Media Ad Exposure Scale: measuring the short-term impact of online ad exposure.

Abstract

[ES] En el contexto de la publicidad en línea, especialmente los anuncios multimedia, se ha desarrollado una herramienta llamada Multimedia Ad Exposure Scale (MMAES). Esta herramienta es un instrumento psicométrico multidimensional diseñado para medir los efectos a corto plazo de la exposición a anuncios multimedia en línea. Los aspectos que mide incluyen el compromiso del usuario, la reactividad psicológica, la conciencia y actitud hacia el anuncio, y la intención de compra. El desarrollo de esta herramienta se basó en la necesidad de entender mejor cómo los consumidores interactúan con los anuncios en línea y cómo estos anuncios pueden influir en su comportamiento. Por ejemplo, se ha encontrado que los consumidores tienen más probabilidades de recordar la información publicitaria de marcas con las que están familiarizados, y que la credibilidad y simpatía de la marca pueden influir en las actitudes hacia un anuncio y la intención de compra. Además, se ha observado que la creación de impresiones publicitarias memorables es crucial para la efectividad de la publicidad, ya que pueden influir en el comportamiento del consumidor y provocar respuestas emocionales y cognitivas positivas. Las interacciones de los consumidores con las marcas pueden mejorar las actitudes y la conciencia de la marca y tener efectos positivos en la memoria de la marca. En este contexto, MMAES se convierte en una herramienta valiosa para medir y analizar estos aspectos de la publicidad en línea. Permite a los investigadores y profesionales del marketing obtener una visión más detallada de cómo los anuncios en línea están afectando a los consumidores y cómo pueden optimizar sus estrategias de publicidad para lograr mejores resultados. Para poder validar esta herramienta se ha diseñado un código en Python que analiza los resultados obtenidos a través de la herramienta Multimedia Ad Exposure Scale (MMAES). El código realiza un análisis de los datos recopilados, calculando varias estadísticas para cada señal, como la media, la desviación estándar, la asimetría y la curtosis que se utilizan para entender mejor las respuestas de los participantes a los anuncios. Luego, el código se centra en la clasificación de los resultados utilizando un algoritmo de aprendizaje automático llamado Random Forest Classifier. Este algoritmo se utiliza para predecir si un participante estará por encima o por debajo de un cierto umbral en la escala MMAES, basándose en las estadísticas calculadas a partir de las señales recogidas. Finalmente, se visualizan los resultados del clasificador utilizando una curva ROC (Receiver Operating Characteristic). Esta curva es una forma común de visualizar el rendimiento de un clasificador binario, y el área bajo la curva (AUC) se utiliza como una medida de qué tan bien el clasificador puede distinguir entre las dos clases.