Acabamos de recibir presupuesto adicional para una campaña que corre en ambos mercados—US y russohablante—y ahora tengo que decidir cómo distribuirlo. En teoría, la IA debería ayudarte a decir “gasta X% aquí y Y% allá basándome en benchmarks y ROI histórico”. Pero la realidad es mucho más fea.
Primero, los benchmarks no son directamente comparables. Un dólar gastado con un influencer en US puede producir un ROI completamente diferente que un dólar en mercados rusohablantes. No es solo porque el mercado sea diferente, sino porque el ecosistema de influencers es diferente, el costo de un partnership es diferente, los objetivos de conversión son diferentes.
Segundo, mis datos históricos son desiguales. Tengo toneladas de campañas exitosas en US pero solo un puñado en mercados rusohablantes. Si dejo que la IA entrenada en más datos US, va a favorecer US. Si intento balancear los datasets, estoy introduciendo sesgos opuestos.
Lo que estoy haciendo ahora es usar la IA para generar escenarios, no decisiones. Mi modelo básicamente dice: “Si gastas el presupuesto así, espera este ROI; si lo gastas de esta otra forma, espera esto otro”. Pero yo y mis expertos en ambos mercados tomamos la decisión basados en otros factores: ¿dónde necesitamos crecer más? ¿Dónde tenemos menos riesgo? ¿Dónde hay influencers de más alta calidad disponibles? ¿Qué oportunidades estamos viendo en el mercado ahora?
El experto en US me dice “aquí está saturado, es difícil encontrar influencers que no estén caros”. El experto en mercados rusohablantes dice “oportunidad increíble aquí, crecimiento del mercado es fuerte”. Así que aunque los benchmarks digan “60/40 US/international”, nosotros decidimos hacer “40/60” porque es donde está la mejor oportunidad ahora.
¿Cómo están ustedes tomando estas decisiones sin que los datos los paralicen?
Eso de “generar escenarios en lugar de decisiones” es exactamente donde la IA agrega valor. Lo que nosotros hemos hecho es crear un modelo de presupuesto que genera 3-5 escenarios diferentes: uno conservador (bajo riesgo, ROI bajo pero predecible), uno agresivo (alto riesgo, ROI alto pero variable), y uno balanceado. Cada escenario dice explícitamente cuáles son los assumptions, dónde está la incertidumbre, y cuál es el upside/downside.
Luego, nuestro equipo estratégico y los expertos locales eligen cuál escenario ejecutar. Eso transforma la decisión de “¿qué dice la IA?” a “¿cuál estrategia prefiero ejecutar?” Lo que hemos visto es que los clientes se sienten MUCHO más cómodos tomando riesgos cuando entienden exactamente qué riesgo están tomando.
Un consejo: tus expertos bilingües deberían ser los que definan los scenarios, no la IA. La IA los calcula, pero los expertos codifican el juicio estratégico.
Desde mi perspectiva como creadora: por favor no distribuyan presupuesto SOLO en base a datos históricos. Los mercados cambian. Tengo amigos creadores en Rusia cuyos nichos están explodiendo AHORA pero sus números históricos no reflejan eso. Si solo te basas en “este mercado produjo X ROI en el pasado”, vas a perder las oportunidades de crecimiento.
Lo que me gustaría que hicieran es hablar con creadores actuales y preguntarles qué está sucediendo ahora. Las tendencias en contenido cambian constantemente. La IA ve lo que pasó; los creadores ven lo que está pasando.
Tu enfoque de escenarios es sólido. Te recomendaría agregar un componente de “sensitivity analysis” a cada escenario: ¿cuál es el ROI si el engagement rate baja 20%? ¿Si el costo por influencer sube? ¿Si el market saturation aumenta?
Para el problema del dataset desigual, considera esto: no intentes que un modelo único prediga across markets. En su lugar, crea benchmarks separados por región pero con un mecanismo de “informed transfer”: tus expertos dicen “esta lección aprendida en US es relevante para el mercado rusohablante” y la IA la incorpora como un prior (una suposición inicial), pero permite que los datos locales la corrijan.
Finalmente, implementa un feedback loop sistemático: después de ejecutar la campaña, mide qué tan bien tus escenarios predijeron la realidad. Ese feedback es oro para mejorar tus modelos. ¿Están capturando ese data de performance real para validar tus escenarios?