9 min de leitura
O que é a Protected Audience API e como ela afeta o remarketing?
Machine learning na era digital: o futuro é agora
Machine learning é uma dessas palavras da moda que muitas vezes é usada, às vezes de forma errada…
Claro, essa é uma ferramenta muito poderosa na atual era dos dados, mas o que ela realmente significa? O que ela realmente faz pelos profissionais de marketing digital e, principalmente, de marketing mobile?
Em resumo, machine learning é a aplicação da Inteligência Artificial (A.I.), que permite que um sistema adquira conhecimentos de forma autônoma. A A.I. busca simular a inteligência humana, enquanto o machine learning usa dados coletados previamente e os aplica de maneira autônoma à performance das tarefas. Ao longo do tempo, e com quantidades cada vez maiores de dados, a máquina consegue adquirir conhecimentos de tarefas passadas, melhorando a precisão da tomada de decisões e de futuras previsões.
No marketing digital, os algoritmos de machine learning podem ajudar a compreender tendências no comportamento dos usuários, para que seja possível prever quão valiosos esses usuários podem ser ao longo do tempo.
Com a introdução do iOS 14 e suas limitações de atribuição, a importância do uso de previsões que possibilitem que profissionais de marketing de aplicativos sejam igualmente eficazes aumenta significativamente.
O machine learning também desempenha um papel fundamental na segmentação de audiências, personalização, compra de mídias, otimização de criativos e automação de processos.
Neste artigo, vamos explorar o papel e o valor do machine learning no marketing digital e, mais especificamente, no marketing de aplicativos mobile, oferecendo casos de uso específicos e exemplos relevantes.
Acreditamos que esse artigo seja muito relevante, então vamos lá.
Índice
- Análises de marketing digital inteligentes, baseadas em dados
- As vantagens do machine learning no marketing digital
- Colocando o machine learning em prática
- Prevendo o comportamento do cliente
- Entendendo insights de análises preditivas
- O futuro do ML é agora
- Principais conclusões
Análises de marketing digital inteligentes, baseadas em dados
Uma das principais características do marketing digital é a coleta de dados para a otimização de campanhas.
Como todos os profissionais de marketing coletam dados e conseguem fazer alguma forma de análise, a diferença entre o seu sucesso está na capacidade de aplicar esses dados de maneira inteligente. Isso significa investir nas ferramentas certas, na infraestrutura certa e na equipe certa (principalmente em cientistas de dados), para a obtenção de insights significativos que realmente levam ao crescimento do negócio.
Mas os dados são apenas um meio para alcançar um resultado, e análises básicas, como CTRs, CTIs e CPAs não bastam. Ferramentas avançadas, como as análises preditivas e machine learning, são necessárias para elevar os dados e o processo de tomada de decisões a um outro nível.
Nesse avançado está a opotunidade de usar esses dados e aplicar técnicas de machine learning para prever tendências dos consumidores, oferecendo aos profissionais de marketing uma camada poderosa de inteligência, que permite a tomada de decisões mais inteligentes.
A união de ações passadas com previsões futuras é um dos principais motivos para que o machine learning seja um diferencial tão importante para os profissionais de marketing. Vamos falar mais sobre isso ao final do artigo.
As vantagens do machine learning no marketing digital
Existem muitas maneiras de usar o machine learning no marketing digital, para aproveitar ao máximo os seus dados:
Segmentação de usuários aprimorada
Os profissionais de marketing digital têm a capacidade de aprender sobre os seus clientes ao longo do tempo através da mensuração granular de suas atividades. Um aplicativo mobile pode ter mais de 200 métricas disponíveis para mensuração, mas um profissional de marketing típico provavelmente irá mensurar no máximo 25. Uma máquina, por outro lado, consegue ingerir todas essas informações em questão de segundos e aplicá-las aos seus esforços de marketing.
Vamos analisar um exemplo:
Um aplicativo de eCommerce tem milhares de usuários ativos por dia. Com o machine learning, um gerente de campanhas poderá prever, com base em comportamentos anteriores, quais usuários possivelmente comprarão certo item, e quando.
Pense no poder desse conhecimento. Com essa informação em mãos, o profissional de marketing poderia criar uma campanha perfeitamente desenvolvida, que alcance precisamente os usuários certos no momento certo.
