Introdução
Introdução
O que vamos falar agora não é nenhuma novidade, mas, como somos obcecados por dados, vamos falar de novo — antes de mais nada, uma boa performance de marketing depende de mensurações precisas, e a qualidade da mensuração de um profissional de marketing é a chave para seu sucesso.
O uso de dados imprecisos pode resultar em decisões e ações equivocadas e, consequentemente, custar milhões de dólares. Por motivos que explicaremos mais adiante, os anunciantes não conseguem mais consumir dados de uma única fonte, nem extrair os dados corretos de diversos conjuntos de dados.
É impossível ter uma visão clara sobre a performance das suas campanhas quando diferentes fontes de atribuição relatam a mesma instalação e geram dados duplicados, não é mesmo?
Você não consegue mais planejar e executar uma campanha ampla e eficaz quando precisa lidar com dados restritos e um acesso extremamente limitado aos dados dos usuários, certo?
É difícil impulsionar o crescimento e o sucesso do seu negócio quando os dados de ROI estão contaminados com atividades fraudulentas e, possivelmente, foram atribuídos de forma equivocada, não?
Sabendo disso, por que você escolheria basear toda a mensuração da sua performance em dados distorcidos, duplicados, incompletos ou confusos?
O caminho para a integridade de dados começa e termina com o reconhecimento das discrepâncias. Descubra o que você ainda não sabe e seus caminhos se abrirão.
Para te ajudar a combater os dados imprecisos, falamos sobre as 6 das piores e mais comuns imprecisões de dados e explicamos detalhadamente alguns dos conceitos mais complexos da mensuração mobile — que podem ser usados por qualquer profissional de marketing.
Vamos começar.
O que você precisa saber sobre a discrepância de dados
Afinal, o que é a discrepância de dados?
Em uma definição mais geral, a discrepância é a falta de compatibilidade ou semelhança entre dois ou mais fatos.
Mais especificamente no ecossistema de anúncios mobile, as discrepâncias de dados são a falta de compatibilidade ou semelhança entre os dados mensurados — de impressões, cliques, instalações, engajamentos, conversões, eventos in-app e KPIs entre duas ou mais plataformas.
Vamos colocar essa teoria em prática usando exemplos do mundo da atribuição mobile:
MMPs e SRNs
Sabemos que o acesso a dados precisos permite que os profissionais de marketing façam as escolhas certas e impulsionem seu ROI. No entanto, considerando a ampla ocorrência de falhas, separações e atribuições equivocadas que ocorrem no ecossistema, garantir a obtenção de dados precisos é mais difícil do que parece.
Vamos analisar algumas das discrepâncias de dados mais comuns que ocorrem entre parceiros de mensuração mobile (MMPs) e algumas das maiores redes de autorrelato (SRNs) do setor, incluindo Google, Meta, Apple, Twitter e Snap.
Mas antes, um aviso: as SRNs mudam constantemente suas práticas de atribuição e mensuração. Por isso, é possível que algumas informações listadas abaixo tenha mudado mais uma vez. Sempre consulte seu MMP e certifique-se de que você está em compliance com as diretrizes mais recentes.
1 – Atribuição do último toque
Os usuários se engajam com anúncios em diversos canais de mídias. Nos casos em que a SRN é um desses canais, ela reivindicará a atribuição de uma instalação caso o usuário tenha visualizados ou clicado no anúncio da SRN antes da instalação.
Quando o Meta reivindica o crédito pela atribuição de uma instalação, por exemplo, esse dado é relatado por meio do Ads Manager, desde que ela tenha ocorrido dentro de 7 dias entre o clique e a instalação.
Dito isso, é muito provável que uma pessoa se engaje com um anúncio exibido por uma SRN e, depois, se engaje com um anúncio em outro canal de mídia antes de instalar o app.
Nesse caso, a SRN reivindicaria a atribuição pelo engajamento, mas não receberia créditos de atribuição pelo MMP – e esse é um dos principais motivos para as discrepâncias observadas por anunciantes que anunciam em diversos canais.
