Aquí va mi frustración: he visto campañas que lucían perfectas en papel fallar rotundamente, y campañas que parecían mediocres explotar. La diferencia no estaba en los números—estaba en si la IA (o yo) había predicho correctamente cómo su audiencia realmente iba a responder.
Cuando trabajas con influencers en mercados diferentes, predecir rendimiento es un juego completamente distinto. En mercados maduros como Estados Unidos, tienes datos históricos. Sabes más o menos qué esperar. Pero cuando mezclas influencers rusos y estadounidenses en la misma campaña, o intentas predecir cómo un creador ruso va a desempeñarse con audiencia estadounidense, la mayoría de las herramientas simplemente no tienen framework para eso.
He probado plataformas que uses machine learning para predecir performance. Lo que noto es que tienden a ser demasiado optimistas o demasiado conservadores—nunca en el medio. Es como si estuvieran extrapolando de datos que no aplican realmente a la situación.
Lo que necesitaría es: 1) IA que entienda diferencias de comportamiento de audiencia entre mercados. 2) Predicciones que incorporen “adjusted risk” basado en si hemos visto antes a ese creador convertir en ese mercado específico. 3) Alguna forma de calibración donde si una campaña anterior con ese influencer falló, el modelo aprenda eso.
¿Cómo están ustedes prediciendo performance? ¿Confían en los números de la IA o están haciendo adjustments manuales? ¿Qué les ha sorprendido más—predicciones que fueron demasiado altas o demasiado bajas?
Nuestra estrategia es un híbrido que probablemente no es la más elegante pero funciona. Usamos IA para hacer predicción inicial, pero siempre la ajustamos basados en: 1) Nuestro track record con ese creador específico (si lo tenemos). 2) Feedback cualitativo de nuestro equipo. 3) Comparación con creadores “similares” que sí hemos trabajado.
La parte multilingüe es donde fallamos más. Descubrimos que los modelos de predicción no transfieren bien entre mercados. Un creador que convierte excelentemente con audiencia rusa no necesariamente va a convertir con audiencia estadounidense aunque sus métricas se vean comparables.
Ahora estamos coleccionando datos de nuestras campañas para entrenar un modelo interno. Es mucho trabajo pero es la única forma de tener predicciones que realmente funcionen para nuestro caso de uso específico.
Desde mi experiencia, la predicción es imprecisa porque ignora lo que yo como creador siento sobre una marca. Las herramientas de IA ven: “tu audiencia compra ropa”, “la marca vende ropa”, “predicción: será exitoso”. Pero si yo no amo la marca, mi contenido va a sonar forzado y la campaña muere.
Las mejores campañas que he hecho fueron cuando el brand manager realmente se tomó tiempo para entender mi voz primero, no solo mis números. Eso es algo que la IA probablemente nunca va a capturar bien.
La predicción multilingüe es un problema no-resuelto en la industria. Aquí está por qué es tan difícil:
-
Diferencias comportamentales: Audiencia rusa tiene patrones de engagement completamente distintos a audiencia estadounidense. Las herramientas entrenadas principalmente en datos estadounidenses no capturan eso.
-
Falta de datos históricos: Para la mayoría de combinaciones creador-mercado, simplemente no hay datos previos. Sin eso, los modelos están literalmente adivinando.
-
Concepto de “similitud” es débil: La IA intenta encontrar creadores “similares” que sí han convertido, pero cuando el mercado es diferente, la similitud es ilusoria.
Lo que estoy implementando: un framework bayesiano que comienza con predicción conservadora (priors fuertes) y se actualiza con datos reales de campaña. Primeras campañas van a ser sorpresas. Pero después de 20-30 campañas con ese creador en ese mercado, la modelo se vuelve mucho más preciso.
El truco es aceptar que la predicción multilingüe va a ser imprecisa al inicio. La pregunta es: ¿tu proceso de optimización durante la campaña es lo suficientemente bueno para ajustarse cuando las predicciones iniciales fallan?