Usando indicadores como compras anteriores, frequência de compras, momento do dia, demografia, progressão do funil, dentre outros, o algoritmo consegue agrupar audiências mais amplas e segmentá-las em audiências altamente granulares e mutuamente exclusivas, para um direcionamento e envio de mensagens mais eficaz e, como resultado, um melhor Retorno sobre o Gasto com Anúncios (ROAS).
Uma experiência do cliente mais personalizada
Com o aprimoramento da segmentação vem a capacidade de criar uma experiência mais personalizada.
Se você sabe onde o seu cliente está no funil, você consegue oferecer a ele o anúncio que mais se adequa ao seu estágio e preferência.
Quando os usuários estão no aplicativo, o machine learning pode usar dados como histórico de pesquisa e ações habituais e combiná-los com dados comportamentais e solicitações de pesquisa de usuários parecidos para sugerir mais produtos ou serviços.
Por exemplo, um aplicativo de roupas possivelmente saberá o gênero de um usuário (pressupondo que mulheres visualizem roupas femininas e vice-versa), as compras anteriores e o quanto eles normalmente gastam em um item. Combinando esses dados a informações como a estação e a localização, o algoritmo une todos esses fatores e sugere itens que podem ser usados em criativos de reengajamento para uma experiência mais personalizada.
Otimização de criativos
Saber a posição, cor e tamanho ideais de um CTA ou de uma imagem, dentre outras características, é algo que podemos experimentar através de testes A/B. No entanto, esse método costuma se limitar a uma única variável. O machine learning permite que os profissionais de marketing testem diversas variáveis a qualquer momento, oferecendo insights sobre qual é mais eficaz.
Por exemplo, um profissional de marketing pode ter dezenas de campanhas sendo executadas simultaneamente, todas com pelo menos 10 elementos diferentes em cada criativo. Para entendar qual combinação de elementos, por exemplo, cores, posição na página, texto, quantidade de palavras no CTA, dentre outros, é preciso uma máquina que seja capaz de analisar todas as possíveis combinações e oferecer insights sobre o que gera os melhores resultados.
Automação dos processos
O machine learning não se trata apenas da capacidade de direcionar usuários de maneira mais eficaz. Em sua essência, trata-se de aprender a realizar tarefas sem supervisão humana. Uma campanha de marketing envolve diversos processos, sendo que muitos são práticos, mundanos e repetitivos.
Ao automatizar essas tarefas, os profissionais de marketing liberam tempo para focar em problemas que exigem a intervenção humana. O resultado final é um processo mais simplificado e eficaz, com menos erros humanos e com o aumento na capacidade dos profissionais de marketing de lidar com tarefas complexas e estratégicas.
Por exemplo, gerentes de campanhas muitas vezes executam dezenas de campanhas a qualquer momento. Normalmente, eles iniciam seus dias olhando para um painel de dados e avaliam quais campanhas estão funcionando bem e quais não estão, ajustando seus esforços de marketing de acordo. Eles contam com a otimização de suas campanhas principalmente com base em sua própria experiência e intuição.
A automação obtida através de machine learning, no entanto, pode ser usada para melhorar a otimização das campanhas. Os algoritmos podem processar e analisar de maneira rápida e precisa os dados de campanha, acionando notificações quando certas tendências ou picos incomuns ocorrem. Essencialmente, esses alertas são insights a partir dos quais o gerente de campanha pode decidir parar, ajustar ou reduzir seus esforços de marketing.
Colocando o machine learning em prática
O impacto do machine learning vai muito além dessa vantagens, e de fato possui uma grande influência sobre os esforços de marketing mobile como um todo. Existem inúmeros exemplos e casos de uso, mas vamos explorar apenas alguns dos principais.
Fraude de anúncios
A fraude afetou e continuará afetando a web e o mundo dos aplicativos. Estima-se que US$1,6 bilhão foi exposto à fraude de instalação de aplicativos apenas no primeiro semestre de 2020 (a quantidade de gastos com anúncios que teria sido perdida com a fraude caso não houvesse nenhuma proteção em uso). Superar os fraudadores é um desafio sem fim.
O machine learning é uma ferramenta essencial para combater a fraude de forma eficaz, analisando as tendências comportamentais normais do usuário e usando esses insights para destacar qualquer atividade que possa se desviar dessa tendências.