Lembre-se que uma SRN geralmente cobra por impressões, independente da atribuição. Mas, quando isso ocorre, o seu MMP esclarece qual foi a atribuição real, permitindo que você entenda a verdadeira performance dos seus esforços de marketing e distribua o seu orçamento de forma mais eficaz.
2 – Diferentes janelas de lookback de atribuição
Na maioria das SRNs e dos MMPs, a janela de lookback de atribuição padrão para instalações do aplicativo costuma ser de cerca de 7 dias para cliques (click-through) e 1 dia para visualizações (view-through). Em ambas as plataformas, os anunciantes conseguem reconfigurar a janela de lookback de atribuição de acordo com suas necessidades.
No entanto, se as janelas de lookback de atribuição para a SRN e o MMP forem diferentes, isso também pode gerar discrepâncias nos relatórios.
Por exemplo, vamos supor que o anunciante reconfigurou a janela de cliques do Meta Ads na AppsFlyer para 7 dias. Nesse caso, o Meta atribuirá uma instalação para a campanha no Meta e a AppsFlyer reportará uma instalação orgânica.
3 – Atribuição de eventos in-app
A maioria das SRNs atribuem eventos in-app em até 28 dias após um clique ou visualização (para usuários do Android e usuários que permitem o rastreamento no iOS). No geral, o MMP atribui à SRN eventos in-app que ocorrem ao longo de 180 dias após a instalação.
Por isso, durante a análise de campanhas em um período de mais de 28 dias, o MMP pode relatar mais eventos in-app do que a SRN. Ou seja, a discrepância ocorre nas reivindicações atribuídas e no número de LTVs e eventos in-app associados a essas campanhas.
Além disso, algumas SRNs – como o Meta – não reivindicam a atribuição de engajamentos de visualização para o remarketing, o que significa que essas visualizações serão consideradas pelas SRNs mas não pelos MMPs.
4 – Relatório de conversões de visualização
Como você provavelmente já sabe, recentemente o TikTok passou a restringir parcialmente dados a nível de dispositivo para visualizações, e o Meta também não fornece mais dados a nível do dispositivo para os anunciantes.
Enquanto todas as instalações impulsionadas pelo Meta são atribuídas com precisão do Meta para os relatórios agregados do MMP, as instalações de visualização são atribuídas a um canal de mídia “restrito” em relatórios do dispositivo.
5 – Hora do engajamento vs. hora do evento
A maioria das SRNs reportam instalações e eventos in-app de acordo com a hora do último clique ou da última visualização. Por outro lado, a maioria dos MMPs reportam esses dados de acordo com a hora da primeira abertura do aplicativo ou da conversão de um evento in-app.
6 – Diferenças de fuso horário
SRNs e MMPs podem ter diferentes configurações de fuso horário em suas plataformas, o que pode afetar os dados expostos nos relatórios. Ao comparar dados durante curtos períodos de tempo (a cada hora ou dia), lembre-se que essas discrepâncias podem ser maiores.
7 – Configurações incorretas
Às vezes, a implementação não é feita da forma correta, o que pode gerar discrepâncias inesperadas.
MMPs e lojas de aplicativos
Quais são as principais causas para as discrepâncias entre MMPs e as lojas de aplicativos?
A realidade é que existem diferenças intrínsecas nos modelos de atribuição usados por todos os players do ecossistema de atribuição mobile. Por isso, em alguns casos, a loja de aplicativos pode registrar mais instalações do que o seu MMP, ou vice-versa.
Por que o seu MMP registra menos atribuições?
1 – Definições de instalações
As lojas de aplicativos registram as instalações logo após o usuário baixar e instalar o aplicativo, mesmo que ele não abra o app. O seu MMP, por outro lado, regista novas instalações apenas após a primeira abertura do app, que ativa o seu SDK.
Assim, usuários que não abrem o aplicativo não são registrados pelo seu MMP, mesmo que eles tenham baixado e instalado o app.
2 – Data do registro da instalação
As lojas de aplicativos registram a data do download como o dia oficial de uma instalação, enquanto os MMPs registram a data da primeira abertura como o dia oficial de uma instalação.
