The post Use a IA para gerar insights no Data Clean Room appeared first on AppsFlyer.

• Introdução
• Capítulo 1O que são data clean rooms?
• Capítulo 2Uma visão comparativa de um mercado (quase) novo
• Capítulo 3A praticidade dos Data Clean Rooms – Diferentes tipos de usos que podem impulsionar a mensuração das suas campanhas

Introdução

Se você é um profissional de marketing, é pouco provável que você tenha conseguido evitar qualquer conversa nos últimos meses em que “Data Clean Room” não tenha sido mencionado pelo menos uma vez.

O que é essa “câmara de dados” estranha sobre a qual todos falam? 

Alguns se referem aos data clean rooms como se eles fossem “a Suíça dos dados”, e com razão, porque eles oferecem um espaço neutro e seguro para que os dados de usuários primários sejam aproveitados de forma colaborativa. Nesse ambiente, duas empresas podem compartilhar e analisar dados de forma segura, com controle total sobre como, onde e quando esses dados podem ser usados. 

Assim, elas conseguem acessar dados muito importantes em um espaço seguro, que não viola a privacidade dos consumidores. Enquanto os dados a nível do usuário são enviados para o data clean room, os insights agregados saem em um grupo de audiências misto chamado cohort. 

Então, para que você esteja bem equipado para 2022, vamos te levar em uma jornada pelas densas florestas de incógnitas e lagos profundos de dados primários, neste guia inteiramente dedicado aos data clean rooms.  

No fim, você entenderá o que são os data clean rooms, como funcionam, por que os profissionais de marketing precisam deles e como eles vão transformar drasticamente nossa capacidade de mensurar campanhas ao longo dos próximos anos.

Mas, antes disso, vamos começar contando a história que nos trouxe até aqui.

Capítulo 1

O que são data clean rooms?

Isso é a evolução

Apesar de seu ressurgimento no ano passado, a infraestrutura dos data clean rooms já existe há alguns anos. 

O Google não foi o primeiro a criar esse termo, mas foi a primeira empresa a comercializar uma solução de data clean rooms, lançando o Ads Data Hub em 2017. O objetivo era criar um ambiente seguro e privado para enriquecer dados primários (de CRMs, CDPs, logs de eventos, etc) com os dados de usuários contidos no ecossistema do Google, que depois poderiam ser aproveitados para as campanhas do Google.

Apenas um mês depois, o Facebook anunciou sua própria oferta de data clean rooms, com o objetivo de compartilhar dados com seus clientes. Uma coincidência? Provavelmente não. 

Mas foi 2018 que realmente deu início à era da privacidade do usuário, com legislações como a GDPR e o Intelligent Tracking Prevention 2.0 da Apple estabelecendo os novos padrões de privacidade do ecossistema.

Seguindo o exemplo, em 2019, a Amazon lançou uma plataforma de data clean rooms intitulada Amazon Marketing Cloud, a CCPA entrou em vigor no início de 2020 e, em abril de 2020 – todo o ecossistema de aplicativos mobile parou quando a Apple lançou seu novo mecanismo opt-in no iOS 14 – também conhecido como ATT.

A quantidade de leis de privacidade e padrões mais rígidos transformaram a maneira como os anunciantes e as empresas coletam e compartilham dados dos consumidores.

Em outubro de 2021, o Facebook anunciou que deixará de enviar dados de campanha a nível do usuário para os anunciantes, passando a enviá-los somente para Mobile Measurement Partners (MMPs). Além disso, há a previsão de que, em breve, outras ad networks também passarão a adotar medidas como essa.

Entre a estrutura revolucionária da ATT da Apple, o anúncio do Facebook e o fim dos cookies de terceiros do Google em 2023, a escala e a amplitude do compartilhamento de dados se tornam cada vez mais limitadas, fazendo com que a mensuração e a otimização de campanhas sejam mais desafiadoras do que nunca.

Portanto, agora as empresas estão lutando para encontrar novas maneiras de obter insights de marketing significativos de forma segura. 

Em 2019, iniciando a tendência de formar alianças para a troca de dados, a Disney começou a colaborar com a Target, a Unilever se uniu ao Facebook e o Google e o Twitter criaram um modo de mensuração entre canais. Em 2020, o ITV firmou parceria com o Infosum e, em 2021, a TransUnion lançou sua colaboração de dados com o BlockGraph.  

O que permitiu que todas essas colaborações fossem possíveis? Os Data Clean Rooms, é claro.

Afinal, o que é um data clean room?

Os data clean rooms permitem que os profissionais de marketing aproveitem todo o potencial de combinar diferentes conjuntos de dados, ao mesmo tempo em que eles garantem a privacidade dos seus usuários. 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 do usuários são processados para que possam ser disponibilizados para diversos tipos de mensuração, produzindo dados anônimos que podem ser comparados e combinados com dados de diferentes fontes. 

Na maioria dos casos, os únicos resultados (outputs) do data clean room são insights agregados, 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.

O principal motivo pelo qual os data clean rooms são extremamente confiáveis é o fato de que todas as partes envolvidas permitem o acesso, disponibilidade e uso dos dados, enquanto a gestão desses dados é feita pelo fornecedor do data clean room. 

Essa prática garante que uma das partes não acesse 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 Target. Para facilitar esse processo, cada parte deve colocar seus dados de usuários no data clean room para entender o que a outra parte já sabe sobre suas 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. Como alternativa, se você for um varejista com uma ad network, por exemplo, você poderá aproveitar esse output para comprar anúncios.

Como funciona um Data Clean Room?

Uma operação de data clean room envolve quatro etapas: 

1 – Ingestão de dados

Primeiro, os dados primários (de CRMs, atribuição do site/app, etc) ou dados secundários dos colaboradores (como marcas, parceiros, ad networks e publishers) são enviados para o data clean room. 

2 – Conexão e enriquecimento

Os conjuntos de dados são combinados a nível do usuário e são complementados usando ferramentas como o enriquecimento com dados de terceiros.

3 – Analytics

Nessa fase, os dados são analisados para: 

• Interseções ou sobreposições
• Mensuração e atribuição
• Pontuação de propensão

4 – Usos para o marketing

No final da jornada do data clean room, os outputs de dados agregados permitem que os profissionais de marketing: 

• Criem audiências mais relevantes
• Otimizem a experiência do cliente e os testes A/B
• Impulsionem o planejamento e a atribuição entre plataformas
• Otimizem a mensuração de alcance e frequência
• Realizem análises mais detalhadas sobre as campanhas

Agora, como é o processo de combinação desses dados? 

Quando trabalhamos com um data clean room, identificadores como o e-mail, endereço, nome ou mobile ID costumam ser parecidos tanto no lado do anunciante como do publisher, o que permite a correspondência bem-sucedida de ambas as fontes de dados.

Se esses identificadores não existirem, ferramentas avançadas, como o machine learning e a modelagem probabilística, podem ser usadas para aprimorar os recursos de correspondência.

Por que os profissionais de marketing precisam de um data clean room?

Em primeiro lugar, esse recurso é necessário por conta do aumento no controle sobre a privacidade. 

Com os novos regulamentos de privacidade e iniciativas de privacidade dos jardins murados (veja mais detalhes mais adiante), a coleta, armazenamento e compartilhamento de dados estão cada vez mais complexos para os anunciantes e publishers.

O segundo motivo é a falta de confiança comercial entre as empresas. Como todos sabemos bem, entregar dados primários valiosos fora de um data clean room é arriscado tanto do ponto de vista legal quanto comercial. 

Por fim, há os processos de síntese de dados ineficientes – a correlação de dados em conjuntos de dados separados exige trabalho pesado de cientistas de dados, o que é um esforço caro e demorado. 

Data celan rooms ao resgate!

Quando se trata da privacidade de dados, todas as partes em um data clean room mantêm total controle sobre seus dados, que geralmente são criptografados durante todo o processo. Um data clean room inclui governança e permissões rígidas, onde cada parte define como seus dados são acessados e usados.  

Outro ponto importante dos desafios mencionados acima é a privacidade diferencial, que impossibilita a vinculação de uma impressão, clique ou atividade específica a um usuário específico. 

Por último, os data clean rooms oferecem computação, querying e relatórios agregados seguros adequados para integrações com qualquer finalidade, permitindo que os conjuntos de dados sejam combinados. 

Capítulo 2

Uma visão comparativa de um mercado (quase) novo

Os profissionais de marketing mobile costumavam confiar completamente nos dados a nível do usuário. No entanto, nos últimos anos, o aumento das regulamentações de privacidade e o fato de que esses dados se tornaram mais elusivos significa que, agora, não é tão fácil para os anunciantes tomar decisões baseadas em dados.

Se você pensou que essa é apenas uma fase, você está enganado. A previsão geral é uma aceleração nessas mudanças no ecossistema, restringindo ainda mais o acesso a esses dados e dificultando ainda mais a otimização dos negócios.

No entanto, isso não é necessariamente ruim: essas mudanças podem ser uma oportunidade valiosa para que as marcas aproveitem sua vantagem competitiva. A Forrester afirmou que “práticas de privacidade éticas serão o grande diferencial de empresas que focam no consumidor e na privacidade.”

Os data clean rooms se originam nessa mentalidade centrada na privacidade do consumidor. E, impulsionados pela necessidade de mensuração e otimização de mídias cruzadas, assim como de compliance com a privacidade, os data clean rooms estão se tornando uma ferramenta essencial nas estruturas tecnológicas dos profissionais de marketing.

Segundo a Gartner, até 2023, 80% dos anunciantes que possuem grandes orçamentos de mídia utilizarão data clean rooms, estimando que atualmente existem entre 250 a 500 implementações de data clean rooms que estão ativas ou em algum estágio de desenvolvimento.

Que tipo de data clean rooms já estão disponíveis? Vamos entrar em mais detalhes:

Tipos de data clean rooms – conheça o elenco

Todos os data clean rooms escondem os consumidores, eliminando a identificação de seus dados a nível do usuário e agrupando-os com base em atributos em comum. Mas qual é a diferença entre os tipos de data clean rooms?

Para te ajudar a entender, vamos analisar os data clean rooms disponíveis, avaliar a performance relativa de cada um e examinar seus prós e contras únicos:

Jardins Murados – plataformas big tech

Esse grupo consiste de ecossistemas fechados nos quais o fornecedor de tecnologia tem bastante controle sobre o hardware, aplicativos e conteúdos.

Os jardins murados (também conhecidos como walled gardens) foram introduzidos pela primeira vez pelo Google, Amazon e Meta (Facebook) para a comercialização segura dos seus dados primários e também para capturar os gastos com anúncios de seus rivais. 

Não precisamos nem falar que quase 70% de todos os gastos com mídia publicitária ficam com esses três gigantes – e cada um permite que os anunciantes trabalhem em seus jardins murados: Google Ads Data Hub (ADH), Facebook Advanced Analytics (FAA) e Amazon Marketing Cloud (AMC). 

Esses ambientes rigorosamente seguros são onde as mega SRNs permitem que os profissionais de marketing acessem dados de evento para tomar decisões de campanha bem-informadas, sem comprometer a privacidade do consumidor ou as defesas dos ecossistemas.

Vantagens 

• Suporte ao enriquecimento de conjuntos de dados primários com dados de eventos

Desvantagens

• Oferecem materiais brutos para análise – para que um profissional de marketing comum consiga entender esses dados, ele precisa de uma equipe de cientistas, analistas e engenheiros de dados. 
• Arquitetura rígida
• Falta de recursos de plataforma cruzada para gerar dados acionáveis (por exemplo, a atribuição multi-touch)
• Falta de colaboração de dados entre empresas
• Funcionalidade de query rígida

Multiplataforma ou players neutros

Esse tipo de data clean room consiste de dois subgrupos, e cada um possui seus próprios pontos fortes e fracos:

Diversified

Esses são principalmente negócios herdados que operam em indústrias adjacentes como aplicações de marketing ou data cloud storage, oferecendo mecanismos de colaboração de dados para a coleta de sinais sem desrespeitar as diretrizes de privacidade. Esse grupo inclui fornecedores como Epsilon, Measured, BlueConic e Merkle.

Vantagens 

• Flexibilidade arquitetônica
• Controles de governança feitos sob medida para diferentes tipos de dados e níveis de análise

Desvantagens

• Acesso limitado a dados de jardins murados
• Ecossistema de parceiros restrito 
• Integrações de downstream limitadas 
• Usa a funcionalidade existente da Plataforma de Dados do Cliente (CDP) / Processamento de Eventos Complexos (CEP), o que pode levar a possíveis problemas de dados

Pure playes

São provedores de data clean rooms de pequeno e médio porte, como Hobu, Harbr, InfoSum e Decentriq, além de ferramentas focadas em empresas enterprise, como a SnowFlake.

Vantagens 

• Flexibilidade arquitetônica
• Usa a infraestrutura de armazenamento e piping de dados existente (SnowFlake)
• Acesso a um ecossistema de parceiros integrados (SnowFlake) 

Desvantagens

• Granularidade limitada de dados primários
• Muitas vezes depende de infraestrutura de terceiros para a ingestão de dados
• Conjunto restrito de opções de integração downstream

Parceiros de mensuração mobile (MMPs)

Idealmente, um MMP é um player confiável e imparcial que permite que os dados a nível do usuário sejam aproveitados usando a lógica de negócios dos clientes, que são consumidos por meio de insights agregados e acionáveis.

Vantagens 

• Recursos exclusivos (cornered resource) – granularidade de dados a nível do usuário e entre canais
• Dados de conversão em tempo real
• Análise completa criada seguindo a lógica de negócios do aplicativo mobile em questão
• Opções de integração flexíveis
• Relatórios agregados de alta qualidade 

Desvantagens

• Algumas limitações na granularidade de dados e ações relacionadas a query podem ser impostas por SRNs
• Falta de arquitetura CDP existente

Para entender qual é o melhor fornecedor de data clean room para a sua empresa, considere o seu canal principal (mobile, app ou web), o tamanho do seu negócio, suas necessidades de marketing, sua estrutura de dados e seus recursos internos.

Para onde caminha o mercado?

A coleta de dados primários já se tornou uma missão estratégica, e sua trajetória continuará acelerando nos próximos anos. Impulsionada por essa tendência, o crescente interesse na colaboração de dados segura é resultado da proliferação de fornecedores neutros de data clean rooms. 

De fato, a Gartner prevê que, até 2023, 80% dos profissionais de marketing que possuem orçamentos de mídia superiores a US$ 1 bilhão adotarão os data clean rooms. 

Essa é uma boa notícia para todo o ecossistema, pois, quanto mais diversas forem as opções disponíveis, mais fácil será para as empresas adotarem a plataforma de data clean room adequada às suas necessidades exclusivas. 

E, quanto mais empresas colaboram em bases de dados intermediárias e regulamentadas como os data clean rooms, mais fácil é para os profissionais de marketing mensurar, atribuir e otimizar suas campanhas.

Vamos fazer um tour – como escolher o data clean room certo para o seu negócio?

Anunciantes que investem em ecossistemas de dados também devem investir agora mesmo nos data clean rooms. Mas se você já está implementando um novo data clean room ou quer impulsionar o que você já usa – como você pode fazer uma escolha informada sobre a solução mais adequada para o seu negócio?

Para te ajudar a decidir, vamos falar um pouco sobre o cenário competitivo dos data clean rooms, considerando que você deve avaliar dois principais fatores:

• O volume e a qualidade dos dados – que também chamamos de profundidade
• A variedade de dados recebidos – que também chamamos de diversidade

Os jardins murados têm a vantagem da profundidade de dados, mas carecem de variedade. O grupo pure-play geralmente oferece apenas a tecnologia de data clean rooms, com muito pouca profundidade ou diversidade de dados. E, depois, temos os MMPs – que oferecem tanto a tecnologia de data clean rooms como a profundidade e diversidade de dados, além de uma ampla variedade de integrações de parceiros.

Quando estiver avaliando suas opções de data clean rooms, lembre-se que existem diversas práticas recomendadas que você pode seguir para se certificar de que receberá o maior valor possível:

• Primeiro, considere qual é o seu canal principal (seja ele o mobile, app ou web), o tamanho do seu negócio, suas necessidades de marketing, estrutura de dados e recursos internos. 
• Em seguida, imagine como seria o seu data clean room levando em consideração os seus consumidores. Não apenas para o presente, mas para o futuro. Os melhores data clean rooms são configurados para antecipar mudanças no comportamento do consumidor. 
• Por fim, faça um teste com uma audiência ativa. Analisar o comportamento do consumidor em tempo real e obter insights acionáveis é absolutamente fundamental.

