Competition-Aware CPC Forecasting with Near-Market Coverage

Este artículo presenta un modelo de pronóstico de CPC que mejora la estabilidad y precisión a medio y largo plazo al incorporar señales de competencia latente derivadas de la semántica de las palabras clave, las trayectorias de comportamiento y la estructura geográfica del mercado, utilizando datos de subastas de Google Ads en el sector de alquiler de coches.

Lo esencial

Imagina que gestionar una campaña de publicidad en internet es como jugar al póker en una mesa con sillas vacías.

Tú ves tus propias cartas (cuánto gastas, cuántas veces te hacen clic) y sabes cuánto te costó la última mano. Pero no ves las cartas de tus rivales, ni sabes cuánto están dispuestos a pagar ellos, ni si tienen un presupuesto infinito o si acaban de salir de la mesa. Solo ves el resultado final: el precio que pagaste por tu turno.

Este es el problema que resuelve el artículo que me has pasado. Vamos a desglosarlo con analogías sencillas.

1. El Problema: El "Efecto Espejo" Roto

En la publicidad de pago (como Google Ads), el precio por clic (CPC) no es fijo. Es el resultado de una subasta en tiempo real.

• La realidad: Los precios suben y bajan locamente dependiendo de cuántos competidores hay, qué tan agresivos son y qué buscan los usuarios.
• El problema: Como anunciante, solo ves tu propio historial. Es como intentar predecir el clima mirando solo tu propio termómetro, sin ver el cielo, el viento ni los barómetros de los vecinos. Si solo miras tu pasado (tu historial de precios), te equivocas mucho cuando el "clima" (la competencia) cambia de golpe.

2. La Solución: Los "Detectives de Competencia"

Los autores dicen: "Si no podemos ver directamente a los rivales, busquemos pistas indirectas". Imagina que eres un detective y usas tres tipos de pistas para adivinar qué están haciendo los demás:

• Pista 1: El "Vecindario Semántico" (Lo que dicen las palabras)

  • Analogía: Si alguien busca "alquiler de coches en Madrid" y otro busca "furgonetas para vacaciones en la capital", aunque las palabras sean distintas, están buscando lo mismo.
  • La técnica: Usan inteligencia artificial para agrupar palabras que significan lo mismo. Si el precio sube para una palabra, es probable que suba para sus "primos semánticos". Es como saber que si sube el precio de las manzanas, probablemente subirá el de las peras.

• Pista 2: El "Baile de los Precios" (Comportamiento)

  • Analogía: Imagina que dos palabras no se parecen en absoluto, pero sus precios suben y bajan exactamente al mismo ritmo (como dos bailarines sincronizados).
  • La técnica: Usan una herramienta matemática llamada "DTW" para ver si dos palabras "bailan" juntas en el tiempo. Si lo hacen, significa que están sufriendo los mismos golpes del mercado, aunque no sepan por qué.

• Pista 3: El "Mapa de la Ciudad" (Geografía)

  • Analogía: El alquiler de coches en un aeropuerto es muy diferente al de un pueblo pequeño. La competencia es feroz en el aeropuerto y tranquila en el pueblo.
  • La técnica: Agrupan las palabras por ubicación (país, ciudad). Si sabes que en "Madrid" hay mucha competencia, puedes predecir mejor los precios de las palabras relacionadas con Madrid, incluso si no has visto a todos los rivales.

3. La Magia: Dos Formas de Usar las Pistas

Una vez que tienen estas pistas, las usan de dos maneras para predecir el futuro:

1. Como "Noticias Externas": Le dicen al modelo de predicción: "Oye, mira que en Madrid hay mucha gente buscando coches y los precios de las palabras similares están subiendo". El modelo usa esta información extra para ajustar su predicción.
2. Como un "Mapa de Conexiones": Crean un mapa donde las palabras están conectadas por hilos (como una red social). Si un nodo (palabra) se mueve, el modelo sabe que sus vecinos conectados también podrían moverse. Es como un sistema de alerta temprana en una red de sensores.