3 – Fusos horários
Os dados das lojas de aplicativos são exibidos segundo o fuso horário do seu anunciante, que pode ser diferente do fuso horário do seu MMP.
4 – Desinstalações e reinstalações de usuários do Android dentro de determinada janela de reatribuição
Em alguns views, o Google Play pode exibir duas instalações novas para o mesmo usuário, independente do tempo decorrido desde a primeira instalação. Em outros views, ele pode exibir usuários novos, com dados que estão mais alinhados com o seu MMP.
Quanto ao seu MMP, dentro da janela de reatribuição (que segue um padrão de 3 meses) desde o momento da instalação original, o usuário não é considerado como um novo usuário quando ele faz uma reinstalação.
5 – Desinstalações e reinstalações de usuários do iOS dentro de determinada janela de reatribuição
o iTunes registra uma nova instalação cada vez que o usuário faz uma desinstalação e uma reinstalação.
Assim como no Android, o seu MMP não considera um usuário como novo quando ele faz uma reinstalação, desde que isso ocorra dentro da janela de reatribuição (que segue um padrão de 3 meses) desde o momento da instalação original.
Por que o seu MMP registra mais atribuições?
1 – Atualizar uma instalação existente em um aplicativo cuja versão não possuía o SDK do seu MMP para a versão que possui
As lojas de aplicativos consideram isso como o mesmo usuário, e não como uma nova instalação. Já o seu MMP mostra a atualização como uma instalação orgânica.
2 – Fraude de reset de device ID e de Limit Ad Tracking
Instalações fraudulentas feitas por meio de reset de device ID e Ad Tracking são muito populares, e, embora as lojas de aplicativos não considerem esse tipo de fraude como novas instalações, o seu MMP as registra como uma nova instalação em um novo dispositivo.
3 – Instalações e pré-instalações provenientes de lojas de aplicativos de terceiros no Android
O Google Play não registra essas instalações, mas o seu MMP sim.
Qual é a solução?
A solução é aprender a reconhecer essas falhas. Quando você sabe o que está procurando, você consegue antecipar onde e por que essas discrepâncias ocorrem com muito mais facilidade, permitindo que você as solucione, ajuste configurações equivocadas e compare seus dados brutos.
Mas, principalmente, é preciso certificar-se de que o seu MMP seja uma fonte confiável, permitindo que você identifique rapidamente essas discrepâncias e tome decisões com base em dados precisos.
Dados na era da privacidade – como eles afetam a mensuração da sua performance
Embora a restrição de dados não seja a mesma coisa que os dados imprecisos, a falta de conhecimento e do acesso às ferramentas certas para lidar com esse problema impossibilita que você obtenha uma visão completa sobre os seus esforços de marketing. Quando você não consegue visualizar o panorama completo, suas decisões tendem a ser menos eficientes.
Vamos avaliar as circunstâncias únicas que complicaram o acesso aos dados a nível do usuário e como você pode aliviar as consequências dessas mudanças desafiadoras:
Todo o ecossistema mobile ainda está se adaptando à nova era da privacidade após a ativação do framework de App Tracking Transparency da Apple, por isso, é fundamental que e precisão de dados e a privacidade do usuário continuem coexistindo.
Confiar 100% nos resultados dos seus esforços de marketing é absolutamente crucial – e é aqui que entra a necessidade de encontrar uma fonte confiável (uma single source of truth ou SSoT) para a sua performance de marketing. Ela permite que você otimize o seu gasto com anúncios, amplie seu negócio e ofereça uma UX aprimorada para os seus usuários, sem comprometer a sua privacidade.
Para isso, vamos falar sobre um dos maiores obstáculos que encontramos no caminho para a visibilidade total dos dados:
1 – SKAdNetwork – uma novidade não tão recente
Quando a Apple introduziu as atualizações do iOS, todos os profissionais de marketing do mundo se perguntaram:
Será que a SKAdNetwork será um bom método para mensurar campanhas? A resposta é: sim e não.
Ao longo do tempo, no entanto, ficou evidente que a principal preocupação era, na realidade:
Como posso canalizar todas essas fontes de dados em uma única fonte confiável?