Embora nenhum humano consiga comparar tendências de dados simultaneamente entre dezenas de indicadores de dispositivo, tendências de engajamento e de tempo, e identificar a anomalia, uma máquina pode fazer isso em questão de segundos.
Além disso, quanto mais amplo o conjunto de dados disponível, mais rápido a máquina consegue identificar tendências de fraude existentes e novas, conforme elas surgem. A máquina pode bloqueá-las com maior peso estatístico e confiança.
Chatbots
Oferecer um serviço superior ao cliente também é um objetivo importante para a maioria dos negócios, e no caso de proprietários de aplicativos isso não é diferente. Chatbots são programas de computador que podem engajar pessoas em conversas parecidas com a interação humana, sendo que as versões mais avançadas são impulsionadas por machine learning. Em sua forma mais básica, eles oferecem a possibilidade de atendimento ao cliente de 24 horas por dia.
Os bots mais avançados, que usam machine learning, podem ajudar os clientes a concluir compras e responder perguntas frequentes. Você pode reduzir os custos de suporte ao cliente, fazendo com que os bots encaminhem quaisquer dúvidas que o algoritmo não possa responder.
A Autodesk, uma empresa de design 3D auxiliado por computador, usou seu bot, AVA, exatamente para esse propósito. Seu bot responde a consultas simples de nível 1, como alterações de endereço, problemas de pagamento e problemas de login a qualquer hora do dia ou da noite. Seu serviço de bot melhorou o tempo de resposta em 99% e reduziu o custo por consulta de US$15-US$200 (agentes humanos de atendimento ao cliente) para US$1. O bot tem mais de 40 possibilidades de conversa que podem ser resolvidas com eficácia, enquanto todos os outros problemas são encaminhados.
Fonte: “How chatbots can help reduce customer service costs by 30%” do Blog IBM Watson
Indo um passo adiante, os profissionais de marketing digital podem aprimorar suas interações com os clientes usando dados dos chatbots, oferecendo uma experiência mais personalizada aos usuários. Por exemplo, o uso de informações geradas durante uma conversa com um chatbot para informar uma campanha de remarketing.
Preços dinâmicos
Aplicativos de viagens buscam saber se estão precificando seus produtos e serviços de acordo com as taxas do mercado. Por exemplo, um aplicativo de reservas de hotel não gostaria de definir o preço para um mesmo quarto de hotel muito acima ou abaixo de sua competição. Os preços dinâmicos usam machine learning para monitorar a web e garantir que o preço que está sendo cotado é o valor de mercado certo para aquele momento.
Além disso, esse mecanismo também pode prever quais usuários têm maior probabilidade de concluir uma compra, oferecendo descontos oportunos. Esses descontos podem ser limitados àqueles que estão perto de ser convertidos, mas ainda precisam de um incentivo extra. Assim, a redução nos preços pode ser oferecida em campanhas de marketing de forma limitada e para aqueles que, caso contrário, não seriam convertidos.
Aquisição de usuários
Fontes de mídia, com sua ampla escala de dados, podem usar machine learning em campanhas de aquisição de usuários para o marketing de aplicativos. Para os profissionais de marketing, é importante entender como os seus parceiros de mídia usam machine learning em um esforço para otimizar suas campanhas.
O Facebook desenvolveu uma ferramenta chamada Anúncios Automatizados (AAA, Automated App Ads) que usa machine learning e permite que os profissionais de marketing testem audiências de maneira rápida e eficiente. Eles podem testar palavras-chave ou criativos e analisar os resultados, descobrindo quais receberam as melhores taxas de conversão.
O produto Google App Campaigns (AC) usa machine learning para analisar centenas de sinais em tempo real, de maneira que o seu aplicativo seja exibido para o usuário que possui a maior probabilidade de conversão. O AC também usa essa tecnologia para otimizar ofertas entre as propriedades do Google. Ele faz isso usando tipos de campanha, eventos no aplicativo e valores de conversão in-app e incorporando-os a outras variáveis, como cópia, criativo, orçamento, KPIs e uma oferta.
Depois, o Google pega todas essas informações e, usando machine learning, faz testes entre as suas propriedades, inclindo a ferramenta de pesquisa, Google Play, Discover, Google Display Network, e, cada vez mais, o YouTube, exibindo os anúncios que têm melhor performance.
