○ planned · proyecto
Otorga nivel a: Principal Component Analysis · Correlation Analysis
Usa: Principal Component Analysis · Correlation Analysis · Image Classification · 4C) · Singular Value Decomposition
Charla de un actuario con ~9 años en la industria publicitaria sobre cómo cuantificar la creatividad: convertir imágenes en datos mediante label detection con IA y conectar los objetos detectados con las métricas digitales usando análisis de correlación canónica (CCA). El objetivo final es traducir el modelo a un “dime qué hacer” (simulador) para el creativo.
Hallazgos clave
- El creativo es el rol que queda sin datos: los Marketing Mix Models optimizan presupuesto y los Multi-Touch Attribution optimizan medios, pero ninguno explica por qué una pieza funciona; evaluar cada componente por encuesta es inviable.
- PCA “mete todo a la licuadora” (mezcla métricas y objetos), mientras que CCA respeta la relación de causa —los objetos causan las métricas— separando los dos bloques y mapeando la correlación entre grupos.
- El engagement rate es una métrica engañosa; se sustituyó por métricas probabilísticas multivariadas integradas en un score resecalado, lo que permitió descubrir patrones creativos que antes las marcas no veían.
- Los datos se organizan en cuatro bloques (objetos, reach, likes, y comments+shares juntos) y se seleccionan 34 variables canónicas mediante pruebas de hipótesis; el resultado se traduce en combinaciones de objetos que maximizan reach/likes/comments/shares vía un simulador.
Módulos
- La industria publicitaria — Roles (marketing manager, estratega, media planner, creativo) y qué información usa cada uno.
- Medición tradicional — Marketing Mix Modeling, Multi-Touch Attribution y DCO, con sus límites para la creatividad.
- Creatividad convertida en datos — Label detection con IA: objetos, probabilidades y salida JSON; la historia de cuantificar la creatividad.
- Reducción de dimensión — Componentes principales: coeficientes, autovalores e interpretación (el índice de marginación como ejemplo).
- Análisis de correlación canónica — Dos bloques de variables, variables canónicas y selección del número óptimo por prueba de hipótesis.
- Del modelo al “dime qué hacer” — Simulador (Excel/Solver) para combinar objetos y optimizar la estrategia creativa.
Fuente: https://www.youtube.com/watch?v=hO1VGfQ_SCY · Transcript local: data/cursos/datapub-publicidad-ia-correlacion-canonica/publicidad-ia-correlacion-canonica.srt
Enlaces
Otorga nivel a: Principal Component Analysis · Correlation Analysis Usa: Principal Component Analysis · Correlation Analysis · Image Classification · 4C) · Singular Value Decomposition