Nessa nova realidade, existem múltiplas realidades. Com o lançamento do iOS 14, os profissionais de marketing começaram a receber fluxos de dados de diversas fontes: dados determinísticos agregados da SKAdNetwork, dados a nível do usuário de usuários que permitiram o rastreamento na ATT, dados agregados de modelos probabilísticos, insights baseados em incrementalidade, APIs do Apple Search Ads e mais.
Mas qual fluxo de dados representa a realidade de fato? Como os profissionais de marketing devem lidar com todos os dados recebidos e confiar nesses dados para fazer escolhas decisivas?
Felizmente, existe uma solução.
Encontrar uma fonte confiável não é mais um problema
Embora a SKAdNetwork ofereça duas grandes vantagens com relação a outros métodos de mensuração – principalmente o fato de que ela é uma solução determinística que se aplica a todos os usuários – ela também apresenta algumas desvantagens significativas.
A mensuração de LTV na SKAN é um grande desafio para os anunciantes. Após a instalação, ela oferece dados limitados, não cobre todos os fluxos (como a web mobile), apresenta um atraso no envio de postbacks e possui possíveis riscos de fraude – dentre outros problemas.
Para acabar com essa limitação, alguns profissionais de marketing optam por usar a correspondência de ID, privacidade avançada agregada e modelos probabilísticos – que também possuem suas próprias vantagens e desvantagens.
Escolher um modelo para suas necessidades específicas também não funciona, pois os dados da SkAdNetwork são anônimos, o que significa que nenhuma entidade consegue determinar se as mesmas conversões foram atribuídas por outros modelos ou não. Assim, cada instalação poderia ser atribuída apenas pela SKAdNetwork, por outros modos de atribuição, por ambos ou por nenhum.
Essa é a essência da SKAN: a anonimização. Assim, ela impede a ocorrência de engenharia reversa na correspondência de dados do usuário.
A realidade é que múltiplas fontes de dados, APIs e dashboards fazem com que seja quase impossível obter insights precisos e acionáveis, e os profissionais de marketing acabam tendo que fazer suposições na análise da performance de suas campanhas.
Problema resolvido!
A única solução para essa situação extremamente frustrante é um dashboard ou API consolidados, nos quais os dados são combinados, deduplicados e unificados, protegendo a privacidade do usuário de acordo com as políticas da Apple.
Apesar das limitações da SKAN, muitas delas podem ser superadas com a inovação sobre os valores de conversão, que são a única maneira pela qual os anunciantes do iOS conseguem mensurar o LTV em campanhas da SKAN.
Por meio do mapeamento adequado dos 64 valores, os anunciantes conseguem mensurar a receita, atividade e retenção após a instalação (ao longo de 24-72 horas, na grande maioria dos casos).
Assim, a resposta para uma realidade segregada, causada pelos dados limitados, é usar os valores de conversão para criar uma realidade unificada, ou uma única fonte confiável (SSoT) para diferentes fontes de atribuição, na qual cada valor pode ser maximizado e completamente contabilizado no mapeamento.
Embora os valores de conversão limitem a capacidade de um anunciante de mensurar o LTV (tanto em tempo como em intervalos), eles permitem que os dados relatados sejam combinados nos relatórios agregados.
2 – Data Clean Rooms – como esse recursos permite que os profissionais de marketing façam escolhas precisas sem o acesso direto aos dados dos usuários
Os data clean rooms permitem que os profissionais de marketing aproveitem todo o potencial da junção de diferentes conjuntos de dados, ao mesmo tempo em que eles garantem a privacidade de seus usuários. Em essência, essa é uma ferramenta que permite que os profissionais de marketing utilizem insights sobre dados de usuários sem acessar esses dados diretamente.
Dentro do ambiente do data clean room, informações pessoalmente identificáveis (PII) ou dados de atribuição a nível do usuário não podem ser visualizados por nenhum dos contribuintes envolvidos, o que faz com que seja impossível identificar usuários por meio de identificadores exclusivos.