Agora, uma questão importante: por que os data clean rooms ainda não foram amplamente adotados?

• A resposta é simples: os data clean rooms não são baratos. Os grandes fornecedores de jardins murados oferecem alternativas para isso, mas os obstáculos logísticos e operacionais de trabalhar com essas plataformas podem sobrecarregar todas as partes envolvidas.  
• O sucesso dos data clean rooms é o fato de que os dados são compartilhados, e nem todos os anunciantes aceitam facilmente a ideia de divulgar dados transacionais detalhados, principalmente por conta de um medo equivocado de que esse espaço apresenta possíveis riscos de privacidade. Assim, quando dados parciais são enviados, os resultados obtidos também são incompletos.
• Padrões universais para a implementação ainda não foram definidos, o que significa que o pool de dados possui diversos formatos e o trabalho necessário para agregá-los pode consumir muito tempo.
• Por fim, precisamos lembrar que os dados a nível do usuário ainda estão disponíveis em alguns casos (por exemplo, dispositivos Android e usuários iOS que permitem o compartilhamento de dados na ATT), o que pode aliviar pelo menos um pouco a urgência de implementar uma solução de data clean rooms.

Esses obstáculos podem ser superados com os recursos, a preparação de dados e parceiro de tecnologia certos? Com certeza. Vamos falar sobre isso no próximo capítulo.

Capítulo 3

A praticidade dos Data Clean Rooms – Diferentes tipos de usos que podem impulsionar a mensuração das suas campanhas

Agora, já sabemos que os Data Clean Rooms oferecem aos anunciantes e publishers uma mensuração segura em um ambiente de loop fechado, que está em total conformidade com as diretrizes de privacidade do setor. 

Mas quando você deve usar esse recurso? Quais casos podem se beneficiar da análise feita em um Data Clean Room?

Apertem os cintos, porque nesta sessão vamos aprender como os Data Clean Rooms permitem que os profissionais de marketing: 

1. Criem audiências mais relevantes
2. Melhorem cada vez mais a experiência dos seus clientes
3. Impulsionem o planejamento e a atribuição entre plataformas
4. Otimizem a mensuração de alcance e frequência
5. Realizem análises mais detalhadas sobre as campanhas

Vamos lá.

1 – Mensuração da performance

Acompanhar dados de retenção, ARPU, LTV e ROAS é um dos principais usos dos Data Clean Rooms. Um Data Clean Room oferece um ambiente neutro para a análise de dados de CRM dos anunciantes e dados de exibição de anúncios fornecidos pelos parceiros de marketing relevantes.

Nesse caso, os anunciantes podem fazer o upload de seus dados primários em um Data Clean Room após o final de uma campanha, combinar identificadores idênticos e realizar análises sobre os dados de seus clientes e os dados de exibição de anúncios, disponibilizados pelo provedor do Data Clean Room. 

Vamos supor que você gostaria de comparar seus dados de compras mais recentes com os dados de exibição de anúncios do Google. O jardim murado do DCR do Google — o Ads Data Hub — permitirá que você atribua a porcentagem de clientes novos à atividade de marketing nos canais de anúncios do Google.  

Se você fizer parte da vertical de eCommerce, basta alimentar o Data Clean Room com seus dados de CRM, identificadores exclusivos (e-mails, endereços, mobile IDs, etc) e a data da compra. Em seguida, cada proprietário de mídia incluirá seus dados de exibição de anúncios e identificadores exclusivos usados para criar a audiência da campanha. 

Nesse ponto, você será capaz de mensurar com precisão a intersecção entre novos clientes e aqueles expostos à campanha em cada ponto de mídia e, depois, determinar qual é a porcentagem de novos clientes que podem ser atribuídos a cada canal.

2 – Construa audiências mais granulares

Depois que a Apple lançou a ATT, que dificultou drasticamente o acesso a dados a nível do usuário, a granularidade se tornou o recurso mais procurado pelos profissionais de marketing.

Um Data Clean Room oferece granularidade em um grau que até recentemente não era possível. Ele coleta dados de fontes terceiras autorizadas que são ingeridos e segmentados em uma variedade de buckets comportamentais, demográficos e de localização, que são utilizados para aprimorar seu banco de dados interno e permitem um enriquecimento e uma análise de dados mais granulares. 

A beleza de tudo isso é que, em vez de exigir que os dados pessoais dos usuários sejam compartilhados para essas análises, um Data Clean Room permite que várias fontes de dados se conectem virtualmente através de cohorts anônimos. 

Isso permite que os profissionais de marketing mensurem a intersecção que existe entre seu público-alvo e as diversas audiências de outras mídias. Assim, eles são capazes de entender qual é o caminho ideal para alcançar sua audiência, planejar campanhas mais eficazes e realizar a mensuração omnichannel.

Como insights granulares de audiências podem impulsionar seus esforços de marketing? Ainda bem que você perguntou: 

Aprimore sua segmentação de audiências

A segmentação de suas audiências com base em dados refinados, como o comportamento dos clientes e seus hábitos de compras, pode ter um efeito extremamente positivo sobre a estratégia da sua campanha. 

Vamos supor que uma empresa acabou de firmar uma parceria nova com outra empresa, que compartilha de uma audiência que se sobrepõe à sua. Usando os insights de audiências do Data Clean Room, você pode identificar os pontos de sobreposição e as características compartilhadas que podem ser usadas para impulsionar análises estratégicas.

Crie conteúdos sob medida e gere engajamento

Quando você entende os interesses de cada segmento de mercado, você consegue criar conteúdos mais relevantes, recomendações promocionais e novos formatos de anúncios especificamente voltados para esses interesses.

Refinar suas mensagens, formatos, tipos de anúncios e canais para poder abordar cada segmento individualmente, falar sua linguagem exclusiva e solucionar seus problemas específicos — é uma tarefa muito mais fácil com um ambiente de Data Clean Room.

Segmentação granular

Vamos supor que você seja proprietário de uma empresa de eCommerce, e seus dados primários incluem atributos de usuários e unidades de manutenção de estoque de produtos associados (SKUs). Você gostaria de executar uma campanha voltada para uma audiência em potencial que possui atributos semelhantes e, em seguida, executar uma campanha de remarketing relevante baseada no histórico e frequência de compras. 

Primeiro, crie seus segmentos-alvo. Depois, faça o upload dos conjuntos de dados relevantes em um Data Clean Room, no qual a sua equipe pode trabalhar com parceiros de anúncios para realizar a análise cruzada dos dados primários com seus dados de terceiros. Isso gera resultados agregados e acionáveis que podem te ajudar a criar campanhas direcionadas — sem comprometer a privacidade dos seus usuários.

3 – Otimização do alcance e mensuração de frequência

Uma vez que você possui dados de impressão de PII de ad networks parceiras, você consegue entender exatamente quais anúncios e com que frequência eles são exibidos para quais clientes. Em troca, essa informação pode ser usada para desduplicar o alcance e a frequência de uma campanha, reduzir a fadiga de anúncios e melhorar seu planejamento de mídias. 

Os DCRs também podem validar se você chega até a audiência certa, permitindo que você a ajuste e aprimore seus critérios de segmentação. Além disso, os Data Clean Rooms permitem que você otimize a jornada do seu cliente, engajando os usuários com base em onde eles estão no funil e como eles interagem com seu anúncio. 

4 – Mensuração de incrementalidade

Os dados de impressão de publishers , audiências, dados primários de resposta e conversão podem ser vinculados ao nível do usuário para que você entenda o impacto incremental dos seus esforços de marketing.

Ou seja, eles permitem que você compare seus grupos de teste e de controle por meio de testes A/B, ou até seus grupos que foram expostos a anúncios ou não. Impressionante, não?

5 – Mostre a qualidade do usuário para anunciantes em potencial

Os publishers podem enviar dados a nível do usuário para um ambiente seguro de um Data Clean Room e permitir que os anunciantes avaliem a sobreposição de clientes — ou mesmo a qualidade dos usuários — com base em diversas características.

Por outro lado, os anunciantes podem construir uma audiência e, em seguida, testá-la contra o publisher X para avaliar os resultados. É uma área restrita ideal para que tanto os publishers como os anunciantes avaliem e demonstrem o valor de seus usuários adquiridos.

6 – Estabeleça parcerias de dados de primários

Em um lado mais estratégico, duas empresas podem concordar em juntar e combinar conjuntos de dados em um ambiente protegido, que só pode ser acessado mediante permissão, cultivando novas parcerias no ecossistema de mídias.  

Essa análise cruzada também pode ajudar a impulsionar o desenvolvimento de produtos e permitir que os profissionais de marketing melhorem seu planejamento estratégico.

7 – Treinamento, inferência e pontuação de propensão

Por fim, um ambiente de Data Clean Room permite que você recupere o acesso a dados do usuário restritos e granulares — necessários para executar com sucesso modelos de treinamento e inferência, ou mesmo modelos de propensão, a partir dos quais você pode obter uma estimativa da probabilidade de um cliente realizar uma ação específica.

The post Tudo o que você precisa saber sobre data clean rooms – o guia completo appeared first on AppsFlyer.

Agora, todos já sabemos que os Data Clean Rooms oferecem aos anunciantes e publishers uma mensuração segura em um ambiente de loop fechado, que está em total conformidade com as diretrizes de privacidade do setor. Ou seja, é possível aproveitar o poder dos dados a nível do usuário sem precisar acessar esses dados em seu estado bruto.

Mas em que casos você deve usar esse recurso? Quais casos podem se beneficiar da análise feita em um Data Clean Room?

Vamos começar. No terceiro blog da nossa série de conteúdos sobre DCRs (parte 1 – introdução, parte 2 – análise comparativa), vamos aprender como os Data Clean Rooms ajudam os profissionais de marketing a: 

1. Criar audiências mais relevantes
2. Melhorar cada vez mais a experiência de seus clientes
3. Impulsionar o planejamento e atribuição entre plataformas
4. Otimizar a mensuração de alcance e frequência
5. Realizar análises mais detalhadas sobre as campanhas

Vamos lá.

1 – Mensuração da performance

Acompanhar dados de retenção, ARPU, LTV e ROAS é um dos principais usos dos Data Clean Rooms. Um Data Clean Room oferece um ambiente neutro para a análise de dados de CRM dos anunciantes e dados de exibição de anúncios fornecidos pelos parceiros de marketing relevantes.

Nesse caso, os anunciantes podem fazer o upload de seus dados primários em um Data Clean Room após o final de uma campanha, combinar identificadores idênticos e realizar análises sobre os dados de seus clientes e os dados de exibição de anúncios, disponibilizados pelo provedor do Data Clean Room. 

Vamos supor que você gostaria de comparar seus dados de compras mais recentes com os dados de exibição de anúncios do Google. O jardim murado do DCR do Google — o Ads Data Hub — permitirá que você atribua a porcentagem de clientes novos à atividade de marketing que ocorreu nos canais de anúncios do Google.  

Se você fizer parte da vertical de eCommerce, basta alimentar o Data Clean Room com seus dados de CRM, identificadores exclusivos (e-mails, endereços, mobile IDs, etc) e a data da compra. Em seguida, cada proprietário de mídia incluirá seus dados de exibição de anúncios e identificadores exclusivos usados para criar a audiência da campanha. 

Nesse ponto, você será capaz de mensurar com precisão a intersecção entre novos clientes e aqueles expostos à campanha em cada mídia e, depois, determinar qual é a porcentagem de novos clientes que podem ser atribuídos a cada canal.

2 – Construindo audiências mais granulares

Depois que a Apple lançou a ATT, que dificultou drasticamente o acesso aos dados a nível do usuário, a granularidade se tornou o recurso mais procurado pelos profissionais de marketing.

Um Data Clean Room oferece granularidade em um grau que até recentemente não era possível. Ele coleta dados de fontes terceiras autorizadas que são ingeridos e segmentados em uma variedade de conjuntos de dados comportamentais, demográficos e de localização, que são utilizados para aprimorar seu banco de dados interno e permitem um enriquecimento e uma análise de dados mais granulares. 

A melhor parte de tudo isso é que, em vez de exigir que os dados pessoais dos usuários sejam compartilhados para essas análises, um Data Clean Room permite que várias fontes de dados se conectem virtualmente através de cohorts anonimizados. 

Isso permite que os profissionais de marketing mensurem a intersecção que existe entre seu público-alvo e as diversas audiências de outras mídias. Assim, eles são capazes de entender qual é o caminho ideal para alcançar sua audiência, planejar campanhas mais eficazes e realizar a mensuração omni-channel.

Como insights granulares de audiências podem impulsionar seus esforços de marketing? Ainda bem que você perguntou: 

Aprimore sua segmentação de audiências

A segmentação de suas audiências com base em dados refinados, como o comportamento dos clientes e seus hábitos de compras, pode ter um efeito extremamente positivo sobre a estratégia da sua campanha. 

Vamos supor que uma empresa acabou de firmar uma parceria nova com outra empresa, que possui uma audiência que se sobrepõe à sua. Usando os insights de audiências do Data Clean Room, você pode identificar os pontos de sobreposição e as características compartilhadas que podem ser usadas para impulsionar análises estratégicas.

Crie conteúdos personalizados e gere engajamento

Quando você entende os interesses de cada segmento do mercado, você consegue criar conteúdos mais relevantes, recomendações promocionais e novos formatos de anúncios especificamente voltados para esses interesses.

Refinar suas mensagens, formatos, tipos de anúncios e canais para poder abordar cada segmento individualmente, falar sua linguagem exclusiva e solucionar problemas específicos — é uma tarefa muito mais fácil com um ambiente de Data Clean Room.

Segmentação granular

Vamos supor que você seja proprietário de uma empresa de eCommerce, e seus dados primários incluem atributos de usuários e unidades de manutenção de estoque de produtos associados (SKUs). Você gostaria de executar uma campanha voltada para uma audiência em potencial que possui atributos semelhantes e, em seguida, executar uma campanha de remarketing relevante baseada no histórico e frequência de compras. 

Primeiro, crie seus segmentos-alvo. Depois, faça o upload dos conjuntos de dados relevantes em um Data Clean Room, no qual a sua equipe pode trabalhar com parceiros de anúncios para realizar a análise cruzada dos dados primários com dados de terceiros. Isso gera resultados agregados e acionáveis que podem te ajudar a criar campanhas direcionadas — sem comprometer a privacidade dos seus usuários.

3 – Otimização do alcance e mensuração de frequência

Uma vez que você possui dados de impressão a nível de PII de ad networks parceiras, você consegue entender exatamente quais anúncios e com que frequência eles são exibidos para cada cliente. Em troca, essa informação pode ser usada para desduplicar o alcance e a frequência de uma campanha, reduzir a fadiga de anúncios e melhorar seu planejamento de mídias. 

Os DCRs também podem validar se você está alcançando a audiência certa, o que permite que você ajuste e aprimore seus critérios de segmentação. Além disso, os Data Clean Rooms permitem que você otimize a jornada do seu cliente, engajando os usuários com base em onde eles estão no funil e como eles interagem com seu anúncio. 

4 – Mensuração de incrementalidade

Os dados de impressão de publishers , audiências, dados primários de resposta e conversão podem ser vinculados ao nível do usuário para que você entenda o impacto incremental dos seus esforços de marketing.

Ou seja, eles permitem que você compare seus grupos de teste e de controle por meio de testes A/B, ou até seus grupos que foram expostos a anúncios ou não. Impressionante, não?

5 – Avaliação da qualidade do usuário para anunciantes

Os publishers podem enviar dados a nível do usuário para um ambiente seguro de um Data Clean Room e permitir que os anunciantes avaliem a sobreposição de clientes — ou mesmo a qualidade dos usuários — com base em diversas características.

Por outro lado, os anunciantes podem construir uma audiência e, em seguida, testá-la contra o publisher X para avaliar os resultados. O DCR é uma área restrita ideal para que tanto os publishers como os anunciantes avaliem e demonstrem o valor de seus usuários adquiridos.

