in-store puede utilizar una activación a nivel de cohorte o de ubicación cuando el enlace individual y el consentimiento lo permitan.
La creatividad debe reflejar la lógica de las audiencias. Un no comprador de la categoría necesita una razón para participar. Un comprador frecuente de la categoría puede necesitar una distinción a nivel de producto. Un consumidor que cambia de marca puede responder a una demostración de diferencia en lugar de a un mensaje genérico de la categoría.
Mida la campaña por separado del modelo de audiencias
Hay dos preguntas diferentes:
- ¿La puntuación de afinidad identificó a las personas con mayor probabilidad de realizar el comportamiento objetivo?
- ¿Los medios entregados a esas audiencias generaron resultados incrementales?
La primera es una validación predictiva. La segunda requiere un diseño experimental o contrafactual creíble.
Las directrices de IAB/MRC distinguen los resultados de atribución de la medición causal y exigen un alcance claro de la audiencia y del producto (Directrices de medición de Retail Media de IAB/MRC). Siempre que sea posible, distribuya al azar a los Shoppers elegibles en grupos de tratamiento y de holdout dentro de las mismas bandas de afinidad. Esto mantiene constante la definición de las audiencias mientras se prueba el efecto de la exposición.
Informe:
- tamaño de la audiencia elegible;
- tamaño de la audiencia emparejada y accesible;
- número de participantes en el grupo de tratamiento y en el de control;
- exposición y frecuencia;
- resultados de compra por categoría y marca;
- reglas new-to-brand de la marca;
- aumento incremental con incertidumbre;
- resultados por rango de puntuación;
- lógica de supresión y superposición con otras audiencias.
Si la banda de mayor afinidad tiene una alta conversión pero una incrementalidad baja, es posible que el plan esté pagando de más para llegar a compradores inevitables. Una banda intermedia puede generar una conversión más baja, pero más clientes incrementales.
Modos comunes de fracaso
La afinidad se convierte en una audiencia de compradores por categoría con otro nombre
Si todos los Shoppers ya han comprado la categoría en cuestión, el producto puede ser útil, pero no es un modelo de expansión. Indícalo claramente.
El modelo filtra información futura
Las características creadas después de la elegibilidad de la campaña o a partir de la ventana de resultados hacen que la validación parezca más sólida de lo que es.
La etiqueta oculta señales incompatibles
Una sola audiencia de «afinidad familiar» puede mezclar patrones de compra de productos para bebés, almuerzos escolares y limpieza del hogar. Separe los casos de uso comercial.
El conjunto de productos varía
Si cambian las asignaciones de categorías, cambian el tamaño de las audiencias y las distribuciones de puntuaciones. Vincula el modelo a una taxonomía y a una versión del conjunto de productos.
La correlación se trata como persuasión
El hecho de que dos categorías coexistan no prueba que la publicidad de una genere demanda para la otra. Las investigaciones sobre canastas multicategoría también advierten que los productos pueden coexistir porque son complementarios, comparten ciclos de compra o reflejan factores domésticos no observados (estudio de canastas de compras de Marketing Science).
Lista de verificación del comprador
Pregunte a la plataforma:
- ¿Qué conjunto exacto de productos define la afinidad?
- ¿Qué ventana de observación y qué ciclo de compra se utilizan?
- ¿Se incluyen los compradores actuales de las marcas, se excluyen o se califican por separado?
- ¿Qué características determinan la puntuación?
- ¿Cómo se maneja la identidad del hogar o del Shopper?
- ¿Cómo se validó el modelo fuera del período de tiempo?
- ¿Qué línea de base se utiliza para el aumento reportado?
- ¿En qué medida se superpone la audiencia con el retargeting?
- ¿Se pueden aleatorizar el grupo de tratamiento y el grupo de control dentro de los rangos de puntuación?
- ¿De qué manera las actualizaciones de la taxonomía invalidan o actualizan el modelo?
Preguntas frecuentes
¿La afinidad con una categoría es lo mismo que la intención de compra?
No. Estima una relación de comportamiento con una categoría. La intención es más inmediata y puede que no sea observable solo a partir de transacciones históricas.
¿Puede un no comprador tener una alta afinidad con una categoría?
Sí, si el comportamiento adyacente predice con fuerza la futura entrada a la categoría. Esa predicción debe validarse en lugar de darse por sentada.
¿Una audiencia de alta afinidad es siempre la mejor opción?
No. Puede convertir bien porque contiene compradores potenciales. La incrementalidad puede ser mayor en un rango más bajo, donde hay más margen para la persuasión.
¿Cuál es el modelo de afinidad mínimo viable?
Un conjunto de productos regulado, una población elegible definida, características de recencia y frecuencia, supresión de compradores de marcas cuando sea relevante, validación basada en el tiempo y un grupo de control para la campaña.
Conclusión
La afinidad por categoría es útil cuando convierte los datos de productos y transacciones en una hipótesis de audiencia transparente y comprobable. Defina el universo de productos, explique las señales, valide con respecto al comportamiento futuro y pruebe la incrementalidad de los medios por separado. De lo contrario, la «afinidad» es solo un nombre atractivo para una audiencia que nadie puede auditar.
¿Listo para ver cómo funciona en la práctica?
Footprints AI ayuda a marcas y Retailers a medir lo que importa. Consulta nuestros casos de éxito de clientes o ponte en contacto para hablar sobre tu estrategia de Retail Media.