4. ¿Qué Descubrieron? (Los Resultados)

Probando esto con millones de datos reales de alquiler de coches, descubrieron tres cosas importantes:

• A corto plazo (1 semana): El modelo que usa el mapa de conexiones (redes neuronales gráficas) es el mejor. Es como tener un radar que detecta los movimientos inmediatos de los rivales.
• A medio y largo plazo (6-12 semanas): El modelo que usa las pistas externas (especialmente la geografía) es el ganador. Saber dónde estás (en un aeropuerto o en un pueblo) te da una ventaja enorme para planificar el futuro, más que solo mirar los números pasados.
• El secreto está en la selección: No sirve de nada tirar todas las pistas a la vez. Si mezclas todo sin filtro, el modelo se confunde. Hay que elegir las pistas correctas para cada momento. Es como cocinar: no pones todos los ingredientes del armario en la sopa, sino solo los que combinan bien.

5. ¿Por qué importa esto?

Imagina que eres el jefe de marketing. Tienes un presupuesto limitado.

• Si tus predicciones son malas, gastarás demasiado en palabras muy caras y volátiles (donde hay mucha competencia) y te quedarás sin dinero para lo importante.
• Este método ayuda a proteger tu dinero justo en los momentos más peligrosos (cuando los precios se disparan). No solo mejora el promedio, sino que evita los desastres más costosos.

En resumen

El artículo nos dice que, en un mundo donde no podemos ver a nuestros competidores directamente, podemos adivinar lo que hacen usando inteligencia artificial para analizar el lenguaje, los ritmos de precios y la ubicación geográfica.

Es como pasar de adivinar el futuro mirando solo tu reloj, a mirar también el tráfico, el clima y las noticias de la ciudad para saber exactamente cuándo y cuánto costará tu viaje.

Resumen técnico

Resumen Técnico: Pronóstico de CPC Consciente de la Competencia

1. El Problema: Observabilidad Parcial en Subastas de Publicidad

El artículo aborda el desafío de pronosticar el Costo por Clic (CPC) en la publicidad de búsqueda pagada (como Google Ads).

• Naturaleza del problema: El CPC no es una tarifa fija, sino un resultado endógeno de subastas en tiempo real. Depende de las pujas de los competidores, los indicadores de calidad estimados por la plataforma y las condiciones específicas de la subasta.
• Limitación clave: Los anunciantes solo observan sus propios datos históricos (CPC realizado, clics, impresiones), pero no pueden observar directamente las pujas de la competencia, sus señales de calidad ni el estado completo de la subasta. Esto crea un problema de observabilidad parcial.
• Consecuencia: Los enfoques de pronóstico puramente autorregresivos (basados solo en la historia propia del anunciante) son ineficaces, especialmente en horizontes de tiempo medio y largo, donde los cambios en los regímenes competitivos y la demanda localizada son más importantes que la inercia a corto plazo.

2. Metodología: Aproximación de la Competencia Latente

La propuesta central del artículo es aproximar la competencia latente mediante proxies observables derivados de tres fuentes de datos, y evaluarlos bajo dos rutas de representación: como covariables exógenas y como priors relacionales en redes neuronales.

A. Extracción de Proxies de Competencia:

1. Vecindarios Semánticos: Se utilizan representaciones de texto basadas en transformadores preentrenados (all-MiniLM-L6-v2) para codificar la intención del usuario. Se calcula la similitud coseno entre palabras clave para identificar competidores que, aunque léxicamente diferentes, compiten por la misma intención de búsqueda.
2. Vecindarios Conductuales (DTW): Se utiliza la Dinámica de Tiempo de Warping (DTW) para alinear las trayectorias del CPC a lo largo del tiempo. Esto identifica palabras clave que experimentan choques de demanda o reasignaciones de subastas similares, incluso si su texto no es similar.
3. Intención Geográfica: Se extraen indicadores de ubicación (continente, país, ciudad) de los textos de las palabras clave y gazetteers. Esto captura la heterogeneidad del mercado y la demanda localizada (crucial en el sector de alquiler de coches).

B. Rutas de Representación:

1. Ruta de Covariables: Los proxies se introducen como variables exógenas en modelos de series temporales, permitiendo que el modelo condicione sus predicciones en la competencia observable sin una topología gráfica explícita.
2. Ruta Relacional (GNN): Se construye un grafo semántico fijo donde los nodos son palabras clave y las aristas conectan los k vecinos semánticos más cercanos. Este grafo se utiliza en Redes Neuronales Gráficas Espaciotemporales (STGNN) para propagar información entre palabras clave competidoras.

