Cinco tipos de targeting

Descubre los tipos de targeting más utilizados en campañas publicitarias que permiten afinar la estrategia y alcanzar los objetivos.
Actualizado: 9 de octubre de 2024

Existen distintos tipos de targeting para las campañas publicitarias. Muchas veces no lo percibimos pero detrás de un producto publicitario hay un desarrollo tecnológico. Sin embargo, comprender los matices de este funcionamiento, permite afinar la estrategia y alcanzar el efecto publicitario deseado.

En este artículo queremos resumir los cinco tipos de targeting más populares y usados dentro del sector para asegurarnos que no hayan

1. Targeting por comportamiento

También denominado, audience targeting, este tipo de targeting analiza el comportamiento de los clientes y los segmenta. Estudia todo su itinerario: cuándo, cuánto y desde dónde entra, además de qué enlaza, a qué le hace clic y qué productos tiene en el carrito de compra. Las búsquedas a través de desktop, tablet o smartphone también son monitorizadas para añadir etiquetas, ubicación o compras en tienda.

La audiencia con comportamientos similares se segmenta en distintos grupos, lo que permite a los anunciantes dirigirse a ellos con anuncios y contenidos específicos y relevantes basándose en su historial de navegación y compras. Un claro ejemplo de targeting por comportamiento es el retargeting.

Image source: Boomtrain.com
Image source: Boomtrain.com

2. Targeting contextual

El tema, el contexto, la relación entre lo que se ofrece y lo que se está buscando. Por ejemplo, si vendes viajes, seguramente encaje mejor un anuncio de maletas que uno de aceite de oliva. Esta segmentación es algo así como la versión digital de colocar un anuncio impreso en una revista nicho, pues es probable que alguien que esté interesado en un tema concreto, también le atraigan productos relacionados.

Aquí puedes encontrar más en detalle sobre la diferencia entre el targeting por comportamiento y el targeting por contexto.

Contextual Targeting Example

3. Search Retargeting

El retargeting de búsqueda se produce cuando se muestran anuncios según el comportamiento de búsqueda por palabra clave. Los tags y las keywords sirven para marcar la dirección a seguir por esos anuncios que irán apareciendo mientras se navega por el sitio web.

Gracias a este tipo de targeting se da respuesta a aquellos compradores que buscan por producto. Es posible que se desconozcan las marcas más relevantes, pero gracias al retargeting de búsqueda basado en una palabra clave como “alquiler de furgoneta”, el usuario llegará al concesionario adecuado donde convertir.

Search retargeting example
Image source: SearchEngineLand

 

4. Retargeting de marca

En ocasiones, los compradores conocen sobradamente la marca. Acceden a la web y buscan pero por diferentes motivos no convierten la compra. De hecho, no sólo abandonan el carrito de la compra, sino que también intentan explorar a la competencia.

Se diferencia del retargeting de búsqueda por dos aspectos importantes: no está basado en palabras clave y cuenta con un reconocimiento de marca previo, pues se dirige a personas que ya están familiarizadas con la marca o que al menos han visitado su web alguna vez y mostraron interés. Debido a este reconocimiento de marca, el retorno de la inversión suele ser bastante alto porque la estrategia está enfocada casi en exclusiva a la conversión.

Static vs. Dynamic Retargeting

5. Targeting predictivo

Aquí la inteligencia artificial y el machine learning cobran un papel fundamental. Este tipo de targeting analiza el comportamiento en la web, los datos de terceros (si están disponibles) y aplica una tecnología muy potente para analizar los datos y predecir patrones de compra futuros basados en comportamientos de compra previos. Ahí es donde aparece la inteligencia artificial y el machine learning para impulsar la focalización predictiva y conectar comportamientos, identificar productos similares y relacionados para aumentar la venta y realizar ventas cruzadas, concentrándose en aquellos con más posibilidades de conversión. Cuantos más datos sean analizados, mayor aprendizaje y mejor desarrollo de sus modelos.