6 – Criar parcerias de dados de primários

Em um lado mais estratégico, duas empresas podem concordar em juntar e combinar conjuntos de dados em um ambiente protegido, que só pode ser acessado mediante permissão, cultivando novas parcerias no ecossistema de mídias.  

Essa análise cruzada também pode ajudar a impulsionar o desenvolvimento de produtos e permitir que os profissionais de marketing melhorem seu planejamento estratégico.

7 – Treinamento, inferência e pontuação de propensão

Por fim, um ambiente de Data Clean Room permite que você recupere o acesso a dados do usuário restritos e granulares — necessários para executar com sucesso modelos de treinamento e inferência, ou mesmo modelos de propensão, a partir dos quais você pode obter uma estimativa da probabilidade de um cliente realizar uma ação específica.

Principais conclusões

• Os Data Clean Rooms oferecem aos profissionais de marketing a capacidade de construir audiências mais relevantes, melhorar a experiência do cliente, impulsionar o planejamento e a atribuição entre plataformas, otimizar a mensuração de alcance e frequência e realizar análises mais detalhadas sobre as campanhas.
  
• Um Data Clean Room oferece um ambiente neutro para a análise de dados de CRM dos anunciantes e dados de exibição de anúncios fornecidos pelos parceiros, o que faz com que ele seja a ferramenta ideal para a mensuração da performance.
  
• Dados de fontes terceiras autorizadas são ingeridos e segmentados em uma variedade de conjuntos de dados comportamentais, demográficos e de localização, permitindo o aprimoramento do seu banco de dados interno para o enriquecimento e a análise de dados mais granulares. 
  
• Uma vez que os dados de impressão a nível de PII das suas ad networks parceiras são colocados em um Data Clean Room, você consegue obter insights sobre com que frequência os anúncios são exibidos para quais clientes, desduplicar dados de alcance e a frequência de uma campanha, reduzir a fadiga de anúncios e melhorar seu planejamento de mídias. 
  
• Os dados de impressão de publishers , audiências, dados primários de resposta e conversão podem ser vinculados para que você entenda o impacto incremental dos seus esforços de marketing.
  
• Os publishers podem enviar dados a nível do usuário para um ambiente seguro de um Data Clean Room e permitir que os anunciantes avaliem a sobreposição de clientes — ou mesmo a qualidade dos usuários — com base em diversas características.

Receba notícias de marketing e insights de especialistas direto em seu e-mail

The post Data Clean Rooms – diferentes usos que podem impulsionar a mensuração das suas campanhas appeared first on AppsFlyer.

Se você é um profissional de marketing, provavelmente já ouviu falar sobre os Data Clean Rooms. O que eles são?

Alguns chamam os Data Clean Rooms (DCRs) de “Suíça dos dados”, pois eles oferecem um espaço neutro e seguro para o acesso e uso de dados primários dos usuários. Em um ambiente de DCR, duas entidades podem compartilhar e analisar dados de forma segura, controlando completamente como, onde e quando esses dados podem ser usados.

Dessa forma, as marcas podem acessar dados críticos em um espaço privado, que não viola a privacidade dos usuários. Os dados a nível do usuário são enviados para um DCR, de onde insights agregados são extraídos em um grupo de audiências misturadas, a cohort.

Por isso, para que você esteja preparado(a) para 2022, te convidamos para nos acompanhar em uma jornada pelo mundo dos dados primários, em uma série de três blog posts totalmente dedicados aos DCRs.

Ao final dessa jornada, você saberá exatamente o que são os DCRs, como eles funcionam e por que os profissionais de marketing precisam deles, além de entender como eles podem afetar diretamente a mensuração das suas campanhas nos próximos anos.

Mas, primeiro, vamos contar como chegamos até aqui.

O ecossistema mobile está evoluindo

Apesar de sua reaparição no ano passado, a infraestrutura dos DCRs já existe há alguns anos.

O Google não foi a primeira empresa a usar esse termo, mas foi a primeira a comercializar uma solução de DCR, lançando o seu Ads Data Hub em 2017. Seu objetivo era criar um ambiente seguro e privado para o enriquecimento de dados primários (de CRMs, CDPs, logs de eventos, etc) com os dados de usuários contidos no ecossistema do Google, que seriam usados em suas campanhas.

Apenas um mês depois, o Facebook anunciou sua própria solução de DCR com o objetivo de compartilhar dados com os seus clientes. Coincidência? Acho que não.

Mas foi o ano de 2018 que realmente deu a largada para a era da privacidade dos usuários, com a criação da GDPR e da Prevenção de Rastreamento Inteligente 2.0 (ITP 2.0) da Apple, que estabeleceram um novo padrão de privacidade para o ecossistema.

Em 2019, a Amazon lançou uma plataforma de DCR chamada Amazon Marketing Cloud. No início de 2020 a CCPA entrou em vigor e, em abril de 2020, todo o ecossistema mobile ficou sem palavras com o lançamento da ATT, o mecanismo de opt-in do iOS 14.

Esse conjunto de diretrizes de privacidade do usuário e padrões de privacidade cada vez mais rigorosos transformaram a maneira como os anunciantes e as empresas coletam e compartilham os dados de seus clientes.

Em outubro de 2021, o Facebook anunciou que deixará de enviar dados de campanha a nível do usuário para os anunciantes, enviando-os apenas para os Parceiros de Mensuração Mobile (MMPs, do inglês Mobile Measuremente Partners). Seguindo essa tendência, em breve outras ad networks adotarão medidas semelhantes.

Com as inovações revolucionárias que a Apple introduziu com o framework da ATT, o anúncio do Facebook sobre o envio de dados a nível do usuário e a futura desativação dos cookies de terceiros do Google em 2023, a dimensão do compartilhamento de dados está cada vez mais limitada, dificultando ainda mais a mensuração e a otimização de campanhas.

Por isso, atualmente muitas empresas estão se esforçando para encontrar novas maneiras de acessar insights de marketing significativos de uma forma segura e privada.

Dando início às alianças para a colaboração de dados, em 2019 a Disney firmou parceria com a Target; a Unilever se juntou ao Facebook, Google e Twitter para criar um modelo de mensuração entre canais; a ITV começou a colaborar com a Infosum em 2020; e, em 2021, a TransUnion lançou sua colaboração de dados com a BlockGraph.

O recurso usado por essas marcas, que permitiu que essas colaborações de dados dessem certo? Os Data Clean Rooms!

Afinal, o que é um Data Clean Room?

Os DCRs permitem que os profissionais de marketing acessem um conjunto de dados combinados, respeitando as novas diretrizes de privacidade do usuário. Informações pessoais identificáveis (PII) ou dados restritos de atribuição coletados não são expostos a nenhum dos colaboradores dentro de um DCR, o que impede a identificação de usuários por meio de identificadores exclusivos.

PIIs e dados a nível do usuário são processados e ficam disponíveis para a mensuração, gerando dados anônimos que podem ser cruzados e combinados com dados de diferentes fontes.

Na maioria dos casos, os únicos resultados de um DCR são insights agregados – por exemplo, usuários que realizaram a ação X devem receber a oferta Y. Dito isso, insights a nível do usuário podem ser obtidos caso todas as partes envolvidas tenham consentido com o acesso a essas informações.

O que faz dos DCRs uma plataforma extremamente confiável é o fato de que o acesso, a disponibilidade e o uso dos dados são acordados entre todos os usuários do DCR, e a governança de dados é executada pelo provedor do DCR.

Essa estrutura garante que um colaborador não consiga acessar os dados dos outros, reforçando a regra básica de que os dados individuais ou do usuário não podem ser compartilhados entre diferentes empresas sem o devido consentimento.

Vamos supor que uma marca gostaria de compartilhar insights com a Target. Para facilitar o processo, cada colaborador deve transmitir seus dados a nível do usuário para um DCR – para descobrir o que o outro sabe sobre as audiências que eles têm em comum, como o tamanho do alcance e a frequência de uso, sobreposição de audiências, gestão e distribuição da plataforma, comportamento de compra e dados demográficos.

DCRs também podem ser usados como uma ferramenta intermediária para mensurar a performance de campanha. Na realidade, no lugar de apenas estimar os insights de audiências, as marcas podem usar os dados primários oferecidos pela Amazon ou Google, sem desrespeitar a privacidade de seus usuários.

Em troca, os anunciantes podem obter insights agregados sem precisar usar identificadores individuais para executar a segmentação e criar audiências lookalike, que podem ser compartilhadas com um publisher, uma DSP ou uma ad network para informar uma campanha. Caso você seja um vendedor que possui uma ad network, as marcas podem usar esses insights para comprar seus anúncios.

Como funciona um DCR?

Uma operação de DCR possui quatro partes: 

1 – Ingestão de dados

Dados primários (de CRMs, sites/apps, atribuição, etc) ou dados secundários obtidos de empresas colaboradoras (como marcas, parceiros, ad networks, publishers) são enviados para o DCR.

2 – Conexão e enriquecimento

Os conjuntos de dados são combinados a nível do usuário, se complementando por meio de recursos como o enriquecimento com dados terceiros.

3 – Analytics

Nesse estágio, os dados são analisados para: 

• Intersecções e sobreposições
• Mensuração e atribuição
• Propensity score (PS)

4 – Uso no marketing

Na última etapa, os insights de dados agregados podem ser usados por profissionais de marketing para:

• Criar audiências mais relevantes
• Otimizar testes A/B e a experiência de seus usuários
• Planejar estratégias e realizar a atribuição em diferentes plataformas
• Mensurar o alcance e a frequência
• Realizar análises mais detalhadas sobre as campanhas

Agora que já sabemos as etapas de uma operação de DCR, como é feita a correspondência de dados?

Ao trabalhar com um DCR, identificadores de e-mail, endereço, nome ou ID de dispositivo costumam ser semelhantes para o anunciante e o publisher, o que permite que seja feita a correspondência entre ambas as fontes de dados.

Caso esses identificadores não estejam disponíveis, ferramentas avançadas como o machine learning e modelos probabilísticos podem ser aplicados para aprimorar os recursos de correspondência.

Por que os profissionais de marketing devem usar um DCR?

O primeiro e principal motivo é o aumento da vigilância sobre a privacidade de dados.

Por conta das novas diretrizes de privacidade e das iniciativas de walled gardens, ou jardins murados (mais informações abaixo), a coleta, armazenamento, análise e compartilhamento de dados está cada vez mais difícil para os anunciantes e publishers.

O segundo motivo é a falta de confiança comercial entre as empresas. Como sabemos, compartilhar dados primários valiosos fora de um DCR é arriscado sob uma perspectiva legal e comercial.

Por fim, há a ineficácia dos processos de síntese de dados, nos quais a correlação entre diferentes conjuntos de dados exige a ação de cientistas de dados, o que pode ser um investimento caro e demorado.

DCRs ao resgate!

Quando se trata da privacidade de dados, todas as entidades dentro de um DCR possuem total controle sobre seus próprios dados, que normalmente são totalmente criptografados durante o processo. Um DCR possui governança e permissões de acesso aos dados extremamente rigorosas – cada empresa define quais e como os dados serão acessados e usados.

Outro aspecto importante é a privacidade diferencial, que faz com que seja impossível rastrear uma impressão, clique ou atividade de um usuário em específico.

Por fim, os DCRs oferecem recursos de processamento, consultas e relatórios agregados e privados, que podem ser usados para realizar integrações para a correspondência dos conjuntos de dados. 

Tipos de DCRs

Agora que já falamos sobre os aspectos comerciais, tecnológicos e legais responsáveis pela criação dos DCRs, vamos entrar em detalhes sobre os tipos de DCR disponíveis no ecossistema:

Walled Gardens – Plataformas de Big Tech

Esse grupo consiste de ecossistemas fechados nos quais o provedor de tecnologias possui um grande controle sobre o hardware, aplicativos e conteúdos compartilhados.

Os walled gardens foram introduzidos pelo Google, Amazon e Facebook para possibilitar a comercialização segura de seus dados primários e vencer a concorrência com relação ao gasto com anúncios .

O lado bom de optar por um walled garden é o suporte para o enriquecimento de conjuntos de dados primários com dados de eventos. Por outro lado, suas desvantagens incluem uma estrutura rígida, falta de ativação de dados entre plataformas (ou seja, a atribuição multitoque), falta de colaboração de dados entre diferentes empresas e uma funcionalidade restrita de consultas e relatórios.

Múltiplas plataformas ou players neutros

Esse tipo de DCR inclui dois subgrupos, e cada um possui um conjunto exclusivo de vantagens e desvantagens:

Modelo diversificado

Esse DCR é composto principalmente por empresas legadas que operam em indústrias adjacentes como os aplicativos de marketing ou o armazenamento de dados em nuvem. Diferentes fornecedores oferecem mecanismos de colaboração de dados para coletar sinais de forma segura e privada.

Seu acesso limitado em comparação com os dados dos walled gardens é recompensado por uma flexibilidade estrutural e o amplo controle sobre a governança de dados de acordo com cada tipo de dado e nível de análise.

Pure-players

São provedores de DCR em pequena escala, que costumam ser modelos de negócio exclusivamente online. Embora eles ofereçam ampla flexibilidade, a granularidade de seus dados primários é limitada, e eles costumam depender de infraestruturas terceiras para a ingestão de dados, além de oferecer poucas opções de integração.

MMPs

Apesar dos limites impostos pelas SRNs, seu parceiro de mensuração mobile (MMP) pode oferecer granularidade de dados a nível do usuário e entre canais e dados de conversão em tempo real. Além disso, um MMP possui as melhores soluções de analytics da indústria para aplicativos mobile, opções flexíveis de integrações e relatórios agregados de qualidade.

Para descobrir qual é o melhor provedor de DCRs para o seu negócio, considere o seu canal principal (mobile, aplicativo ou web), o tamanho do seu negócio, suas necessidades de marketing, estrutura de dados e recursos internos.

Comparação da performance relativa de cada tipo de DCR

Qual é o futuro do ecossistema mobile?

A coleta de dados primários é uma missão extremamente estratégica, tendência que continuará ganhando espaço nos próximos anos. Impulsionado por essa tendência, o interesse cada vez maior em ambientes seguros para a colaboração de dados fora dos walled gardens resultou na proliferação de fornecedores neutros de DCR.

Segundo uma previsão feita pela Gartner, 80% dos profissionais de marketing que possuem orçamentos de mídia maiores que US$1 bilhão passarão a usar DCRs até o final de 2023.

Essa é uma ótima notícia para todo o nosso ecossistema, pois quanto mais opções disponíveis, mais fácil será para as empresas adotarem um DCR mais adequado às suas necessidades exclusivas.

Quanto maior o número de empresas que usam bases de dados intermediárias e regulamentadas como os DCRs, mais fácil será para os profissionais de marketing medir, atribuir e otimizar suas campanhas.

Conclusões

• O DCR é um ambiente altamente protegido que possibilita a correspondência entre dois ou mais conjuntos de dados em um ambiente transparente. Essa solução resolve os impedimentos tecnológicos e legais da colaboração de dados entre empresas.
  
• Os DCRs são uma plataforma muito confiável pois o acesso, disponibilidade e uso dos dados são acordados entre todos os usuários do DCR em questão, e a governança de dados é imposta pelo provedor do DCR.
  
• Dentre os tipos de DCRs estão os walled gardens (fornecidos por gigantes da tecnologia como Google, Amazon e Facebook), múltiplas plataformas e players neutros, que oferecem mais flexibilidade de estrutura, governança de dados e opções de integração.
  
• Cada subgrupo de soluções de DCR possui suas próprias vantagens e desvantagens, de acordo com as necessidades de dados de cada negócio.
  
• A busca cada vez maior pelo acesso aos dados primários para a mensuração de campanhas está resultando em uma proliferação de provedores de DCR. Quanto maior o número de empresas que usam DCRs, mais fácil se torna para os profissionais de marketing monitorar, atribuir e otimizar suas campanhas.

The post Uma nova era – Data Clean Rooms appeared first on AppsFlyer.

Uma plataforma de gestão de dados (DMP, do inglês data management platform) é um banco de dados centralizado que pode ser usado para a coleta, armazenamento e implementação de dados de clientes para fins de publicidade digital. Os DMPs compilam dados de diferentes canais, oferecendo uma visão completa das informações demográficas, interesses e comportamentos online de um usuário.

O que é DMP?

Um DMP é uma ferramenta que cria um perfil dos seus clientes, fornecendo análises e facilitando a personalização de campanhas de marketing. 