Os dados de PII e a nível do usuário são processados para que possam ser disponibilizados para uma variedade de mensurações, produzindo dados anônimos que podem ser comparados e combinados com dados de diferentes fontes.
Na maioria dos casos, os únicos outputs do data clean room são insights agregados como, por exemplo, usuários que executaram a ação X devem receber a oferta Y. Dito isso, é importante lembrar que os outputs a nível do usuário podem ser acessados mediante consentimento de todas as partes envolvidas.
Por que você deve considerar usar um data clean room?
O principal motivo pelo qual os data clean rooms são extremamente confiáveis é o fato de que todas as parte envolvidas permitem o acesso, disponibilidade e uso de dados, enquanto a gestão dos dados é feita pelo fornecedor do data clean room.
Essa prática garante que nenhuma das partes consegue acessar os dados das outras, mantendo a regra básica de que dados individuais ou de usuários não podem ser compartilhados entre diferentes empresas sem o devido consentimento.
Vamos supor que uma empresa gostaria de compartilhar insights com a Macy’s. Para facilitar esse compartilhamento, cada empresa deve enviar seus dados a nível do usuário para um data clean room – para avaliar o que a outra já sabe sobre as audiências em comum. Por exemplo, alcance e frequência, sobreposição de audiências, planejamento e distribuição entre plataformas, comportamento de compras e demografia.
Os data clean rooms também podem ser usados como uma ferramenta intermediária para a mensuração da performance das campanhas. Em vez de adivinhar quais são os possíveis insights da audiência, as empresas podem aproveitar insights obtidos dos dados primários de empresas como o Google e Amazon, tudo isto enquanto mantêm a compliance com as diretrizes de privacidade do setor.
Em troca, os anunciantes recebem resultados agregados sem precisar usar identificadores individuais, incluindo a segmentação de audiências e audiências lookalike, que podem ser compartilhadas com um publisher, uma ad network ou um DSP para informar uma campanha.
Dados incompletos – como ter uma visão completa sobre os touchpoints e dados de custos pode influenciar seu resultado final
Sabemos que, hoje, o mercado está enfrentando um grande desafio na padronização de dados.
Sem conseguir relatar todos os seus KPIs de forma adequada, os profissionais de marketing estão tomando decisões sérias de orçamento e otimização com base em informações incorretas ou incompletas, o que pode gerar uma grande dor de cabeça.
Os relatórios de custos são um jogo de soma zero, e trabalhar com dados incompletos é o mesmo que não ter nenhum dado. Sem os dados, como podemos avaliar o verdadeiro ROI das campanhas, fazer otimizações eficazes e decidir como distribuir orçamentos?
Dados incompletos não são e não devem ser uma realidade aceitável, principalmente quando isso envolve os seus dados mais essenciais – de custos e receita.
Para qualquer profissional de marketing, extrair, recolher, agregar e analisar os dados de cada fonte é, no mínimo, uma tarefa complicada. No entanto, todo profissional de marketing deveria conseguir acessar dados de custo completos e precisos junto de seus dados de atribuição.
Os desafios da imprecisão nos dados de gastos
- É preciso entender a diferença entre o ROI e o verdadeiro ROI. Trabalhar com dados precisos de ROI é o cenário ideal para os profissionais de marketing de performance, por isso, trabalhar com base em dados imprecisos pode acabar completamente com todos os seus esforços de marketing e arriscar a estabilidade financeira do seu aplicativo.
- As empresas normalmente trabalham com cerca de 5 a 30 ad networks. Assim, a padronização dos dados de custo de tantas fontes diferentes é uma tarefa monumental, principalmente quando lidamos com tantas APIs.
- Após a padronização dos dados, os anunciantes precisam consolidar seus dados de custo e dados de atribuição – essa tarefa por si só já é um grande desafio, mas, além disso, ela gera insights imprecisos e limitados.
- Os dados mudam constantemente, especialmente nos primeiros dias de uma campanha. Por isso, eles precisam ser atualizados várias vezes ao dia para manter sua precisão.