Ad networks, DSPs, e trocas, assim como plataformas de mediação e outros agentes de vendas, também usam machine learning em campanhas programáticas, especialmente aquelas que envolvem ofertas em tempo real.
Entendendo o comportamento do cliente
Por fim, principalmente para os profissionais de marketing de aplicativos, o machine learning é uma forma excelente de entender o comportamento do cliente. Mencionamos isso brevemente antes, mas a capacidade de prever como um cliente provavelmente se comportará com base em suas interações anteriores é uma ferramenta extremamente útil para os profissionais de marketing. Vamos explorar um pouco mais esse conceito.
Prevendo o comportamento do cliente
Os profissionais de marketing têm uma infinidade de dados disponíveis, mas nem todos são usados. No entanto, com o machine learning, eles podem usar as análises das tendências de performances do passado para fazer uma previsão certeira de tendências futuras, ou até da próxima ação de um cliente.
Hipoteticamente, uma máquina sabe, por exemplo, que quando um usuário completa um tutorial e passa três níveis de um jogo em seu primeiro dia após a instalação, ele possui maior probabilidade de comprar tokens. Esse conhecimento pode ajudar os profissionais de marketing de aplicativos a decidir antecipadamente se devem otimizar uma campanha, eliminá-la ou aumentar o gasto.
Já mencionamos que quanto mais dados a máquina possui, melhores as pressuposições que ela pode fazer. Apenas quando houver dados o suficiente e um certo nível de confiança for alcançado, essa pressuposição pode ser considerada uma previsão. É importante que a previsão seja feita no momento certo, para que o profissional de marketing possa agir sobre o insight antes que ele perca a oportunidade de gerar valor sobre ele. Com poucos dados, a pressuposição pode estar errada, e se você esperar muito talvez perca o momento ideal de fazer a otimização.
Assim, a integração estreita com dashboards ricos em dados, como eventos in-app, que melhor refletem o padrão LTV de um cliente, permitirá que um algoritmo de previsão ofereça resultados mais rápidos e precisos.
O seu parceiro de atribuição se encontra na posição ideal para oferecer esses dados e, dessa forma, ajudar a definir o quão bem a sua campanha está performando. Ter um provedor de atribuição que possui machine larning embutido em seu sistema irá aprimorar uma solução que já é inteligente.
Pense nos seus dados de atribuição como a infraestrutura para as suas campanhas de marketing. Seus dashboards de atribuição contêm grandes quantidades de dados e se adaptam cada vez mais. A capacidade de prever o que um usuário, ou um grupo de usuários, fará em seguida é uma vantagem significativa na hora de distribuir orçamentos e recursos.
Entendendo insights de análises preditivas
As análises de marketing ajudam a desconstruir os dados, destacando tendências e oferecendo insights para que os profissionais de marketing possam avaliar quais usuários são mais valiosos e quais canais são mais lucrativos.
O processo de entender os dados e gerar insights pode levar semanas, ou até meses. As análises preditivas ajudam a reduzir o período de aprendizado da campanha usando integrações existentes para oferecer uma previsão precisa do LTV da campanha.
Usando machine learning e entendendo as informações existentes a nível do usuário, as análises preditivas podem oferecer uma classificação da campanha de forma viável dentro de alguns dias após o lançamento, mostrando ao profissional de marketing quão bem-sucedida ela provavelmente será. Com essas informações, o profissional de marketing pode eliminar a campanha, otimizá-la quando necessário ou reduzi-la, oferecendo a possibilidade de tomar uma decisão rápida para pausar, ampliar ou otimizar.
O desafio da SKAdNetwork
O desafio vem com a introdução do iOS 14 e o uso da SKAdNetwork, que busca criar um ambiente mais centrado na privacidade, limitando a mensuração de dados a nível do usuário no ecossistema do iOS.
Para Android e usuários que aceitarem (opt-in) a mensuração de IDFA, a atribuição tradicional ainda estará disponível. Os dados ficam disponíveis com muito mais rapidez e de forma contínua, de modo que os profissionais de marketing podem otimizar sem necessariamente usar previsões (embora o uso de previsões seja sempre recomendado e usado por profissionais de marketing mais experientes).