A maioria dos profissionais de marketing cria campanhas com base em personas ou perfis fictícios do cliente ideal. Mas e se você não precisasse depender de palpites para ter uma campanha de marketing de aplicativos bem-sucedida? E se você pudesse automatizar suas compras de anúncios digitais com base no comportamento e nos interesses dos seus usuários, em tempo real?

Você pode usar um DMP para: 

• Aproveitar ao máximo seus dados através da inteligência de negócios e automação
• Acessar insights valiosos sobre o comportamento e as preferências de seus clientes, otimizando seus gastos com publicidade e mantendo a compliance com a privacidade de dados
• Aprimorar sua estrutura tecnológica, interagindo com plataformas de gestão de relacionamento com clientes, plataformas de dados de clientes e plataformas demand-side 

Por que os DMPs são importantes para os profissionais de marketing?

Os DMPs são essenciais para a publicidade programática e a automação da compra de anúncios através da IA e machine learning, além de terem um papel fundamental na aquisição de usuários. 

Pense em todas as diferentes informações que você coleta sobre a sua audiência: 

Centralizar todos os seus dados permite que você vá muito além — e, com um DMP, você pode combinar dados first-, second- e third-party para ter uma visão mais clara da sua estratégia:

• Dados first-party são dados coletados diretamente de uma fonte, como um site ou aplicativo, e geralmente são de propriedade da própria empresa. 
• Dados second-party são originalmente coletados por uma parte, mas são compartilhados com outra parte por meio de um contrato. Esses dados incluem itens como perfis de redes sociais e avaliações de clientes, que são compartilhados por meio de um parceiro confiável. 
• Dados third-party são dados coletados de várias fontes, sendo agregados e vendidos por uma empresa terceirizada. Na publicidade programática, esse tipo de dado pode ser usado para alcançar públicos específicos, rastrear o comportamento do usuário, otimizar campanhas e mensurar resultados.

Sem um sistema centralizado, os profissionais de marketing de aplicativos precisam acessar várias fontes e tipos de dados para obter insights, desperdiçando tempo e forçando-os a decidir manualmente como e onde exibir seus anúncios. 

Além de centralizar esses dados, um DMP também oferece uma visão unificada do comportamento dos clientes, além de atuar como um software de gerenciamento que permite que os profissionais de marketing ativem esses dados em suas campanhas. 

História dos DMPs

O primeira DMP, chamada BlueKai, foi criado por Omar Tawakol. Tawakol percebeu que as empresas coletavam informações gerais sobre seus clientes, mas não conseguiam entender a intenção de um comprador. Por exemplo, quando uma pessoa clica em um site de viagens como o Expedia, essa ação revela a intenção de um usuário de planejar uma viagem.

Embora tenha demorado algum tempo para que esse conceito ganhasse força, hoje os DMPs são um dos principais pilares da publicidade digital. A Oracle adquiriu a BlueKai por 420 milhões de dólares em 2014, apenas seis anos após sua criação. 

Os DMPs acabam com os palpites e as negociações quando se trata de anúncios digitais. Essa plataforma facilita a publicidade programática, segmentando dados de audiência, identificando posicionamentos de anúncios eficazes e permitindo que os profissionais de marketing comprem e vendam impressões através de bids automáticos.

DMP vs. CDP, DSP e DCR

É importante entender quais são as diferenças entre um DMP e um CDP, ou uma plataforma de dados de clientes. Um CDP agrega as informações dos clientes em um único banco de dados, obtidos de várias fontes. Isso inclui informações de identificação pessoal e dados comportamentais anônimos. No entanto, um CDP é apenas um banco de dados — ele não permite que os profissionais de marketing analisem essas informações ou façam qualquer ação. Essa plataforma atua como uma ponte para o compartilhamento de dados com qualquer outra plataforma que precise usá-los, como um CRM ou DMP.

Uma plataforma de gerenciamento de dados (DMP) é uma plataforma SaaS que não apenas armazena dados, mas também fornece informações sobre o comportamento dos clientes, permitindo a implementação de campanhas e a geração de leads. Os DMPs costumam ser usados para segmentação e personalização. 

Dois outros termos que você precisa conhecer são DSP e DCR. 

• Uma demand-side platform (DSP) é uma plataforma que permite que os anunciantes comprem espaço publicitário de vários publishers através de bids em tempo real. Os anunciantes podem oferecer bids por impressões em um marketplace no estilo de leilão, segmentando seus anúncios com base nos dados armazenados no DMP. Por exemplo, o Facebook Ads Manager é uma DSP que permite a compra de inventário de anúncios do Facebook e Instagram.

• Um data clean room (DCR) é uma solução de compartilhamento de dados que permite que duas partes mesclem conjuntos de dados first-party de forma segura. Com as atualizações de privacidade do iOS, os DCRs se tornaram cada vez mais populares, pois eles permitem que as empresas criem perfis de dados mais robustos para segmentação, sem violar a privacidade dos usuários. Um DCRs é uma plataforma separada, mas complementar a uma DMP. O Google, o Facebook e a Amazon têm seus próprios serviços de DCR.

Como funciona um DMP?

Um DMP coleta dados first-, second- e third-party de diferentes canais e dispositivos, tornando-os anônimos. Vamos entender cada etapa desse processo.

1. Os profissionais de marketing configuram seu DMP e fornecem os dados iniciais para criar uma base, que inclui:
   1. Dados online de aplicativos mobile, sites, analytics, etc. 
   2. Dados offline de fontes como CRM, histórico de compras e e-mails.
2. O DMP compila, anonimiza e categoriza esses dados.
3. Os profissionais de marketing podem adicionar tags ou criar mais categorias para esses dados.
4. O DMP fornece relatórios e informações sobre a sua audiência.
5. A plataforma se conecta a ad networks e canais digitais para a ativação de dados.
6. Com base em insights, os profissionais de marketing podem configurar campanhas usando dados de clientes em tempo real.

O que você pode fazer com DMPs

Agora que você sabe o que é um DMP, você pode usar esses dados para impulsionar o engajamento com seus anúncios. 

1. Segmentação de audiências

Antes da publicidade programática, os profissionais de marketing de aplicativos segmentavam audiências com base em traços demográficos bastante amplos. Com os dados avançados obtidos por IA, os DMPs podem segmentar audiências de acordo com os interesses, comportamentos, necessidades dos usuários e mais. Os algoritmos podem até mesmo permitir que você encontre audiências semelhantes às que você mesmo cria e segmenta.   

2. Personalização de anúncios

Depois de criar seus segmentos de audiências, você pode lançar campanhas publicitárias personalizadas. Por exemplo, vamos supor que você tenha um app de eCommerce. Em vez de exibir um anúncio geral da marca, você pode exibir um anúncio com produtos específicos, onde o DMP determina quais usuários podem se interessar por esses produtos. 

3. Retargeting em mais de um dispositivo

Como os DMPs integram dados de vários dispositivos, você pode lançar campanhas personalizadas que aproveitam as impressões em todos os dispositivos e canais. Ao conectar seu DMP a uma DSP, você pode configurar campanhas publicitárias que “seguem” um usuário de um site para outro, ou do desktop para o celular, por exemplo.

4. Impulsione seu ROI

Outro benefício de usar um DMP é que ele pode te ajudar a otimizar seus gastos com anúncios. Ao analisar dados sobre o comportamento e as preferências de um cliente, a plataforma permite que você identifique quais canais e mensagens são mais eficazes para alcançar sua audiência. Assim, você distribui seu orçamento de forma mais eficiente, garantindo resultados melhores.

5. Acesse insights sobre a sua audiência

Assim como você pode rastrear a atividade de uma campanha publicitária até uma compra, você também pode fazer um acompanhamento retroativo para obter insights sobre quem realmente compra seu produto ou serviço. Analytics avançados permitem que você faça pesquisas de mercado para descobrir quais são os principais atributos demográficos e comportamentais dos seus clientes.  

6. Mantenha a sua compliance

Essa talvez seja a principal vantagem de usar um DMP: a plataforma pode te ajudar a cumprir com as regulamentações de privacidade de dados. Com a LGPD, a GDPR e outras leis de privacidade em vigor, as empresas precisam ter cuidado com a forma como elas coletam e compartilham os dados dos clientes. Por exemplo, as multas pelo manuseio incorreto de dados de cidadãos da UE sob a GDPR começam em 10 milhões de euros ou 2% da receita de uma empresa. Um DMP permite que você se mantenha dentro dos limites da lei, evitando multas caras e protegendo sua reputação. 

DMPs e sua estrutura tecnológica de marketing

Os DMPs são apenas uma parte da engrenagem de uma estrutura tecnológica de um profissional de marketing. Criar uma estrutura adequada para a sua empresa é um processo complexo, pois você provavelmente precisará escolher entre diferentes fornecedores e descobrir plataformas que possam ser usadas em conjunto. O número de opções de martech é impressionante — observamos um crescimento de quase 10x na quantidade de plataformas na última década (2012-2022), que agora incluem automação de marketing, analytics, atribuição e muito mais.

Eu preciso de um DMP?

Quer saber se ter um DMP é o ideal para você? No caso de startups que não possuem uma equipe de marketing dedicada para a sua gestão, essa plataforma pode não ser necessária. Nesse caso, também é possível optar por ter uma agência de marketing digital que faça essa gestão por você. Muitas startups começam com ferramentas gratuitas de análise de produtos que realizam análises básicas, antes de avançar para pacotes mais robustos.

Empresas enterprise e de médio porte, que possuem grandes equipes de marketing, devem ter um DMP que permita a automatização e a otimização das suas campanhas mobile. Agora, Vamos falar sobre os diferentes tipos de ferramentas que podem te ajudar com o seu sucesso em cada um dos ciclos de vida de seus produtos. 

Testes

• Product analytics para a mensuração de aplicativos

Implementação

• Provedores de atribuição para a mensuração e automação de marketing.

Expansão

• Parceiros de mídia e serviços de localização
• CDP como um stack connector

Maturidade

• Armazenamento em cloud e visualização de dados para mensuração
• DMP e marketing cloud platform como stack connectors

Crie a sua base martech e adquira mais usuários

Os DMPs funcionam como um stack connector para o crescimento e expansão, levando um produto à maturidade. Para usar essa plataforma de forma eficaz, você precisa de algumas bases:

• Uma plataforma de CRM para armazenar suas informações de leads e clientes
• Um CDP para limpar e compilar seus dados em um banco de dados centralizado
• Um DSP para a compra de inventário de anúncios

Além disso, sua equipe precisa definir quais serão suas práticas de coleta, armazenamento e categorização dos dados first-party, para manter práticas de dados limpas e garantir sua compliance.

Vá mais longe com a inteligência de dados

Para elevar sua estratégia de marketing, você precisa ir um pouco mais além. A atribuição é a inteligência de dados ideal que permite que você avalie seus resultados e entenda quais canais de marketing impulsionam o download do seu app. A atribuição mobile é o processo de documentar e atribuir cada instalação e engajamento de um aplicativo ao canal responsável por essa ação.

Você também pode completar seus esforços de marketing através da mensuração de in-app analytics. Em um ecossistema de aplicativos gratuitos, as instalações nem sempre se traduzem em receita. Você ainda precisa de uma ferramenta para mensurar a retenção e o engajamento in-app. Tenha uma parceira de mensuração mobile (MMP), como a AppsFlyer, que possa mensurar seus analytics de campanhas em diferentes dispositivos e plataformas.

Principais conclusões

• Um DMP é um banco de dados centralizado que compila e categoriza dados first-, second- e third-party, além de fornecer uma interface para a ativação de dados.
• Um DMP é diferente de um CDP, DSP e DCR, mas ele complementa cada uma dessas ferramentas dentro de uma estrutura martech.
• Os DMPs são um componente essencial da publicidade programática: eles permitem que os profissionais de marketing segmentem audiências, encontrem públicos semelhantes e implementem anúncios personalizados por meio de bids automáticos.
• Embora as startups nem sempre precisem de um DMP, ele é um componente essencial da estrutura tecnológica de qualquer profissional de marketing, impulsionando a maturidade de um produto.
• Antes de começar a usar um DMP, você precisa estabelecer suas bases, que incluem uma plataforma de CRM, uma plataforma de dados de clientes e um data clean room.
• Com os DMPs, os profissionais de marketing podem automatizar a compra de anúncios, impulsionando o ROI e garantindo um crescimento contínuo dos negócios, enquanto analytics sofisticados ajudam a mensurar o sucesso de uma campanha.

The post DMP (Data Management Platform) appeared first on AppsFlyer.

O marketing mix modeling (MMM) avalia o impacto das campanhas de marketing e publicidade para determinar como elementos internos e externos contribuem para o resultado desejado, seja ele receita ou qualquer outro KPI.

O que é marketing mix modeling (MMM)?

Marketing mix modeling, também conhecido como modelagem de mix de marketing, é um método estatístico usado para mensurar o impacto de diferentes campanhas de marketing e publicidade. Mais especificamente,esse método revela como os 4Ps do mix de marketing – produto, preço, praça e promoção – contribuem para um objetivo específico, que muitas vezes é aumentar as conversões. 

Os elementos abaixo também costumam ser mensurados no MMM:

• Dados de vendas: avalie a eficácia de diferentes estratégias de marketing e campanhas que levam aos resultados desejados, como mais downloads do app ou mais receita.
• Dados de clientes: avalie as informações demográficas e comportamentais dos seus clientes, como renda, idade e hábitos de compra.
• Media spend: mensure o total gasto em diferentes formatos e tipos de mídia.
• Exposição de mídia: avalie o alcance, frequência e gross rating points das suas mídias.
• Fatores externos: fatores que influenciam o desempenho de vendas e de marketing, como atividade da concorrência, condições econômicas e sazonalidade.

Usando o MMM, você pode identificar quais elementos da sua estratégia de marketing mobile funcionam ou não, permitindo que você ajuste a sua abordagem e otimize a sua campanha.

Como funciona o MMM?

O MMM usa análises estatísticas para entender como diferentes esforços de marketing afetam seus resultados de negócios. Usando uma técnica chamada análise de regressão multilinear, esse método permite que você vincule variáveis ​​independentes (como gastos com marketing em diferentes canais ou métricas de engajamento do usuário) a uma variável dependente (como downloads ou receita). 

A ideia aqui é avaliar vários modelos para responder à seguinte pergunta: o que acontecerá se você fizer uma mudança específica? 

Por exemplo, você pode usar o MMM para medir o impacto dos anúncios in-app em sua receita total. Assim, você pode observar o efeito do aumento dos gastos com esses anúncios e entender se essa mudança gera mais ou menos receita para o seu negócio. 

Para usar o MMM de maneira eficaz, você precisa de dados agregados e limpos, coletados de bancos de dados internos e fontes externas. Idealmente, seus dados cobrem um período de dois a três anos, para que seja possível avaliar efeitos como a sazonalidade. Em seguida, você atribui um valor numérico a cada campanha com base no retorno do investimento (ROI) obtido, usando isso para alocar gastos futuros e criar previsões de vendas.

Quatro fases do MMM

Um processo MMM padrão eficaz possui as seguintes fases:

Fase 1: coleta de dados 

Com o fim iminente dos cookies third-party, você precisa se concentrar na coleta de dados first-party para ter uma representação mais precisa das reações e do comportamento dos usuários com relação à sua estratégia de marketing. 

Reúna dados históricos abrangentes sobre atividades de marketing anteriores, fontes não relacionadas a marketing e fatores externos. Por exemplo, métricas de engajamento do usuário, dados demográficos do público-alvo e gastos com publicidade. 

Você também precisa garantir a integridade dos dados, usando métodos como parcerias de dados second-party (ou seja, informações de parceiros atuais ou futuros para enriquecimento do banco de dados) e data clean rooms (usando informações de usuários agregadas e anônimas para proteger a privacidade dos seus clientes).

Fase 2: modelagem

O MMM funciona melhor com canais digitais: métodos tradicionais como impressão e transmissão são mais difíceis de mensurar. Você pode usar a regressão multilinear para determinar seu ROI, usando insights precisos e confiáveis ​​para a tomada de decisões.

Para criar um modelo MMM, escolha a variável dependente ou resultado de negócios (por exemplo, receita ou downloads) que você deseja avaliar. Em seguida, identifique as variáveis ​​independentes, também conhecidas como fatores que impactam a variável dependente (coisas como gastos com publicidade e público-alvo). 