Os desafios das imprecisões nos dados de receita
No geral, as empresas usam 3 principais fluxos de receita que precisam ser mantidos e analisados separadamente:
- Compras in-app (IAP) – sempre que uma IAP ocorre, os anunciantes rapidamente relatam a ocorrência de um evento. No entanto, é comum que eles se esqueçam de considerar os reembolsos ou pagamentos atrasados – que exigem atualizações constantes utilizando dados da loja de aplicativos.
- Para rastrear a receita de assinaturas, é preciso desenvolver um produto complexo ou comprar um software pronto, que ainda assim faz com que os anunciantes tenham a tarefa dolorosa de consolidar seus dados de atribuição.
- Anúncios in-app (IAA) – é preciso ter recursos a nível do usuário e de atualização em tempo real, que não são fáceis de manter. Além disso, é muito provável que a mensuração interna da receita de anúncios prejudique a precisão e, consequentemente, os resultados das escolhas feitas.
Felizmente, nós gostamos de desafios!
Solução 1 – Extraia seus dados de custos de qualquer fonte
Como um profissional de marketing, você precisa extrair dados de centenas de fontes, escolhendo o seu método preferido para a extração de dados de custo. Como cada fonte relata dados em níveis de granularidade e frequências diferentes, pode ser bastante complicado extrair os dados de que você precisa.
Por exemplo, não existe um único padrão para as estruturas de URLs de clique, tipos de dimensões, convenções de nomenclatura de campanhas ou métricas de custo (tweets no Twitter, curtidas no Facebook, swipe ups no Snap, etc.), fazendo com que a comparação de centenas de dados custo e de performance de cada ad network seja uma tarefa dolorosamente complexa.
Além disso, algumas ad networks relatam dados de custo a nível de campanha, enquanto outras o fazem a nível estrutural. Por isso, uma boa solução de relatórios deve oferecer flexibilidade.
Para poder enfrentar esse desafio, certifique-se de encontrar um fornecedor de mensuração que consiga extrair os dados necessários usando diversos métodos – como recursos de cliques, API ou ingestão de dados de gasto com anúncios, que podem te ajudar a reprocessar dados incompletos ou incorretos – e que ofereça a flexibilidade necessária para ingerir fontes de dados adicionais (como canais de influenciadores, email marketing e notificações push).
Solução 2 – Assuma o controle do fluxo de gestão de dados
Hoje, é quase impossível contar com outras ad networks, parceiros ou canais para transmitir dados regularmente, no momento certo, para que os anunciantes possam tomar decisões críticas.
Além disso, se você opta por colaborar com outras equipes para identificar falhas, lags ou inconsistências e corrigir os dados em tempo real, você acaba perdendo muito tempo na comunicação dessas falhas antes que elas sejam de fato corrigidas.
Vamos usar como exemplo um cenário no qual uma ad network emitiu um desconto e, como resultado, o anunciante quer que verdadeiro custo desse canal seja refletido em seu cálculo de ROI para um determinado período de tempo. Conseguir atualizar e refletir esses números na interface do usuário de forma simples e fácil pode ser revolucionário.
Por isso, permitir que os anunciantes assumam o controle de cada elemento de sua transferência de dados, independente da fonte ou método de extração, pose ser extremamente vantajoso.
Lixo entra, lixo sai – a importância da integridade dos dados nos seus sistemas de BI
No marketing moderno, os dados de atribuição são a fonte de todas as decisões. Independentemente do quanto suas equipes e BI de marketing sejam sofisticadas, se seus parâmetros de entrada estão incorretos, o resultado das suas decisões também estará incorreto.
Hoje, a fraude e a atribuição equivocada são os dois principais culpados para a imprecisão de dados. Em ambos os casos, uma mensuração aparentemente boa faz com que você acredite que fez escolhas inteligentes e lucrativas. O que você provavelmente não sabe é que você está comprando seu próprio tráfego fraudulento, e fazer isso diversas vezes em uma escala cada vez maior fará com que o seu negócio caia no temido ciclo de desperdício monetário.
A fraude e o ciclo de desperdício monetário
O ROI pode fazer com que alguns profissionais de marketing tenham uma falsa sensação de segurança.