C. Arquitectura de Modelos Evaluados:
El estudio realiza un benchmarking exhaustivo contra una amplia gama de modelos:

• Líneas base clásicas y de ML: SARIMAX, XGBoost, Random Forest, LSTM, GRU.
• Modelos Fundacionales de Series Temporales (TSFMs): Chronos-2, TimeGPT, Moirai (evaluados con y sin covariables de competencia).
• Redes Neuronales Gráficas Espaciotemporales (STGNN): DCRNN, GConvLSTM, GraphWaveNet (utilizando el grafo semántico).

3. Datos y Contexto Empírico

• Fuente: Registros de subastas de Google Ads del sector de alquiler de coches en Europa (2021–2023).
• Escala: ~1.66 mil millones de registros brutos, filtrados a un panel de 1,811 palabras clave observadas durante 127 semanas.
• Características: El sector es ideal por su alta concentración de competidores, transparencia de precios y estacionalidad marcada. Los datos muestran una distribución de cola pesada (Pareto), donde unas pocas palabras clave generan la mayor parte del volumen y volatilidad.

4. Resultados Clave

Los experimentos se evaluaron en horizontes de 1, 6 y 12 semanas utilizando sMAPE (Error Porcentual Absoluto Simétrico) y RMSE.

• Superioridad de los Proxies de Competencia: Todos los enfoques "conscientes de la competencia" superaron sistemáticamente a las líneas base autorregresivas y no gráficas.
• Rendimiento por Horizonte:
  • Corto plazo (1 semana): Los modelos STGNN (GNNs) fueron los mejores, capturando dinámicas inmediatas a través de la propagación de información en el grafo.
  • Medio y Largo plazo (6 y 12 semanas): Los Modelos Fundacionales (TSFMs) aumentados con covariables (especialmente Chronos-2 con intención geográfica) dominaron, logrando el mejor rendimiento global (sMAPE de ~27.14% frente a ~35% de las líneas base).
• Análisis del "Frente Competitivo":
  • La mayor mejora no se dio en el error promedio, sino en las palabras clave de alto CPC y alta volatilidad (el cuadrante superior derecho del análisis de frontera).
  • Estas son las palabras clave más críticas para el presupuesto; mejorar su pronóstico reduce significativamente el riesgo operativo.
• Selección de Características vs. Acumulación: La acumulación indiscriminada de todas las características disponibles fue perjudicial debido al ruido. La selección selectiva de proxies (ej. combinar geografía con CPC semántico de vecinos) fue superior.

5. Contribuciones Principales

1. Reencuadre del Problema: Define el pronóstico de CPC como un problema de observabilidad parcial de la competencia, proponiendo que la estructura latente del mercado puede aproximarse mediante proxies observables.
2. Operacionalización a Escala Industrial: Construye y evalúa proxies semánticos, conductuales y geográficos en un entorno real masivo, integrándolos tanto en modelos fundacionales como en GNNs.
3. Evidencia de Valor Operativo: Demuestra que la mejora en el pronóstico es dependiente del horizonte y del régimen de mercado. La estructura geográfica actúa como un prior estabilizador fuerte, mientras que la estructura gráfica semántica es vital para capturar desbordamientos competitivos.

6. Significado e Implicaciones

• Para la Industria: Proporciona un método escalable para que los anunciantes mejoren la planificación presupuestaria y la gestión de pujas, incluso sin acceso a los datos internos de la plataforma o de los competidores.
• Para la Investigación: Cierra la brecha entre la teoría de subastas y el pronóstico de series temporales, demostrando que los modelos fundacionales modernos pueden beneficiarse enormemente de la ingeniería de características basada en la teoría de dominio (propios de la competencia) en lugar de depender solo de la potencia de los datos.
• Limitaciones: El estudio se centra en un sector vertical concentrado (alquiler de coches) y utiliza un grafo semántico fijo, lo que no captura la evolución dinámica de las relaciones entre palabras clave a lo largo del tiempo.

En conclusión, el artículo demuestra que la estructura competitiva en mercados publicitarios impulsados por subastas es parcialmente recuperable mediante señales observables, y que integrar estas señales en modelos de pronóstico es esencial para la robustez operativa, especialmente en escenarios de alta volatilidad y alto valor.