Certifique-se de incluir variáveis ​​controláveis, como preço e canal, e variáveis ​​incontroláveis, como concorrência e inflação. 

Por fim, atribua valores às variáveis ​​dependentes e independentes e crie um modelo matemático que represente a relação entre elas.

Fase 3: análise de dados e insights

Nessa fase, você usará o modelo da fase 2 para descobrir e analisar insights relacionados às suas campanhas de marketing.

Avalie a contribuição de cada canal para os resultados de negócios e métricas identificadas anteriormente. Continuando com nosso exemplo, você pode classificar suas campanhas de marketing com base no seu impacto sobre a sua receita ou sobre o engajamento do usuário. A partir daí, você pode mensurar a eficácia e o ROI de cada campanha.

Você também pode usar seu modelo para prever o engajamento e a receita futura gerada pelo usuário. Mas atenção: os modelos baseados em dados históricos assumem que os padrões passados ​​se repetirão no futuro e, portanto, não consideram mudanças de cenário. 

Fase 4: otimização

A otimização é a fase final do MMM, onde você otimiza seu mix de marketing para campanhas futuras usando os resultados da fase 3. 

Considere simular diferentes cenários de marketing, segmentar audiências diferentes ou alterar os níveis de gastos com publicidade para identificar a combinação de estratégias ideal que permitirá que você atinja suas metas com mais rapidez. 

MMM em ação: um exemplo

Vamos supor que você queira determinar o impacto dos anúncios in-app sobre a sua receita.

Durante as fases do seu MMM, você primeiro coletará dados de gastos com publicidade, dados demográficos do seu público-alvo e dados da receita do ano anterior. Em seguida, você usará a regressão multilinear para criar um modelo que represente a relação entre essas variáveis. 

Vamos supor que o modelo mostre que os gastos com publicidade e a demografia do seu público-alvo têm um impacto positivo significativo na sua receita. Isso significa que você pode otimizar seu mix de marketing para campanhas futuras, aumentando os gastos com publicidade em canais que possuem um maior impacto na receita e concentrando seus esforços de marketing em uma audiência mais lucrativa.

O MMM é o modelo certo para você?

Quando se trata de MMM, não existe uma abordagem padrão. Você deve considerar alguns fatores para entender se esse é o modelo certo para a sua campanha mobile.

Orçamento

Por ser uma abordagem baseada em dados, o MMM geralmente envolve um investimento significativo na coleta, modelagem e análise de dados, o que faz com que esse investimento seja muito pesado para pequenas empresas. Antes de se comprometer com um modelo de MMM, verifique se o seu orçamento de fato cobre esses custos.

Disponibilidade de dados

Ter acesso a um conjunto grande e diversificado de dados, incluindo dados históricos de marketing e dados relacionados a fatores externos que afetam o sucesso do seu aplicativo, é crucial para o funcionamento do MMM. Verifique a disponibilidade desas informações e o nível de esforço necessário para coletá-las e processá-las, e avalie se isso é de fato viável.

Complexidade do mix

Se a sua campanha de marketing de aplicativos tiver um mix de marketing complexo que envolve vários canais e táticas, o MMM será uma ótima escolha para melhorar os seus resultados. Por outro lado, se a sua campanha for simples e direta, o MMM pode não ser a abordagem mais apropriada.

Receba notícias de marketing e insights de especialistas direto em seu e-mail

Objetivo da campanha

O MMM funciona melhor quando você deseja compreender o impacto de diferentes atividades de marketing sobre os seus principais resultados, como downloads ou compras no aplicativo. Se o seu objetivo é gerar resultados de curto prazo (por exemplo, engajamentos no nível do usuário, como cliques ou impressões), a atribuição baseada em dados seria uma opção melhor.

Vamos falar sobre as semelhanças e diferenças entre os dois modelos mais adiante.

Habilidade e experiência

O MMM requer experiência em ciência de dados, modelagem e marketing analytics. Se sua equipe não tiver as habilidades e a experiência necessárias, será difícil implementá-lo de forma eficaz.

Tempo

O MMM costuma ser um processo demorado, levando várias semanas ou até meses para ser concluído. Portanto, se a sua campanha for urgente, ele pode não ser a melhor escolha.

Como mensurar o MMM?

Os analistas identificam variáveis ​​dependentes e independentes e as colocam em uma equação. Dependendo da relação entre as variáveis, a equação pode ser linear ou não linear. Monitorar e mensurar certos elementos é crucial para o uso do MMM. 

Vamos falar sobre cada elemento:

1 — Volume de vendas

Ao analisar o volume de vendas no MMM, é necessário dividir as vendas totais em dois componentes: vendas básicas e vendas incrementais.

• As vendas básicas são impulsionadas por fatores subjacentes, como preços, tendências de longo prazo, sazonalidade, awareness e fidelidade do usuário. Geralmente, incluem variáveis ​​econômicas que flutuam durante um período específico.
• As vendas incrementais são impulsionadas por atividades de marketing e vendas. Você pode separar o total de vendas incrementais em segmentos impactados por cada iniciativa para entender qual parcela é diretamente influenciada pelos seus esforços de marketing e quão eficazes são essas atividades.

Você pode analisar cada tipo de volume de vendas para compreender o impacto específico de cada atividade de marketing.

2 — Preços

As alterações de preços têm influência direta no volume de vendas – e o MMM pode ajudar a quantificar esse impacto. 

Você pode obter insights valiosos sobre o impacto direto das suas escolhas de preços, analisando a relação entre mudanças no preço e alterações nas vendas. Usando essas informações, você pode otimizar suas estratégias para alcançar os resultados desejados. 

Vamos supor que você aumente o preço do seu aplicativo de R$ 3,99 para R$ 4,99. Usando oa MMM, você descobre que esse aumento resultou em uma redução de 5% nas compras in-app, mas, devido ao preço elevado, sua receita aumentou em 20%.

Com essas informações, você pode continuar com o novo preço definido, sabendo que isso resultará em um aumento de receita com impacto mínimo no volume de vendas.

3 — Mídia e publicidade

O MMM é uma ferramenta valiosa para analisar o impacto da mídia e da publicidade nas suas vendas em diferentes meios e canais, incluindo anúncios online, impressos e outdoors. Embora os resultados do MMM possam não fornecer respostas tão claras, eles ainda podem fornecer insights valiosos sobre como mudanças nas suas estratégias de publicidade influenciam as vendas do seu app.

Alguns exemplos incluem:

• Anúncios curtos vs. anúncios longos
• Exibição de anúncios no Facebook vs. Instagram
• Exibição de anúncios durante o horário nobre vs. horário fora do horário nobre 

Você pode usar esses insights para otimizar seus gastos com publicidade, garantindo o máximo retorno do seu investimento. 

4 – Distribuição 

Um sistema de distribuição eficiente impulsiona o seu crescimento de forma mais eficaz do que qualquer outro elemento. Portanto, o fato de você poder usar o MMM para determinar o impacto das mudanças nos seus esforços de distribuição sobre as variáveis ​​dependentes é uma grande vantagem. Com isso, você conquista uma visão holística de todos os seus canais de distribuição e custos relacionados, permitindo que você tome decisões informadas sobre os canais nos quais você deve investir. 

Vamos supor que você queira expandir seus esforços de distribuição. 

Você pode usar o MMM para analisar os dados de vendas de diferentes canais, como parcerias, plataformas de rede social e lojas de aplicativos. Se você identificar que a parceria com outros aplicativos populares impulsiona downloads e compras in-app, você pode concentrar seus esforços de distribuição na expansão das suas parcerias, em vez de depender apenas de lojas de aplicativos e redes sociais.

Marketing mix modeling vs. atribuição baseada em dados

A atribuição baseada em dados se refere aos diferentes modelos de atribuição, como a atribuição de um toque e a atribuição multitoque, que monitora os engajamentos dos usuários ao longo de toda a jornada. 

Você pode usar esses insights para entender quais táticas têm o maior impacto em seus resultados, à medida que os consumidores avançam na jornada do aplicativo. Esses modelos de atribuição avaliam a performance após o final de uma campanha.

De modo geral, o marketing mix modeling e a atribuição baseada em dados permitem que você entenda como as suas táticas de marketing afetam um objetivo de negócios específico, como a receita. Ambos os métodos também utilizam modelos estatísticos e matemáticos para analisar os dados. 

Mas é aí que as semelhanças acabam.

O MMM não leva em consideração o engajamento no nível do usuário – em vez disso, ele mensura o impacto que os esforços de marketing têm no cumprimento dos objetivos de negócios predeterminados, sem considerar a jornada do cliente. Por outro lado, a atribuição baseada em dados foca em dados pessoais, como o total de impressões e cliques.

Veja abaixo uma tabela de comparação desses dois modelos, que mostra o papel que cada um pode desempenhar no marketing mobile.

Vantagens e desvantagens do MMM

Hoje, a maioria dos profissionais de marketing não tem objetivos e KPIs claros e depende apenas de métricas de “vaidade” (métricas que não têm nenhum impacto sólido nos resultados de negócios). Outros não conseguem segmentar sua audiência e acabam lançando mensagens e campanhas de marketing genéricas que apresentam um baixo desempenho.

Se você também acha difícil medir o impacto dos seus gastos com marketing, incluir o MMM como parte da sua estratégia pode ser a resposta para os seus problemas. Mas, como qualquer outro sistema de modelagem, o MMM também tem seus poréns.

Vamos falar dos prós e contras:

Vantagens do MMM

• Preciso, com cobertura completa de canais de marketing digitais e tradicionais
• Captura a relação entre variáveis
• Avalia resultados de conversão online e offline
• Estima e mensura a saturação da mídia e os níveis de rendimento, permitindo que os profissionais de marketing identifiquem o investimento ideal
• Abordagens avançadas de MMM fornecem recursos de planejamento de cenários e otimização de orçamento, permitindo a execução de simulações para prever resultados de negócios
• Contabiliza os fatores que impactam diretamente o ROI
• Não utiliza informações de identificação pessoal para garantir que a privacidade do usuário nunca seja comprometida

Desvantagens do MMM

• Exige muitos inputs de dados históricos
• Baseia-se em uma série de suposições para fatores não relacionados ao marketing
• Baixa frequência de relatórios
• Não considera a relação entre canais
• Não fornece informações sobre a marca ou sua narrativa
• Não leva em consideração a experiência do cliente

Principais conclusões

• O marketing mix modeling (MMM) é uma abordagem estatística usada para avaliar o impacto de vários canais e táticas de marketing em um resultado específico. 
• O MMM utiliza dados históricos para analisar as relações entre inputs e outputs de marketing, permitindo que os profissionais de marketing entendam a contribuição de cada canal para o desempenho geral e otimizem seu mix de mídia para gerar o máximo impacto.
• Para decidir se o MMM é adequado para a sua campanha, considere o orçamento, disponibilidade de dados, complexidade do mix, objetivo e o prazo da campanha, além das suas habilidades e experiência. 
• Um processo MMM padrão tem quatro fases: coleta de dados, modelagem, análise e insights de dados, e otimização.
• O MMM é diferente da atribuição baseada em dados, que utiliza informações do usuário para mensurar como pontos de contato individuais afetam a conversão.
• O MMM pode ajudar os profissionais de marketing a identificar seus canais mais eficazes, mensurar o ROI e tomar decisões informadas sobre como distribuir seu orçamento para impulsionar vendas e receita.

The post Marketing mix modeling (MMM) appeared first on AppsFlyer.

Em um mundo digital que não para de evoluir, inovações revolucionárias surgem aproximadamente a cada 10-15 anos, mudando completamente a nossa realidade. Tudo indica que a inteligência artificial (IA) será a próxima oportunidade, com o potencial de gerar um impacto global profundo e rápido, ultrapassando até mesmo o lançamento do iPhone em 2007.

Como cofundador e CEO da AppsFlyer, tive a oportunidade única de navegar pelas constantes mudanças do cenário mobile e digital durante mais de uma década. A criação dos smartphones foi um momento fundamental para a nossa empresa, surgindo como uma luz para os desenvolvedores de aplicativos que começaram a explorar ecossistemas completamente desconhecidos. A cada reviravolta, sempre estivemos presentes para ajudar a moldar o futuro mobile.

Assim, abraçar o potencial transformador da IA se torna uma tarefa urgente; caso contrário isso pode representar um risco existencial para a maioria das empresas. No entanto, o uso de grandes conjuntos de dados por parte da IA vai contra os princípios fundamentais da proteção de dados, que, além de serem críticos para preservar as informações dos consumidores, também estão alinhados com os regulamentos e políticas de privacidade de diferentes plataformas.

Vamos explorar as mudanças transformadoras, os riscos e as oportunidades que a IA e a privacidade de dados criam, e falar sobre como a AppsFlyer pretende capacitar seus milhares de clientes a aproveitarem essas novas tecnologias enquanto mantêm a compliance com os regulamentos de proteção de dados.

Privacidade: políticas das plataformas

A maioria das empresas depende do uso de dados primários, que crescem cada vez mais em volume, complexidade e acessibilidade. A coleta, organização e análise desses dados é crucial para melhorar os produtos e as experiências oferecidas, além de garantir o sucesso em um cenário ultracompetitivo. Embora seja importante colaborar com os fornecedores de serviços, esse processo está cada vez mais complexo, criando riscos adicionais. Isso acontece porque a maioria dessas parcerias exige o compartilhamento de dados primários.

Nos últimos anos, o ecossistema digital tem enfrentado verdadeiras mudanças e desafios com relação à privacidade. A evolução de regulamentos como a GDPR e a CCPA, atualizações nas políticas das principais plataformas e um aumento no controle da utilização de dados levaram a uma reestruturação significativa dos alicerces da internet, que incluem cookies, identificadores e URLs. Essas transformações têm um impacto profundo na forma como as empresas gerenciam, coletam e analisam dados. 

Muita coisa está em jogo: os regulamentos de privacidade estão cada vez mais rigorosos e as empresas precisam se adaptar rapidamente a novas tecnologias como a IA, tudo enquanto mantêm a compliance e a privacidade de dados. Esses fatores são determinantes para o sucesso ou a extinção de qualquer negócio.

IA: muito além de uma buzzword

Imagine um serviço mágico de IA que monitora constantemente todos os seus dados, fornecendo informações e previsões cruciais em tempo real que, de outra forma, poderiam permanecer ocultas. Esses insights, que normalmente exigiriam semanas de trabalho para serem descobertos, podem ajudar a evitar perdas significativas. 

O uso de grandes quantidades de dados por parte da IA obriga as empresas a compartilharem informações de clientes com um número cada vez maior de parceiros e prestadores de serviços. Essa prática entra em conflito com o princípio fundamental da privacidade e da minimização de dados, levantando algumas questões como: qual é a quantidade “máxima” de dados do consumidor necessária para cumprir regulamentos como a GDPR e a CPRA? São horas, semanas, meses ou mesmo anos do histórico de dados de um usuário? Como as empresas podem enfrentar esse desafio enquanto mantêm sua compliance?

Elas são obrigadas a escolher entre o risco de perder oportunidades inovadoras e o risco de quebrar a confiança do consumidor? Entre perder a vantagem do acesso a dados primários ou violar os regulamentos de privacidade? 

Os dados dos clientes são um dos assets mais valiosos da maioria das empresas. A sua exposição traz riscos significativos do ponto de vista comercial e competitivo. Assim, como elas podem garantir que os dados compartilhados com terceiros e com serviços de IA permaneçam protegidos contra vazamentos e usos indevidos? Já imaginou se um dos seus concorrentes conseguisse chegar até os seus clientes mais valiosos usando seus próprios dados? Será que é possível aproveitar as vantagens do compartilhamento de dados sem realmente compartilhar essas informações?

Alcançar esse equilíbrio delicado é fundamental: aproveitar o potencial inovador da IA e, ao mesmo tempo, manter a confiança do consumidor e cumprir com os novos regulamentos de privacidade.

Considerando os riscos desse paradoxo, existe um caminho viável para o uso de novas tecnologias, trazendo uma harmonia entre os princípios da minimização de dados e o uso de dados da IA? Além disso, como as empresas podem testar e integrar essas inovações sem passar por longos processos de compliance?