No entanto, esses profissionais de marketing não percebem que eles não sabem qual é o seu verdadeiro ROI. Assim, o que pode parecer um ROI positivo na realidade pode ser que foram dados completamente distorcidos por outras formas de fraude, ou por uma atribuição positiva falsa feita por plataformas de atribuição soltas, gerando perdas de milhões de dólares.
Esses profissionais de marketing gastam seu precioso orçamento em atividades de marketing sem prestar atenção aos detalhes – como de onde vêm suas instalações e se os números dos resultados realmente fazem sentido.
Os números mentem! Você não pode confiar cegamente em seus dados de marketing
Na maioria dos casos, o trabalho dos profissionais de marketing é mensurado por quantidade, o que permite que eles avaliem seus gráficos positivos sem precisar parar para avaliar se seu crescimento ocorreu por investimentos inteligentes ou algum outro motivo completamente diferente.
Assim, eles acabam pagando por usuários orgânicos pelos quais eles não deveriam pagar ou, ainda pior, acabam pagando por fontes fraudulentas que roubam o crédito de fontes legítimas. Isso faz com que eles invistam novamente em fontes fraudulentas que geraram a “performance positiva” por meio de bots e usuários falsos, que não trazem nenhum valor.
Na maioria dos casos, esse falso crescimento parecerá bom o suficiente em reuniões da administração, fazendo com que todos aprovem os resultados, enquanto o dinheiro na realidade está sendo desperdiçado e drenado por negócios fraudulentos.
A fraude de anúncios mobile é uma indústria de US$2,1 bilhões e que possui efeitos a longo prazo em todos os aspectos do marketing (sendo que o mais óbvio deles é o prejuízo financeiro direto), e é financiada principalmente por anunciantes que simplesmente permitem que ela exista quando não a enfrentam.
Em 2021, a fraude de instalação representou a maior parte das atividades fraudulentas e, embora a fraude de CPA, remarketing e compras in-app ainda não representem um número grande o suficiente para fazer parte do prejuízo, essas atividades ainda trazem uma exposição financeira adicional.
Assim que a fraude atinge os seus dados, eles se tornam irrelevantes e inutilizáveis. Isso faz com que você não tenha visibilidade sobre seus dados reais, impossibilitando a separação entre atividades legítimas e fraudulentas e seu uso para futuras otimizações. Muito provavelmente, isso fará com que você invista novamente em canais de mídia ruins que roubaram o crédito pelos usuários obtidos ou criaram usuários falsos.
Mas, acima de tudo, a fraude é um grande desperdício de tempo e recursos humanos muito valiosos. Para acabar com esse problema, suas equipes terão que passar horas e horas trabalhando para reconciliar dados e tentar entender fraudes e relatórios de performance complexos.
Para saber mais sobre a prevenção da fraude mobile, veja nosso relatório State of Mobile Ad Fraud.
Navegando em águas turbulentas – os dados brutos na luta contra a imprecisão dos dados
Em um ecossistema que está em constante mudança, os dados brutos podem oferecer aos profissionais de marketing uma grande vantagem e economia em seus custos, ajudando-os a criar resiliência em seus negócios e preparando-os para o futuro.
Mas o que são dados brutos? Em essência, dados brutos são informações como instalações de um aplicativo, eventos in-app, desinstalações e tipo de dispositivo. Esses dados podem ser processados, analisados e, quando usados por profissionais de marketing experientes, impulsionar a performance das campanhas de uma empresa.
Quais são as vantagens dos dados brutos?
Você se lembra do ciclo de desperdício monetário que comentamos anteriormente, aquele no qual nenhum profissional de marketing gostaria de cair? Os dados brutos permitem que você faça análises detalhadas para entender se os seus esforços em uma campanha estão gerando resultados de fato.
Eficiência
Hoje, mais do que nunca, os profissionais de marketing precisam ser eficientes, direcionando seus esforços para os recursos que geram o maior ROI. Os dados brutos podem ajudar os profissionais de marketing nessa missão, permitindo que eles otimizem seu tráfego em tempo real, identifiquem métricas críticas, impulsionem o lifetime value de seus esforços de marketing e ampliem o retorno de seus investimentos.
