Este artículo presenta un método para mejorar la precisión de la predicción de la tasa de conversión (CVR) en la publicidad online, basado en el modelo de coste por conversión (CPA). Un reto clave reside en el problema de la retroalimentación retardada, donde las conversiones se producen solo después de un tiempo significativo desde la respuesta del usuario a un anuncio. Esto genera datos recientes incompletos y un entrenamiento del modelo sesgado. Las soluciones existentes mitigan parcialmente este problema, pero su dependencia de modelos auxiliares limita la eficiencia computacional y la adaptabilidad a los intereses cambiantes del usuario. En este artículo, proponemos un método basado en la función de influencia (IF-DFM) para el modelado de la retroalimentación retardada. IF-DFM estima la influencia de las transformaciones, tanto nuevas como retardadas, en los parámetros del modelo, lo que permite actualizaciones eficientes sin un reentrenamiento completo. Al reformular el producto vectorial hessiano inverso como un problema de optimización, logramos un buen equilibrio entre escalabilidad y eficacia. Los resultados experimentales con conjuntos de datos de referencia demuestran que IF-DFM supera a los métodos existentes en términos de precisión y adaptabilidad.