Privacy Cloud e Data Clean Room da AppsFlyer

Em 2021, apresentamos o Privacy Cloud e o Data Clean Room. Essas tecnologias são a prova de que a colaboração de dados e a privacidade podem coexistir harmoniosamente. O Privacy Cloud atua como uma plataforma aberta confiável, incentivando a colaboração e a inovação em todo o ecossistema, com a participação de marcas, publishers, ad networks, plataformas, parceiros tecnológicos, empresas de analytics e agências. 

Ela permite que as empresas colaborem de forma rápida e segura, reunindo seus dados sem precisar compartilhar informações individuais no nível do usuário. Além de facilitar a tomada de decisões cruciais, isso também permite o uso de tecnologias inovadoras, como a IA. 

A próxima fase do Privacy Cloud: o marketplace 

Hoje, estamos felizes em anunciar que abrimos o Privacy Cloud para serviços e plugins de terceiros, em um movimento que visa fornecer soluções mais completas para nossos clientes, parceiros e o ecossistema como um todo. Com o Data Clean Room, adotamos uma posição pioneira para moldar um futuro no qual as empresas possam integrar facilmente modelos avançados de IA e outros serviços, minimizando ou eliminando a necessidade de transferência, cópia ou compartilhamento de dados do usuário e garantindo a máxima privacidade e eficiência. 

Assim, nossos clientes podem aproveitar as mais recentes inovações do mercado ao mesmo tempo em que mantêm total controle sobre seus dados e permanecem em compliance com os regulamentos e políticas de privacidade de diferentes plataformas. 

Isso está completamente de acordo com o nosso objetivo de oferecer experiências digitais melhores e mais seguras através da colaboração e da inovação centradas na privacidade. E esse é só o começo.

Aos prestadores de serviços: ao longo dos anos, vimos o surgimento de várias inovações transformadoras. No entanto, a compliance com a proteção de dados sempre aparece como um obstáculo a esse crescimento. Milhares dos nossos clientes já têm seus dados armazenados, processados e organizados dentro da AppsFlyer Cloud, e estão ansiosos para aproveitar esses serviços. Para fazer parte do Privacy Cloud Marketplace, envie uma mensagem para marketplace@appsflyer.com. 

Aos nossos clientes: Nas últimas duas décadas, a evolução da computação em nuvem e a proliferação de várias ofertas de Software as a Service obrigaram as empresas a compartilharem as informações dos seus usuários com centenas de entidades e prestadores de serviços. Com a introdução da IA, estamos convencidos de que as empresas devem trazer esses serviços SaaS ou modelos de IA até os seus dados, em vez de transferir esses dados para serviços externos.

Além de facilitar a compliance, essa abordagem também acelera o time-to-market, simplifica processos de segurança e compliance associados à adoção de novos serviços, permite um mapeamento instantâneo dos dados e reduz possíveis riscos.

Quer usar um novo fornecedor sem violar políticas de privacidade globais? Mande uma mensagem para a nossa equipe. 

Estamos no limiar de uma transformação revolucionária. As empresas que reconhecem essa oportunidade estão preparadas para o futuro. Queremos ajudar nossos clientes a aproveitarem ao máximo essas inovações: essa é a nossa missão com o Privacy Cloud Marketplace.

The post O paradoxo da IA / privacidade de dados e o futuro da colaboração appeared first on AppsFlyer.

Em meio a tantas mudanças no ecossistema mobile e digital, estamos passando por uma revolução na maneira como tratamos os dados primários dos usuários. Um dos principais desafios desse processo é a constante evolução das diretrizes de privacidade, com a SKAN, o futuro lançamento do Sandbox de Privacidade, e leis de proteção de dados, como a LGPD.

Ao mesmo tempo, sabemos que a maioria dos profissionais de marketing têm um objetivo em comum — fazer as melhores escolhas para o seu app e clientes. Dito isso, muitos têm questionado se o uso de dados a nível do usuário é realmente necessário para oferecer uma experiência excepcional.

Assim, a pergunta que não quer calar é: quais estratégias e soluções podem ajudar os profissionais de marketing a atingirem seus objetivos e impulsionar seus negócios, sem violar a privacidade dos usuários finais? Veja abaixo um pouco do que falamos no MAMA São Paulo 2023.

A importância das métricas

As métricas são um dos recursos mais valiosos dentro da estratégia de qualquer profissional de marketing. Elas nos ajudam a entender o comportamento dos usuários e oferecem insights práticos que nos permitem tomar as decisões certas tanto em nosso planejamento quanto em nossos investimentos.

No entanto, para que elas tenham um impacto realmente significativo, é necessário pensar fora da caixa e se aprofundar um pouco mais em suas especificidades.

Por exemplo, não basta olhar somente para as instalações geradas por meio de mídia paga; é necessário olhar para o total de instalações para que você tenha uma visão completa sobre o que realmente está acontecendo em seu app. Da mesma forma, é muito importante mensurar toda a jornada do usuário, para que você possa identificar em que pontos sua estratégia está funcionando ou não.

No entanto, ainda que isso seja fundamental para o sucesso, é inegável que a mensuração se tornou mais complexa nos últimos anos. Começando com o lançamento da SKAdNetwork (SKAN), que revolucionou o ecossistema mobile e abriu as portas para o desenvolvimento de novas soluções centradas na privacidade, agora também estamos na expectativa do lançamento do Sandbox, que possui suas próprias peculiaridades.

Vamos entrar em mais detalhes sobre o que são esses frameworks e como eles afetam o ecossistema mobile.

SKAN e Sandbox de Privacidade: o futuro da mensuração

Os usuários querem ter a possibilidade de consentir com a coleta e o compartilhamento de seus dados, tanto por uma questão de transparência quanto de controle. Para eles, é importante minimizar a quantidade de dados compartilhada com terceiros. Para além da questão da coleta em si, um ponto crucial é a real necessidade disso.

Ao mesmo tempo, eles ainda querem ter uma experiência personalizada e contextual em sua jornada. Assim, para que isso seja possível, uma boa solução de privacidade deve ser constituída por três pilares centrais: segmentação, capacidade de mensuração e remarketing.

Vamos falar sobre como funcionam os frameworks de cada sistema operacional (iOS e Android), e entender se eles possuem esses três pilares ou não.

iOS: SKAdNetwork

Introduzida pela primeira vez em 2018, a SKAdNetwork é uma API que oferece atribuição de instalação direta. Ela foi desenvolvida para fornecer atribuição de campanhas no iOS com precisão e foco na privacidade, sem revelar nenhum dado de nível de usuário ou de dispositivos específicos.

Por ter um grande foco na privacidade, essa solução é compatível apenas com a mensuração, sendo bastante limitada em diversos pontos cruciais da jornada de marketing, principalmente para o remarketing e a segmentação de usuários. Algumas das principais consequências observadas após o lançamento da SKAN foram:

• Queda de 12% no gasto com anúncios no iOS, por cortes em orçamentos: empresas que dependiam de anúncios para gerar receita foram muito afetadas.
• Aumento no inventário de publishers e ad networks: impacto negativo sobre a experiência do usuário final, que deixou de receber uma jornada personalizada e contextual.

Ainda assim, vemos bons exemplos de empresas que tiveram sucesso nessa nova realidade. O que elas nos mostram é que ignorar a SKAN não é a solução: quando assumimos uma abordagem proativa, buscando entender e nos adaptar às mudanças, o sucesso é uma consequência de nossos esforços.

Dito isso, uma coisa é certa: o framework da SKAN é especialmente eficaz quando usado em conjunto com uma MMP, que atua como uma fonte confiável que desduplica e centraliza todos os seus dados. Também vale ressaltar que, desde o seu lançamento, a SKAN já passou por algumas atualizações, chegando à sua versão mais recente, a SKAN 4.0, que possui recursos que ampliam a capacidade de mensuração dos profissionais de marketing.

Android: Sandbox de Privacidade

Você provavelmente está se perguntando se o futuro do Android será igual ao do iOS. A resposta mais simples é: não. O Sandbox de Privacidade, ao contrário da SKAN, tem como um de seus principais objetivos solucionar todos os pilares mencionados anteriormente. Para isso, ele conta com três recursos:

• Attribution API: solução de atribuição de último clique, na qual nenhum dado no nível do usuário é compartilhado.
• Topics: solução de segmentação entre aplicativos com base nos interesses dos usuários, que são separados em diferentes grupos de “tópicos”, sem que haja o compartilhamento de dados no nível do usuário.
• Protected Audiences API: solução de retargeting e gestão de audiências, que permite o bidding e criação de audiências no dispositivo.

O Google esteve em estreita colaboração com MMPs ao longo do processo de desenvolvimento dessa solução, e também se manteve aberto aos feedbacks e sugestões da indústria, permitindo que todos se planejem com antecedência para essa mudança.

Para resumir o que aprendemos até agora: é necessário começar a se planejar para o futuro. Para isso, é necessário verificar se os seus parceiros estão prontos para essas mudanças e avaliar quais recursos eles oferecem. 

Por fim, use as soluções centradas na privacidade já disponíveis para a SKAN e avalie quais recursos e ferramentas serão necessários para impulsionar seu sucesso com o Sandbox de Privacidade. Dito isso, vamos falar um pouco mais sobre uma das principais ferramentas já disponíveis no mercado: os Data Clean Rooms, também conhecidos como DCRs.

Soluções centradas na privacidade – com a participação dos especialistas da Rappi

Na AppsFlyer, acreditamos que ainda é possível oferecer valor para os usuários ao mesmo tempo em que protegemos sua privacidade. Aqui entram os Data Clean Rooms – soluções que oferecem todo o suporte necessário para que as empresas consigam se adaptar mais rapidamente a uma realidade de dados agregados.

Os Data Clean Rooms são um espaço neutro e seguro para o acesso e uso de dados primários. Em um ambiente de DCR, é possível compartilhar e analisar dados de forma segura, controlando como, onde e quando esses dados podem ser usados. Os dados enviados para o DCR geram insights agregados de um grupo de audiências misturadas, protegendo a privacidade dos usuários.

Um bom exemplo de uso do DCR é o caso da Rappi. A empresa enfrentou um desafio, no qual um grande volume de dados do iOS apareciam como “restritos” em seus dashboards, impedindo que as equipes pudessem avaliar a real performance das suas campanhas.

O DCR ofereceu uma maior visibilidade à empresa, solucionando o problema de dados restritos e ajudando com o planejamento e otimização das campanhas de marketing. Com os dados agregados do DCR, as equipes da Rappi observaram uma queda de 20% na incerteza do CAC (custo de aquisição de clientes), além de otimizar os investimentos em diferentes canais de mídia, fazendo os cortes necessários sem perder eficiência.

Isso foi possível porque o DCR oferece uma estimativa que permite a  correspondência entre os eventos e os canais de mídia certos, com base na lógica de negócios específica de cada empresa. Outro recurso útil do DCR é a ferramenta de Calculated Fields, que permite que as regras de negócios sejam aplicadas a algumas operações antes da agregação de dados, fornecendo insights mais precisos.

“Para a Rappi, o DCR foi a solução para resolver a questão de dados restritos em nossas campanhas do Meta e TikTok. Com isso, nossas equipes conseguiram melhorar as campanhas e criar uma experiência melhor para os usuários.”

Jhoyner Martinez Hernandez, Growth Data Engineering da Rappi

Conclusão

Apesar dos desafios de um ecossistema centrado na privacidade, ainda é possível criar estratégias inovadoras para se manter relevante em meio às mudanças. Com o apoio de uma MMP e de tecnologias como o DCR, tudo fica ainda mais fácil.

“Ao meu ver, essas soluções são apenas mais uma etapa na jornada para um futuro melhor, centrado na privacidade. No fim, do ponto de vista do usuário final, uma boa solução de privacidade é aquela que combina a privacidade com a personalização.”

Roy Yanai, AVP of Product – Measurement da AppsFlyer

Esse é o segundo blog post da nossa série de conteúdos do MAMA São Paulo de 2023. Em nossa última postagem, falamos sobre como você pode impulsionar a rentabilidade focando no cliente. Por isso, se você não conseguiu participar do evento, ou se você participou mas quer relembrar tudo o que aconteceu, fique de olho em nosso site! Até a próxima.

The post Como impulsionar o crescimento com um mindset focado na privacidade appeared first on AppsFlyer.

• Introdução
• O que é a publicidade programática?
• Qual é a vantagem da publicidade programática para anunciantes?
• O ecossistema da publicidade programática: como ele funciona?
• Tipos de leilão de publicidade programática
• Tendências e práticas recomendadas para 2023
• Principais conclusões

Introdução

Nenhuma discussão sobre o futuro da publicidade está completa sem mencionar a automação e a inteligência artificial (IA). Se quiser usar termos ainda mais sofisticados, adicione algumas siglas como DSP, DMP e RTB na mistura (não se preocupe, neste guia explicaremos o que cada uma delas significa).

As telas fazem cada vez mais parte do nosso dia a dia, e a publicidade está evoluindo para alcançar mais pessoas, de forma mais rápida e barata. No entanto, a publicidade já não é mais o que ela foi no passado. A concorrência está maior do que nunca, não apenas para chegar aos consumidores, mas também para falar com eles de uma forma que corresponda aos seus interesses únicos.

Aqui entra a publicidade programática.

Essa tecnologia permite que as marcas automatizem as transações de mídia, permitindo que os publishers mensurem a atenção dos usuários em tempo real. A publicidade programática promete entregar mensagens altamente personalizadas, no momento certo, para as pessoas certas, usando automação e IA.

Neste guia, faremos uma introdução completa ao ecossistema programático, analisando todos os seus principais componentes e a forma como eles se relacionam entre si. Com esses insights, você estará mais preparado para adicionar o marketing programático ao seu kit de ferramentas de marketing.

Capítulo 1

O que é a publicidade programática?

A publicidade programática é um processo automatizado de compra de mídias, alimentado por IA e machine learning, que permite que os anunciantes segmentem dados de audiências, identifiquem os posicionamentos mais estratégicos para seu anúncios, realizem leilões e vendam impressões de anúncios digitais em tempo real. 

Esse processo usa uma combinação de dados first, second e third-party — incluindo palavras-chave, localização, registros públicos e questionários — para comprar e vender anúncios online em marketplaces digitais abertos ou privados. 

Qual é a relevância da publicidade programática?

Ao longo dos últimos 20 anos, o Interactive Advertising Bureau (IAB) concluiu que “a publicidade programática tornou-se um elemento-chave na maioria dos budgets de publicidade digital, por conta da sua escala e eficiência na seleção e colocação de anúncios digitais”.

De acordo com a Statista, os gastos globais com anúncios programáticos totalizaram US$ 493 bilhões em 2022 e devem chegar em US$ 557,56 bilhões em 2023. Em 2022, 75,6% da publicidade programática em display digital nos EUA foi direcionada para o mobile.

O crescimento explosivo da publicidade programática é resultado da maneira como esse modelo otimizou o processo de publicidade em escala. No passado, o processo de compra de mídias era lento e manual, envolvendo vendas diretas entre publishers, agências e anunciantes na negociação do melhor inventário de anúncios. Os anunciantes e publishers trabalhavam com agências como intermediárias para negociar a colocação e a hora de exibição de um anúncio, assim como para realizar pesquisas de audiência.

O que não faz parte do modelo programático?

Os anúncios que são vendidos diretamente, com preços e prazos pré-determinados, não são considerados programáticos. A publicidade programática utiliza a automação para ajudar tanto os compradores como os vendedores a reduzir as despesas gerais, distribuir budgets em colocações que geram maior impacto e impulsionar a receita para que publishers vendam rapidamente seu inventário.

Qual é a história da publicidade programática?

O surgimento da publicidade digital remontam a um único retângulo pixelado. Em 1994, a AT&T, uma gigante das telecomunicações, colocou o primeiro banner publicitário da internet na revista online HotWired, antecessora da WIRED. Nele, a seguinte mensagem era exibida: “Você já clicou aqui? VOCÊ VAI”.

Assim como homens das cavernas que queimaram as mãos na fogueira recém-descoberta, os primeiros usuários da internet clicaram no anúncio e totalizaram uma taxa de cliques impressionante de 44%. Mas, na época, não havia uma forma de mensurar a eficácia do anúncio para chegar aos clientes relevantes. O mesmo anúncio era exibido independentemente de quem visitava o site. A colocação manual dessas mídias limitava as oportunidades de trocas verdadeiramente personalizadas. 

