Marketing Digital: Optimización de campañas publicitarias en tiempo real

El propósito de este proyecto es crear un sistema basado en aprendizaje por refuerzo para ajustar en tiempo real las estrategias publicitarias de una empresa en varias plataformas (Google Ads, Facebook Ads, etc.), optimizando la asignación de presupuestos para maximizar el rendimiento (como el CTR, CPA o ROI).

Metodología

• Definir el entorno: Cada plataforma publicitaria (Google, Facebook, Instagram, etc.) se modelará como un entorno donde el algoritmo toma decisiones sobre la cantidad de presupuesto a asignar.

• Acciones: Las acciones serían ajustes en las variables de la campaña, como el presupuesto diario, la orientación geográfica, los intereses del público, etc.

• Recompensas: Las recompensas serían métricas de rendimiento publicitario, como el click-through rate (CTR), costo por adquisición (CPA) o el retorno de la inversión publicitaria (ROI).

• Expliración vs. explotación: El sistema debería aprender a explorar nuevas configuraciones de campañas (nuevas audiencias, horas de publicación, etc.) mientras aprovecha las que ya se han demostrado exitosas.

• Simulaciones y datos históricos: Se pueden usar datos históricos para entrenar el modelo en primera instancia y luego probar en simulaciones o campañas reales a pequeña escala.

BBDD necesarias

• Google Ads y Facebook Ads: Acceso a las métricas de rendimiento de campañas publicitarias.

• Datos de Kaggle: Hay varios datasets relacionados con la efectividad de campañas publicitarias online.

• Public Data de plataformas de marketing: Algunas plataformas ofrecen datasets sobre campañas pasadas (CTR, CPA) para experimentación y aprendizaje.