Recupere o controle
Os anunciantes podem definir um endpoint específico para dados orgânicos e outro para dados não orgânicos, um para eventos in-app e outro para remarketing.
A configuração de diversos endpoints permite que você organize seus dados como você quiser, reduza a quantidade de “ruídos” (tráfego ou eventos irrelevantes), controle os dados de entrada de forma mais eficaz e facilite o processamento de dados pro parte da sua equipe de BI.
Use os dados brutos para criar campanhas eficientes
Os relatórios de dados brutos estão preenchidos de insights valiosos. Listamos abaixo alguns de seus usos comuns:
- Entender o comportamento do usuário – com a ajuda dos timestamps, os dados brutos permitem que você entenda melhor as interações do usuário, obtendo uma visibilidade mais granular sobre as jornadas dos seus usuários.
- Melhorar a UX e impulsionar o crescimento do seu app – após avaliar o comportamento do usuário usando os dados brutos, você pode aplicar seus insights para melhorar a experiência do usuário.
- Fazer um modelo de preços com base na performance – os relatórios de dados brutos oferecem uma imagem clara e precisa do seu ROI, permitindo que você crie um modelo de preços com base na performance – assim, você pode cobrar os anunciantes e profissionais de marketing conforme eles atingem determinados objetivos.
- Segmentar usuários – você pode usar as análises de cohort ou dados de usuários com consentimento para criar uma segmentação de usuários altamente eficaz.
- Identificar potenciais fraudes – há muitas maneiras de identificar e combater potenciais fraudes no marketing mobile. Uma delas é a análise de seus dados brutos, que permitirá que você identifique padrões suspeitos – até mesmo quando estiver lidando com fraudadores experientes que conseguem criar diferentes identificadores para os mesmos dispositivos.
Por exemplo, você pode identificar quantas instalações ou identificadores exclusivos vêm do mesmo IP, avaliar timestamps estranhos (por exemplo, instalações que ocorrem a cada 1-5 segundos) ou a presença de múltiplos IDFAS para um único IDFV.
Principais conclusões
- Lidar com dados imprecisos, incompletos ou confusos pode facilmente gerar decisões erradas, ações duvidosas e, consequentemente, custar milhões de dólares.
- Existem diferenças intrínsecas a cada modelo de atribuição utilizado pelos players do ecossistema de atribuição mobile. Por isso, seu MMP e SRNs podem apresentar diferenças na mensuração de dados – levando a discrepâncias de dados perceptíveis.
- Na SKAdNetwork, os anunciantes não conseguem mais consumir dados de uma única fonte, ou entender qual é a realidade a partir de diversos conjuntos de dados. Ter uma única fonte confiável (SSoT) para a performance de marketing permitirá que você otimize seu gasto com anúncios, amplie seu negócio e ofereça uma UX melhor para os seus usuários, sem comprometer sua privacidade.
- Alguns profissionais de marketing não sabem qual é o seu verdadeiro ROI, pois é possível que ele tenha sido completamente distorcido por fraudes sofisticadas ou falsas atribuições positivas feitas pelas plataformas de atribuição, gerando um prejuízo de milhões ou até bilhões de dólares.
- Para acabar com as discrepâncias nos dados, é preciso entender como reconhecê-las. Quando você sabe o que está procurando, você consegue antecipar onde e por que essas discrepâncias ocorrem, permitindo que você as solucione, ajuste suas configurações e compare seus dados brutos.
- Os dados brutos são uma maneira de garantir a resiliência do seu negócio – os dados brutos possuem o potencial de gerar insights acionáveis que podem ser usados no combate às discrepâncias de dados. Eles oferecem às empresas um conjunto de ferramentas extra para otimizar suas campanhas futuras e atuais.
- Trabalhar com um bom MMP permite que você solucione a maioria dos seus problemas de imprecisão de dados, graças ao acesso a uma única fonte completa e confiável que permite que você identifique rapidamente qualquer falha e tome decisões certeiras com base em dados.