À medida que a Internet se tornou mais acessível, o mesmo aconteceu com a demanda por publicidade digital. Em 1996, foi fundada a DoubleClick, que é considerada o primeiro servidor de anúncios. A empresa foi adquirida pelo Google em 2007 por 3,1 mil milhões de dólares, impulsionando a criação de mais servidores de anúncios no ecossistema, incluindo o Advertising.com, Zeo e Ad Stream. 

Pouco depois, em 2000, o Google lançou o seu produto publicitário exclusivo, o Google AdWords. Eventualmente, isso levou ao lançamento da Display Network do Google (GDN) em 2013. 

Por volta desse mesmo período, o Google AdEx, Microsoft AdECN, Rubicon Project e Right Media da Yahoo criaram um software de real-time bidding (RTB) que combinava os provedores de serviços de dados (DSP, do inglês Data Service Providers), as Supply Side Plataforms (SSP) e ad exchanges em um único local. 

Atualmente, o modelo programático possui uma relevância significativa no mundo da publicidade, sendo responsável por 72% do total de displays digitais no mercado. 

Quais são os canais de publicidade programática?

Com grandes tecnologias vêm grandes ecolhas! A publicidade programática é usada em sete canais de publicidade principais: display, vídeo, social, áudio, nativo, digital out-of-home e publicidade in-app. Vamos analisar cada um deles.

Anúncios de display

A forma mais comum de publicidade programática, eles são anúncios visuais exibidos em headers, footers ou na barra lateral de websites e aplicativos. Os anúncios de display podem ser dinamicamente otimizados, atualizados e personalizados com base nos dados do usuário. 

Anúncios em vídeo

O investimento em publicidade programática em vídeo atingiu cerca de US$ 62,96 bilhões em 2022 e deve crescer para US$ 74,88 bilhões em 2023. Existem três tipos principais de anúncios em vídeo disponíveis para os anunciantes.

Os anúncios de vídeo in-stream são exibidos no player do vídeo. Esse é, de longe, o tipo mais comum de publicidade em vídeos, e os anunciantes podem escolher entre opções que incluem:

1. Pre-roll: o anúncio é exibido antes do início do vídeo
2. Mid-roll: o anúncio é exibido no meio do vídeo
3. Post-roll: o anúncio é exibido depois que o vídeo acaba
4. Bumper do YouTube: anúncios breves, que não podem ser pulados, exibidos antes do vídeo

Anúncios de vídeo out-stream aparecem em artigos, incorporados de forma nativa ou como pop-ups. 

Anúncios de vídeo in-display são exibidos em resultados da pesquisa ou como uma recomendação de vídeo patrocinado.

Anúncios sociais

Não importa se é no Facebook, Instagram, Snapchat, Pinterest, TikTok ou Twitter: a publicidade nas redes sociais pode ser comprada através de APIs (do inglês application programming interfaces, que permitem que os programas de computador interajam entre si) ou através de uma demand-side platform (DSP) integrada (continue lendo para saber mais).

Anúncios nativos

Os anúncios nativos são integrados no website ou no aplicativo no qual eles são exibidos, oferecendo uma visualização ininterrupta. Em vez de um pop-up com um vídeo que salta em sua tela, os anúncios nativos são incorporados facilmente ao conteúdo, fornecendo uma experiência melhor aos usuários. Os anúncios nativos podem ser colocados de forma programática no header, footer, barra lateral ou no próprio conteúdo. 

Os formatos de anúncios nativos mais comuns são:

1. Unidades no feed: os anúncios aparecem nos feeds, como colocações pagas em páginas iniciais que se assemelham a um artigo.
2. Anúncios em artigos: aparecem nos parágrafos de um artigo editorial.
3. Unidades de pesquisa pagas: os anúncios aparecem no topo dos resultados da pesquisa, com um aspecto semelhante aos resultados da pesquisa orgânica.
4. Widgets de recomendação: uma recomendação de um conteúdo semelhante que possa ser do interesse do usuário.

Anúncios em áudio

Canais de podcast, anúncios no Spotify e anúncios no Pandora são alguns dos canais que permitem que os anunciantes comprem anúncios de forma programática. Enquanto a maioria dos podcasts e programas de áudio depende de acordos manuais e privados para a exibição de anúncios em seus principais canais, os anúncios programáticos podem ser comprados em grande escala para usuários freemium das plataformas. 

Digital out-of-home (DOOH)

A publicidade out-of-home, ou OOH, costumava envolver uma sinalização visual e estática, como um cartaz exibido no outdoor de uma rodovia. No entanto, como a sinalização digital se tornou mais acessível para a produção em massa, o OOH agora oferece ferramentas avançadas de segmentação e mensuração que não existiam antes. 

A não ser que você viva em São Paulo (onde esse tipo de publicidade é proibida), você provavelmente viu um anúncio DOOH no último mês, se não na última semana! As colocações de DOOH podem ser compradas e vendidas de forma programática, o que pode ser particularmente útil quando associado a estratégias como a delimitação geográfica (em que os anúncios relevantes são programados para aparecerem quando um usuário entra em uma determinada área geográfica).

O novo canal mais popular do mercado: publicidade programática in-app

Considerando que o consumidor médio passa de quatro a cinco horas por dia interagindo com apps mobile, vale a pena analisar como a publicidade programática em apps mobile realmente funciona. 

Os anúncios baseados na web são exibidos em resultados de pesquisa, banners, vídeos e classificados. Já os anúncios in-app possuem diferentes formatos de display, exigências de tamanho e durações de exibição.

Os formatos mais comuns são os banners na parte inferior da tela, que oferecem um maior alcance, e os intersticiais, que aparecem entre as ações do usuário (por exemplo, entre níveis de um jogo).

Os anúncios com recompensa são uma forma de integração em um contexto de jogo, no qual os jogadores só podem avançar depois de visualizar um anúncio. Além disso, embora alguns bloqueadores de anúncios estejam integrados a alguns navegadores, os anúncios in-app (ainda) não estão expostos ao software de bloqueio de anúncios.

Os apps de redes sociais, notícias e jogos têm uma das maiores taxas de inserção entre os usuários mobile, oferecendo um grande potencial de retorno do investimento (ROI) a partir da publicidade programática in-app.

Quanto custa esse modelo?

A beleza do modelo programático é o seu preço acessível. O processo de automatização fez com que a publicidade se tornasse significativamente mais barata em comparação com a compra direta de anúncios. Os anúncios programáticos são vendidos nos seguintes modelos:

1. CPM (cost per mille), que significa custo por mil impressões.
2. CPC (custo por clique)
3. CPA (custo por ação)
4. CTC (conversões de click-through)

O CPM é o modelo mais comum para a venda de anúncios programáticos. Ainda assim, o preço final dependerá da concorrência, da escassez de inventário, do alcance e da especificidade da segmentação. Uma vez que a programação funciona no âmbito de um leilão automatizado, um público-alvo pequeno e extremamente concorrido será muito mais caro do que um público geral maior. 

Com tantas variáveis a serem consideradas, um CPM médio não define de forma adequada se uma campanha será eficaz para você. Alguns publishers também podem vender inventários premium de forma programática, o que pode ser mais caro do que outras formas de publicidade. 

Não se esqueça das taxas tecnológicas

Como diz o ditado, se você é bom em alguma coisa, nunca faça isso de graça. Ainda que o processo programático tenha agilizado todo o processo de compra de mídias, as taxas tecnológicas são cobradas da receita dos publishers. As taxas variam de parceiro para parceiro e, quanto mais intermediários fizerem parte do processo, maior será o preço que você terá que incluir em seus cálculos de ROI.

Capítulo 2

Qual é a vantagem da publicidade programática para anunciantes?

Para além de simplificar o processo de publicidade, a publicidade programática oferece uma série de outras vantagens. Esse modelo oferece uma maior variedade de inventários, segmentação e opções estratégicas para permitir que os anunciantes alcancem seus públicos ideais de forma mais precisa, rápida e econômica.

Eficiência e CPMs mais baixos

Assim como a invenção da linha de montagem, que levou à produção em massa do Ford Modelo T, a publicidade programática acelerou a maneira como os anunciantes alcançam simultaneamente várias audiências, através de mensagens e criativos únicos. Isso levou à eliminação de intermediários e de práticas de compra e venda mais caras, reduzindo os CPMs em todos os aspectos.

Aproveite as oportunidades in-home e out-of-home

A publicidade programática evoluiu muito em suas funcionalidades e adoção. Considerando que, atualmente, 72% de todos os displays de anúncios digitais são alimentados de forma programática, os anunciantes podem atingir uma audiência massiva com precisão e rapidez. 

Insights mais rápidos e transparentes

O que é melhor do que um maior alcance? Um alcance mais… pontual. O tempo entre a oferta e a entrega é crucial caso você deseje aparecer nos sites certos no momento certo da jornada do comprador. Além de exibir anúncios mais rapidamente, a publicidade programática permite que os anunciantes vejam resultados imediatos e mensuráveis, permitindo um ajuste ágil da campanha e uma otimização contínua. E, com a ajuda da IA, a segmentação de audiências está cada vez mais inteligente.

Capítulo 3

O ecossistema da publicidade programática: como ele funciona?

A compra tradicional de mídias exigia a contratação de uma agência de publicidade para identificar o local certo, negociar sua compra, gerenciar a colocação do anúncio e mensurar sua performance. Era um processo parecido com precisar ligar para um corretor da bolsa de valores para comprar ou vender ações. 

Mas, assim como hoje podemos negociar ações através de aplicativos e robôs-consultores, o modelo programático transformou o processo de compra de mídias. O software de trading desk faz com que a compra de anúncios programática seja fácil e acessível. Como resultado, cada vez mais anunciantes estão assumindo essa tarefa internamente, minimizando as despesas gerais e tornando o processo mais controlável e transparente.

A publicidade programática é um ecossistema complexo de players interligados que gerenciam o fluxo de dados e transações. Para compreender melhor como funciona o processo transacional, vamos falar mais sobre cada player desse ecossistema.

Assim como a Wall Street tem a bolsa de valores (stock exchange) de Nova York, o marketplace programático é chamado de ad exchange. Trata-se de um leilão digital onde os anunciantes podem comprar espaço de anúncios de várias ad networks através da sua interface de software. Existem dois extremos opostos em um ad exchange: o lado da compra e o lado da venda.

Lado da compra

Como seu nome sugere, o lado da compra é responsável pela compra de colocações de anúncios vendidas por players no lado da venda. Temos quatro players principais no lado da compra: demand-side platforms (DSPs), plataformas de gestão de dados (DMPs), anunciantes de ad networks e anunciantes.

A demand-side platform (DSP) é uma tecnologia que permite que os anunciantes comprem anúncios de forma programática em sites e apps de publishers, disponíveis em ad exchanges e ad networks. 

Cada DSP está ligada a uma plataforma de gestão de dados (DMP). Uma DMP coleta e organiza dados first, second e third-party e é o mecanismo que organiza os dados que influenciam nas decisões de compra de anúncios. Tecnicamente, plataformas como o Facebook e o Google Ads são um tipo de DSP que vende exclusivamente o seu próprio inventário.

Lado da venda

Passamos agora para o lado da venda: players que ajudam a vender espaço de anúncios para players do lado da compra. O lado da venda inclui publishers, ad networks e supply-side platforms (SSP).

Os publishers são publicações digitais que têm espaço de inventário de anúncios para vender em ad exchanges como a WIRED, Reuters, the Economist e Conde Nast.

Uma ad network é uma plataforma agregadora que reúne espaços publicitários não vendidos por vários publishers e oferece esse inventário aos anunciantes por uma taxa definida (normalmente com desconto). Não se esqueça de que as ad networks não funcionam de forma programática por si próprias.

A supply-side platform (SSP) ajuda publishers com a gestão automática e eficaz da venda o seu inventário para vários compradores, maximizando o rendimento do inventário. SSPs costumam oferecer interfaces intuitivas, analytics, relatórios, header bidding, otimização de rendimento e gestão de inventário.

As DSPs se comunicam com as SSPs para saber quais inventários estão disponíveis, e a que preço. As SSPs permitem que os publishers ordenem anúncios por anunciante, formato, público e taxas.

Serviços de terceiros

Esses são os parceiros que ajudam a facilitar a troca entre o lado da compra e o lado da venda.

As empresas de verificação de anúncios se integram com as DSPs para garantir que a visibilidade, a segurança da marca e a precisão das métricas de tráfego. 

As parceiras de mensuração e atribuição (MMPs) desduplicam os dados, mensuram o alcance e a frequência e garantem a precisão dos dados da campanha.

Data clean rooms são conjuntos de dados first-party compartilhados por várias fontes confiáveis. Eles proporcionam a colaboração através de dados anônimos, sem expor a fonte de dados e preservando a privacidade do consumidor.

Qual é a diferença entre o real-time bidding e a publicidade programática?

O real-time bidding (RTB) é um processo no qual os anunciantes podem fazer lances em um leilão de um espaço publicitário específico, de forma automática e em tempo real – em questão de milissegundos. 

A RTB é um processo programático. A publicidade programática é o termo genérico que engloba todas as atividades de marketing dentro do ad exchange programático.

Processo de publicidade programática: passo a passo 

Quando você começou a ler esse texto, provavelmente não fazia ideia do que significava RTB, SSP ou DSP. Agora que já chegou até aqui, vamos analisar passo a passo como funciona o processo.

1. Um visitante clica em um site ou em um app mobile.
2. Uma solicitação de proposta é enviada para um ad exchange, contendo informações sobre o site ou app, juntamente com os dados relevantes do visitante (dados demográficos, contextuais, comportamentais, dados de dispositivo – mas APENAS caso o usuário tenha permitido o compartilhamento desses dados).
3. O proprietário do site ou app coloca a impressão do anúncio em leilão na supply-side platform (SSP).
4. Então, as informações dos visitantes são fornecidas aos anunciantes disponíveis.
5. Os anunciantes na demand-side platform (DSP) oferecem lances para a impressão.
6. O maior lance ganha a impressão do anúncio.
7. O anúncio é exibido para o usuário no site ou app.
8. Idealmente, o usuário clica no anúncio e faz a conversão. Caso contrário, podem ser usadas táticas de retargeting, como anúncios “mais atraentes”, para incentivá-los a realizar uma conversão mais tarde.

Capítulo 4

Tipos de leilão de publicidade programática

O processo tradicional de compra de mídias é longo e trabalhoso, envolvendo RFPs, pitching e negociações – o que deixa muito espaço para custos elevados e erros humanos. Listamos abaixo os quatro tipos de leilão que ajudam a acelerar todo esse processo:

Real-time bidding (RTB)

O real-time bidding (RTB), também conhecido como leilão aberto ou marketplace aberto, é o tipo de leilão mais comum – de fato, muitos profissionais de marketing pensam que ele é o único tipo que existe.

Com o RTB, o inventário fica disponível para todos e é atribuído à melhor oferta em tempo real. Os profissionais de marketing dão seus lances mais altos e definem um budget máximo para uma campanha de anúncios. O vencedor do leilão não precisa pagar o preço total da sua oferta, mas sim mais um centavo a mais do que o segundo lance mais alto. 

Prós do real-time bidding:

• Fácil de configurar
• O modelo de preços ajuda os profissionais de marketing a maximizar suas receitas sem pagar mais caro por taxas de mercado
• Presença universal
• Disponível para todos
• Grande conjunto de inventários
• Funciona rapidamente

Contras do real-time bidding:

• Falta de transparência nas colocações
• Normalmente reservado para grandes campanhas de topo de funil
• Não há garantias de que os espaços de anúncio sejam preenchidos, porque é necessário ter um comprador a um determinado preço
• A falta de controle e de visibilidade das colocações pode comprometer a segurança da marca

Marketplace privado (PMP)

O marketplace privado (PMP) combina a RTB com acordos diretos. Ele usa o método de leilão do RTB, mas opera em um leilão fechado, ficando disponível apenas para anunciantes selecionados. Os marketplaces privados oferecem a opção de pular o processo de ad exchange aberto, com condições pré-negociadas. 

Ao se conectar diretamente com o inventário de anúncios de um publisher, os compradores podem fazer lances em colocações com base em dados de audiências, tipo de conteúdo ou uma série de atributos de impressão diferentes que especificam quando e onde um anúncio é visto.

