Entenda qual o real retorno de cada mídia no seu modelo de atribuição dos canais de marketing

Você provavelmente já conhece o conceito de atribuição de mídia para o marketing e a sua importância para entender os impactos que contribuíram para a conversão de um cliente no mix de mídia dos seus canais de marketing. Se ainda não está familiarizado com estes conceitos ou precisa refrescar a memória, pode dar uma olhada aqui antes.

Mas você consegue reconhecer exatamente o valor real de cada uma das mídias do seu media mix? Você saberia dizer com segurança qual das mídias poderia ser desligada sem impactar toda a cadeia do seu pano de mídia? É uma decisão que, se baseada em um modelo de atribuição funcional, pode ser simples, mas o grande ponto é se você confia o suficiente no seu plano. Vamos analisar esta questão com base em um case real que a Math Marketing atuou em uma das maiores fintechs do Brasil.

Caso real de atribuição de mídia

O cenário detalhado deste case ocorreu em uma fintech onde existia uma visão de first click e last click que dependia de um grande investimento em mídia paga e na compra de audiências. Não existia uma visão completa da jornada de compras, nas palavras do próprio cliente: “Os testes de campanhas são feitos um pouco às cegas…” A Math Marketing possuía o desafio de criar um modelo que trouxesse transparência, bem como a mensuração dos resultados reais de investimento e de insights de quais seriam os caminhos possíveis para melhorar o resultado. Para tanto, inicialmente aplicamos o nosso framework criado pelos nossos cientistas de dados.

Deep Dive – Alocação de time da Math Marketing dentro do cliente para entendimento dos processos, plataformas e acessos necessários.

Tagueamento – Validação do tagueamento aplicado em todos ambientes digitais da financeira. Solução de problemas encontrados e sugestão de melhorias sobre tagueamento.

Mapeamento de Dados – Reconhecimento dos processos e das bases de dados que impactarão o projeto.

Consolidação de bases – Consolidação das diferentes bases de dados em um ambiente.

Relacionamento de Dados – Relacionamento das diferentes bases em busca de um denominador comum.

Análises Exploratórias – Exploração inicial dos dados consolidados.

KPIs – Definição dos principais KPIs que nortearão o modelo, tais como Removal Effect, CAC (Custo de Aquisição de Cliente), Time Decay (time to live) etc.

Confira como era a jornada a ser analisada na época em que o projeto começou.

Perceba que analisando a linha acima, e com um modelo de Last Click em mente, poderíamos concluir que o acesso orgânico vindo do Google é a mídia mais eficiente. Logo, pela lógica, posso optar por diminuir algum investimento, ou até mesmo descontinuar uma mídia/audiência com maior CAC (Custo de Aquisição de Cliente). Isto é o que poderíamos chamar de uma estratégia Last Click Driven, ou seja, direcionada com base no clique. Lembra que este modelo “rouba” todos os méritos só para ele? Mas será que com uma estratégia que é guiada por este modelo conseguiria responder a esta pergunta seguinte pergunta?

Você sabe o impacto de remoção desta mídia que está cogitando desligar?

Para responder com segurança, os seguintes pressupostos foram postos como norteadores do projeto.

1. Analisar o percentual de contribuição de cada mídia até a conversão (em suas diferentes jornadas).
2. Escolher as mídias ou audiências com maior e menor CAC e através do KPI Removal Effect aferir o impacto real da remoção nas conversões (ativação de cliente).
3. Otimização: Optar por descontinuar, reduzir e/ou realocar os investimentos com base nos indicadores do modelo de Machine Learning.

Com os pressupostos analisados e implementados com base no nosso framework, a análise do desempenho de cada mídia pode ser acompanhada com mais precisão e pudemos apontar para o cliente a melhor forma de realocar seus investimentos para garantir mais conversões.

Perceba no exemplo real abaixo onde podemos ver a jornada de um cliente até a conversão. Ele foi impactado por diversas impressões do Google Display, até que acessou o site no dia 18/09. Depois de ser impactado mais algumas vezes em sites diversos, acabou virando cliente no dia 24/09, logo após ter clicado em uma palavra chave do Google Ads.

Você percebeu que esta validação do exemplo desconstruiu a ideia inicial de que o último clique era o mais importante na jornada? Veja a figura novamente, o Google Ads era o primeiro na linha da jornada inicial, e na validação, ele foi o responsável pela pela conversão. Isto permitiu que colocássemos os modelos de atribuição a serem aprendidos por meio de Machine Learning, já que o aprendizado de máquinas pode reconhecer estes padrões de comportamento facilmente.

O trabalho resultou em um apontamento muito mais preciso das mídias mais valiosas na jornada do cliente. E a mensuração dela foi de suma importância para definir alocações de investimentos. Atualmente, os modelos com base em inteligência artificial estão aprendendo os seguintes princípios com base na nossa modelagem inicial validada.

Perceba que mesmo sem um aprendizado de máquina, você pode realizar esta análise de acordo com as necessidades da sua empresa ou do seu cliente.