No entanto, no iOS 14, a quantidade de dados é extremamente limitada. A SKAdNetwork permite apenas um postback por campanha, então há um limite não apenas sobre a quantidade de dados, mas também sobre o tempo que o profissional de marketing possui para tomar decisões sobre a probabilidade de sucesso de uma campanha.
Quando comparamos os recursos dos modelos de atribuição tradicionais ao que é possível na SKAdNetwork, percebemos a importância vital do machine learning para o marketing de aplicativos. Os algoritmos de machine learning conseguem aprender rapidamente e, o mais importante, prever quais campanhas têm maior probabilidade de obter os clientes mais valiosos.
Além do limite de um postback por campanha, existem outras limitações da SKAdNetwork, incluindo a falta de dados em tempo real, nenhum dado de ROI ou de LTV, pois esses dados mensuram principalmente instalações, e uma falta de granularidade, pois apenas dados a nível de campanha estão disponíveis (e são limitados a 100 campanhas). Além disso, há um atraso no postback de 24 horas, às vezes mais, e não há suporte para a atribuição de reengajamento.
Portanto, a verdadeira questão é: nessa realidade pós-iOS 14 e SKAdNetwork, como você pode oferecer anúncios relevantes sem saber qual ação cada usuário realiza?
É aqui que entra o machine learning, que permitirá que as ad networks continuem a oferecer valor sem precisar criar perfis de usuários invasivos.
Uma maneira de fazer isso pode ser através do uso de estimativas estatísticas e dados passados para prever ações futuras. Os profissionais de marketing também podem realizar experimentos usando parâmetros não personalizados, como os sinais contextuais mencionados anteriormente, e treinar seus modelos de machine learning sobre o que deu certo e o que não deu. Os resultados são então aplicados a campanhas futuras e são refinados à medida que mais dados são coletados.
O futuro do ML é agora
O machine learning não vai a lugar nenhum. Na realidade, as suas habilidades estão ficando cada vez mais fortes. Existe uma preocupação de que esses algoritmos assumam algumas funções que costumam ser feitas por pessoas. Pode ser o caso, mas provavelmente serão tarefas repetitivas, demoradas e mundanas que os profissionais de marketing não gostam de fazer. O outro lado disso é que esse mecanismo irá liberar recursos e tempo para serem usados em tarefas mais críticas que requerem intervenção humana de fato.
Um exemplo são os criativos. Uma máquina pode ser capaz de fazer previsões de palavras-chave, mas ela não consegue desenvolver uma ideia inovadora ou projetar os criativos que acompanham uma campanha. Existem alguns aspectos do marketing digital em que o toque humano ainda é essencial, e os criativos são um exemplo disso.
Com a introdução do iOS 14, o machine learning será uma ferramenta extremamente importante para os profissionais de marketing, que terão que demonstrar que o marketing baseado em dados ainda pode ter sucesso na era da privacidade.
Principais conclusões
Embora a aplicação do machine learning no marketing mobile esteja apenas começando, ela certamente veio para ficar. A.I. e machine learning já causaram um impacto significativo sobre as análises de marketing, e prevemos que esse é apenas o começo da jornada.
Vamos resumir o que aprendemos:
- O machine learning permite a tomada de decisões inteligentes, usando o histórico de dados para prever tendências futuras
- Existem muitos exemplos sobre como o machine learning pode ser aplicado aos esforços de marketing, incluindo:
- Segmentação de audiências
- Combate à fraude
- Gerar ótimas experiências do cliente
- Aquisição de usuários aprimorada
- A capacidade de definir preços de produtos de maneira dinâmica
- O machine learning pode nos ajudar a entender o comportamento do cliente mais rapidamente, permitindo que os profissionais de marketing prevejam tendências e ações futuras com maior rapidez e precisão.
- O machine learning será uma ferramenta essencial na era pós-iOS 14, pois a quantidade de dados e o tempo que os profissionais de marketing terão para decidir o valor de uma campanha são extremamente limitados. Assim, a capacidade de prever tendências com base nos dados disponíveis será essencial para os profissionais de marketing no futuro.
Por fim, quanto mais dados temos, mais inteligentes e precisas são as nossas previsões. Claro que ainda haverá certos aspectos do marketing mobile que as máquinas nunca serão capazes de imitar, mas quanto mais adotamos esses recursos de machine learning, mais inteligentes nos tornamos como profissionais de marketing.