Prós dos PMPs:

• Total controle sobre o inventário e o local onde seus anúncios são exibidos
• Acesso a dados first-party premium
• Colocações premium e exclusivas

Contras dos PMPs:

• Os publishers não precisam garantir um determinado volume de impressões
• Os anunciantes não são obrigados a comprar inventário
• Esse modelo não é imune à fraude de anúncios

Programática garantida 

Com a programática garantida, também conhecida como programática direta, os anunciantes e os publishers negociam o inventário, preços, a audiência e o limite de frequência de forma individual. Embora não haja um leilão, o anúncio é executado de forma programática.

Essa é uma forma de comprar um número garantido de impressões em sites ou apps mobile específicos e tende a ser estruturada com um acordo de preço fixo em vez de um leilão. 

Este tipo de publicidade programática é mais comum nos formatos de visualização “premium”, como os takeovers de página inteira. Por ser tão caro, é usado quando os anunciantes precisam saber exatamente quem está vendo o seu anúncio, onde e em que contexto.

Prós da programática garantida:

• A mais segura para marcas
• O mais elevado nível de transparência
• Oferta exclusiva não disponível para outras marcas ou concorrentes

Contras da programática garantida:

• O processo de negociação pode ser longo
• O inventário não está disponível para a maioria
• Mais caro do que outros modelos

Compras pontuais e preferred deals

Com as compras pontuais, também conhecidas como preferred deals, os anunciantes são informados sobre o preço fixo de um inventário disponível em um marketplace privado antes que ele seja disponibilizado em um leilão aberto.

Prós dos preferred deals:

• Receitas mais precisas
• Menor risco de fraude de anúncios
• Ter a garantia de um inventário de premium mais rapidamente é uma vantagem competitiva 

Contras dos preferred deals:

• Podem exigir longas negociações
• Os anunciantes podem desistir dos negócios e deixar um inventário de anúncios não comprado
• Reservado para grandes publishers 

Serviços automáticos vs. administrados

Diferentes anunciantes têm diferentes objetivos, budgets e recursos, o que significa que não há um único tipo de leilão que funcione para todos. Aqueles que preferem uma abordagem hands-off e conseguem pagar por ela, podem preferir serviços administrados por agências que fazem todo o trabalho necessário. Já aqueles que querem ter mais controle e que possuem um orçamento menor, podem preferir realizar o processo internamente, usando um modelo automático. 

Capítulo 5

Tendências e práticas recomendadas para 2023

Embora os últimos anos tenham sido notoriamente imprevisíveis, algumas tendências claras estão surgindo. Vamos falar um pouco mais sobre elas.

Usuários que não usam serviços a cabo são muito valiosos

Há mais assinaturas de SVOD (subscription video on demand) nos EUA do que pessoas, e o número de usuários que cortam os serviços de televisão a cabo não para de aumentar. Os anunciantes estão sempre seguindo a atenção dos usuários. A adoção em massa de serviços de vídeo por assinatura criou um enorme inventário para a compra e venda programática de anúncios em vídeo.

Melhores experiências DOOH

Enquanto anteriormente se viam apenas anúncios estáticos nas rodovias, a tecnologia digital moderna do out-of-home (DOOH) oferece funcionalidades como analytics, delimitação geográfica, touch screens e realidade aumentada para criar experiências publicitárias mais relevantes e memoráveis. Isso explica a previsão de que os investimentos em DOOH chegarão a 17,77 mil milhões de dólares em 2023. A eMarketer prevê que mais de 1 em cada 4 dólares gastos em DOOH serão comprados e vendidos de forma programática. 

A ascensão dos robôs?

O lançamento do ChatGPT conquistou o mundo do marketing. Embora ele não vá causar a próxima revolução industrial, como alguns gurus do marketing podem afirmar, ele é certamente um marco importante para o avanço da tecnologia de IA. À medida que seu conjunto de dados continua a crescer, a IA se tornará cada vez mais inteligente na análise e combinação das audiências certas com os locais certos. 

A IA vai assumir o controle? Não, mas ela substituirá as tarefas redundantes e manuais que tornavam o processo de compra de mídias desnecessariamente lento e caro. 

Anúncios nativos contextuais

As alterações drásticas nas políticas de privacidade obrigarão os anunciantes a transferir seus budgets para anúncios contextuais. Esses anúncios são colocados com base no conteúdo das páginas, vídeos ou webpages e, agora que podem ser comprados de forma programática, podem ser adaptados ao usuário e à colocação em grande escala. 

Isso permite que os anunciantes também aproveitem os anúncios nativos contextuais, que são incorporados diretamente ao conteúdo dos websites sem atrapalhar a experiência dos usuários. Esses anúncios não requerem cookies ou dados de clientes, são totalmente compatíveis com a GDPR e proporcionam uma experiência muito melhor do que os tradicionais anúncios em banner. 

Práticas recomendadas para o sucesso programático

Invista em seus criativos

Conforme a publicidade contextual ocupa cada vez mais o centro das atenções, criativos relevantes se tornarão mais importantes do que nunca. O modelo programático permite que os anunciantes apresentem criativos dinâmicos e relevantes em tempo real – por exemplo, exibindo um anúncio do seu app de churrasco em áreas com previsão de clima ensolarado.

Misture e combine

Experimente diferentes combinações de opções de segmentação, como anúncios nativos com segmentação contextual. Mas, antes disso, certifique-se de que está mensurando as métricas certas em todas as suas campanhas.

Não seja um robô

Uma coisa é deixar que os seus anúncios sejam executados por robôs, outra é parecer um robô! A melhor forma de melhorar a performance dos anúncios é fazer pesquisas e se tornar um especialista em seu público-alvo. Vá além dos dados demográficos e veja o que seus usuários estão lendo, o que é relevante para eles e quais são seus medos.

Minimize a fraude de anúncios 

Ainda que o modelo programático tenha avançado muito, a fraude de anúncios ainda é uma das maiores ameaças para o seu sucesso. O relatório de mensuração de anúncios do eMarketer estima que a fraude custará aos anunciantes digitais entre 6,5 bilhões e 19 bilhões de dólares por ano. Tome as precauções necessárias, como trabalhar com uma MMP e empresas de verificação de anúncios, para garantir que você está recebendo pelo que pagou.

Principais conclusões

Aí está – tudo o que você precisa saber sobre publicidade programática. Vamos terminar com um rápido resumo dos principais pontos deste guia: 

• A publicidade programática é um processo automatizado de compra de mídias, que usa IA e machine learning para segmentar dados de audiências, identificar os posicionamentos mais estratégicos para os anúncios, realizar leilões e vender impressões de anúncios digitais em tempo real.
• A publicidade programática se tornou universal por sua escala e eficiência, com um investimento de cerca de 99,43 bilhões de dólares com publicidade em 2022, e uma previsão de que esse número apenas continuará crescendo. Ela é usada em diversos canais, in- e out-of-home. 
• A publicidade programática é um ecossistema complexo de players interligados que gerenciam o fluxo de dados e transações. Eles se dividem em três categorias: lado da compra, lado da venda e terceiros.
• O real-time bidding (RTB), também conhecido como leilão aberto ou marketplace aberto, é o tipo de leilão programático mais comum. Ele é aberto a todos e a venda costuma ir para quem faz a melhor oferta. 
• Para ter sucesso com a publicidade programática, invista em criativos, experimente diferentes opções de segmentação, faça uma análise da sua audiência e minimize a fraude de anúncios.

The post Compra de mídia no piloto automático: guia completo para a publicidade programática appeared first on AppsFlyer.

O que é walled garden?

Nos últimos anos, quase nenhum relatório ou análise do ecossistema esteve completo sem uma pitada generosa de “walled gardens”. Isso passou a ser especialmente relevante após as recentes mudanças de privacidade, que dificultaram ainda mais a capacidade dos profissionais de marketing de acessar dados em nível de usuário.

Um walled garden é um tipo de data clean room, solução que ajuda a esconder a identidade dos consumidores ao eliminar a identificação de seus dados, agrupando-os com base em atributos comuns. 

Os walled gardens na AdTech foram introduzidos pela primeira vez pelo Google, Amazon e Meta (Facebook) para a comercialização segura de dados 1st party e também para capturar os gastos com anúncios de seus rivais.  

Não precisamos nem falar que quase 70% de todos os gastos com mídia publicitária ficam com esses três gigantes — e cada um permite que os anunciantes trabalhem em seus ambientes de walled gardens: Google Ads Data Hub (ADH), Facebook Advanced Analytics (FAA) e Amazon Marketing Cloud (AMC).  

São nesses ambientes de segurança rigorosa que as mega redes de autorrelato (SRNs) permitem que os profissionais de marketing acessem dados de evento para tomar decisões de campanha bem-informadas, sem comprometer a privacidade do consumidor ou as defesas dos ecossistemas.

Como os walled gardens são usados?

Data clean rooms e walled gardens 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 dos seus usuários. 

Informações pessoalmente identificáveis (PII) ou dados de atribuição a nível do usuário não podem ser visualizados por nenhuma das partes envolvidas, o que faz com que seja impossível identificar usuários por meio de identificadores exclusivos.

Na maioria dos casos, os únicos outputs desses ambientes 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.

Operar um walled garden não se trata apenas de proteger os dados. Essas plataformas fechadas também exigem conjuntos completos de soluções internas como rastreadores, desenvolvedores, designers e uma equipe de gerenciamento para reunir todos esses elementos. 

Como essa configuração exige muitos recursos e mão de obra, apenas algumas empresas podem se dar ao luxo de criar, gerenciar e expandir uma solução de walled garden.

Vamos explorar alguns exemplos de walled gardens:

Google

Com cerca de 1,5 bilhões de contas no Gmail e mais de 100 bilhões de pesquisas em sua plataforma todos os meses, o Google é a maior empresa de publicidade digital do mundo, permitindo que os anunciantes usem as informações coletadas em suas campanhas usando seu Ad Manager como um walled garden.

Meta (Facebook)

Com cerca de 3 bilhões de usuários em sua plataforma, o Meta tem acesso a imensas quantidades de dados em nível de usuário, que são usados em um dos recursos de segmentação de anúncios mais completos do mercado. 

O Meta exige que os anunciantes usem sua plataforma de gerenciamento de dados (DMP), plataforma de demanda (DSP) e otimização criativa dinâmica (DCO), hospedando internamente muitos dos dados de performance de suas campanhas.

Amazon

Recentemente, a empresa relatou ter gerado mais de 31 bilhões de dólares em receita publicitária em 2021 por meio do Amazon Ads, tornando-se a 3ª maior empresa de publicidade digital do mundo, logo atrás do Google e do Meta. Além de ter recursos de walled garden semelhantes aos do Google e do Meta, a Amazon também consegue usar dados exclusivos de 18,5 compras feitas em sua plataforma a cada segundo.

Os prós e contras de um walled garden

Prós

1 – Suporte ao enriquecimento de conjuntos de dados 1st-party com dados de eventos

O principal motivo pelo qual os data clean rooms são extremamente confiáveis é o fato de que todas as partes envolvidas permitem o acesso, disponibilidade e uso de dados, enquanto a governança de dados é feita pelo fornecedor do data clean room.

Essa prática garante que nenhuma das partes tenha acesso aos 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.

Além de avaliar o que outras partes já sabem sobre suas audiências em comum — como alcance e frequência, sobreposição de audiências, planejamento e distribuição multiplataforma, comportamento de compra e demografia — os walled gardens também podem ser usados como uma ferramenta intermediária para mensurar a performance de uma campanha. 

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. 

2 – Mensuração precisa de campanhas

Walled gardens como Google, Meta e The New York Times, possuem dados avançados em nível de usuário que podem ser usados pelos anunciantes dentro do ambiente dos walled gardens, permitindo que eles criem campanhas personalizadas bem direcionadas e bem-sucedidas.

3 – Privacidade do usuário

Os fornecedores de walled gardens se orgulham de seus rígidos padrões de privacidade e segurança. Os dados em nível de usuário são codificados, o que os torna inacessíveis para outras partes envolvidas, enquanto o fornecedor de um walled garden usa sistemas eficazes para garantir que os dados permaneçam protegidos.

4 – Engajamento do usuário em vários dispositivos

A maioria dos usuários realiza várias atividades, como fazer uma compra na Amazon ou executar uma pesquisa no Google, em mais de um dispositivo, como smartphones, laptops ou tablets. 

Assim, essas plataformas recebem dados extremamente valiosos, que podem ser anonimamente compartilhados com os anunciantes com o objetivo de otimizar e aumentar o alcance de uma campanha.

Contras 

1 – Mão-de-obra

Para que esses dados sejam legíveis para um profissional de marketing comum, é necessário ter uma equipe de cientistas, analistas e engenheiros de dados — o que inevitavelmente faz com que o processo de obter insights práticos seja mais complexo e trabalhoso.

2 – Rigidez na arquitetura e funcionalidade de query

Quando as verificações de privacidade são acionadas, as linhas podem ser filtradas sem aviso prévio. Algumas verificações de privacidade são comparadas com seus resultados históricos e podem ser acionadas caso os seus resultados não tenham sido adaptados de forma adequada entre trabalhos. Além disso, os dados que são alimentados pelo Ads Data Hub estão sujeitos a alterações.

3 – Não há ativação de dados entre plataformas

Quaisquer insights obtidos só podem ser aproveitados dentro da própria rede de walled garden. Ou seja, você não pode pegar um insight obtido no Meta e aplicá-lo ao Google.

4 – Pouca capacidade de colaboração entre empresas

As soluções de walled gardens não foram projetadas para a colaboração personalizada entre empresas; elas foram criadas estritamente para combinar dados 1st-party com dados do walled garden.

5 – Todos os ovos na mesma cesta

À medida que nos aproximamos da data de desativação dos cookies 3rd-party do Google, tudo indica que muitas empresas terão que apostar mais no Sandbox como sua única opção. No entanto, a dependência excessiva em um único walled garden, no lugar de um uso equilibrado de uma mistura de soluções, pode fazer com que as empresas fiquem expostas a vários problemas caso algo dê errado. 

Adicione a isso a incapacidade das partes envolvidas de fiscalizar as decisões ou algoritmos do fornecedor do walled garden — e temos um tipo de caixa preta inacessível.

O futuro do walled garden na AdTech

As plataformas de walled garden oferecidas pelo Google, Amazon, Meta, Twitter e Snap desempenham um papel importante nas vidas de todos os players do ecossistema — incluindo publishers, anunciantes e profissionais de marketing. 

E seu encanto é bastante óbvio: acesso incomparável a dados de bilhões de usuários em todo o mundo.

A forte concorrência do lado da demanda beneficia diretamente os publishers, que conseguem ter um rendimento melhor para cada impressão disponível. De acordo com o Digiday, essa é, na verdade, a razão pela qual o header bidding passou a ser uma prática amplamente adotada, sendo um bom exemplo de como os walled gardens influenciam os publishers.

Com a futura descontinuação dos cookies 3rd-party, é provável que publishers que usam anúncios programáticos vejam uma queda em eCPMs, o que, em troca, levará a quedas na receita mensal de anúncios. Walled gardens como o do Meta, no entanto, não serão tão prejudicados por essa mudança, pois eles dependem principalmente de dados 1st-party para a segmentação de campanhas. 

Principais conclusões 

• Um walled garden é um tipo de Data Clean Room, que ajuda a esconder os consumidores ao eliminar a identificação de seus dados, agrupando-os com base em atributos comuns. 

• Nesse ambiente, o fornecedor do walled garden tem um controle significativo sobre o hardware, aplicativos e conteúdos compartilhados entre as partes envolvidas.

• 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 dos seus usuários. 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.

• Na maioria dos casos, os únicos outputs desses ambientes 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.

• Os walled gardens têm seus prós e contras para todas as partes envolvidas. Por um lado, é possível ter um acesso inigualável a dados nativos do ecossistema. Porém, não é possível ter um acesso entre canais. A profundidade de dados é incomparável, mas com pouca abrangência (ou seja, sem enriquecimento entre canais), o que torna necessária a ação de um cientista ou engenheiro de dados que consiga transformar dados brutos em insights práticos. Além disso, a flexibilidade é muito limitada com relação a queries.

The post Walled garden (Jardim murado) appeared first on AppsFlyer.