Modelos de Atribuição Algorítmicos: uma resposta moderna a um antigo dilema

Quem não lembra da famosa frase pronunciada pelo John Wanamaker que dizia: “Metade do meu investimento em publicidade é jogado fora; o problema é não saber qual a metade que foi jogada fora”. Eram os primeiros anos do século XX, quando o comerciante da Filadélfia ficava se interrogando sobre a eficiência dos seus investimentos em publicidade.

Por décadas, várias técnicas foram utilizadas pelos analistas do marketing, na tentativa de medir a eficiência do investimento em advertising. Foi assim que nasceram os modelos de marketing mix, voltados a tentar dar uma resposta ao grande quesito do Wanamaker, em ambiente offline.

Muitos passos foram dados, nas últimas décadas, em termos de medição da efetividade das ações de marketing, e muitos são os esforços que continuam sendo feitos para aprimorar essa área especificamente. Isso tudo é devido a crescente complexidade de uma campanha de mídia (ou mais em geral de uma estratégia de marketing), que hoje em dia deve lidar com uma fortíssima e sempre predominante realidade online e com uma diversidade de canais muito grande. O resumo dessa nova dimensão é a geração de múltiplas e diferentes jornadas dos consumidores.
 
As limitações em termos de abordagem, tipologia de mídia, time frame e quantidade de dados coletáveis dos modelos de marketing mix em relação a realidade digital, levou ao desenvolvimento dos modelos de atribuição baseados em regras, as quais que determinam qual o peso que precisa ser atribuído para cada passo que compõe um processo de conversão. Ou seja, determinado a priori um modelo de atribuição de pesos, este era aplicado de forma estática para todos os possíveis caminhos de conversão. Por essa razão que surgiram vários modelos de atribuição baseados em regras, os mais comuns: Last Click, First Click, Atribuição Linear, Atribuição baseada em Redução de Tempo, Atribuição por Posição.

O Amanhecer dos Algoritmos

Em resposta a esta rigidez, nos últimos anos vem avançando novos e mais eficientes modelos de atribuição baseados em algoritmos e não somente em regras. O grande diferencial nesse caso é a utilização de modelos estatísticos avançados e das inferências, que permitem um processo continuo e constante de personalização do modelo de atribuição baseado nos resultados.
 
De fato, já hoje alguns Adserver permitem fazer o tracking da jornada de conversão completa de cada usuário: podemos conhecer os detalhes de cada passo pelo qual o usuário passou antes de converter, seja um click, uma impressão ou uma interação através dos canais proprietários de uma empresa. A estimativa da eficácia de cada passo é relativa a muitas outras variáveis, que geralmente um modelo de atribuição não deixa de considerar, como por exemplo: em que momento da jornada acontece a interação? Quanto tempo passa entre uma determinada interação e a conversão? Que tipo de interação foi utilizada? Por quanto tempo foi visualizada a impressão? Qual o formato do banner que possivelmente impactou tal usuário?… Para cada uma dessas variáveis é associada uma pontuação, assim que seja possível atribuir para cada passo um peso especifico. Dessa maneira a conversão não será atribuída de forma estática a um ou mais canais, mas será dividida entre todos os pontos de contato de forma proporcional a eficácia de cada um deles.

Benefícios de um Modelo de Atribuição Algorítmico

Construído o modelo de atribuição, aplicado aos dados… isso é somente o começo! A partir daqui uma quantidade de oportunidade se abrem para nós, como por exemplo: ter uma leitura das métricas reais sobre a eficácia de um plano de mídia, configurar a possibilidade de remunerar os vários provedores de mídia baseados no modelo de atribuição (Tendência que começa a adquirir força nos EUA e na Europa). Isso nos permite segmentar o comportamento dos usuários em relação as variáveis sociodemográficas, que os próprios usuários compartilham ao longo do processo de conversão. É possível também fazer uma análise sobre o impacto que a exclusão de uma mídia apresenta, em relação a quantidade das conversões geradas. Podemos estender a base de dados para o inteiro panorama de jornadas dos consumidores que não se concluem com uma conversão, e dessa forma quantificar os caminhos que não trazem retorno. E assim por diante.

Principais Barreiras na Adoção de um Modelo de Atribuição

Os modelos de atribuição representam a solução para alcançar aquela visibilidade e transparência de performance que cada profissional de marketing sempre desejou. Mesmo assim, existe uma série de fatores que parecem limitar uma adoção mais rápida desse tipo de inteligência. Os principais são:
1. Custo de implementação: Hoje este tipo de investimento é visto apenas como um custo, com pouca capacidade ainda de vislumbrar o ganho que pode trazer no médio e longo prazo. Custos que muitas vezes podem até ser maiores em relação ao planejado, por causa de uma não correta estruturação do time responsável pela implementação do modelo de atribuição e por não definir claramente as responsabilidades entre as partes. Por outro lado, um desperdício de dinheiro pode acontecer do lado do provedor da solução de atribuição, por não saber as vezes planejar de forma correta uma determinada entrega.
2. Falhas na documentação do modelo de atribuição utilizado, e uma validação do modelo que não sempre é baseada nos modelos estatísticos que representam as melhores práticas. É fundamental que um provedor saiba explicar de forma clara como funciona a própria solução.
3. O sistema de modelagem dos dados contemplados em cada solução de atribuição deve ser suficientemente flexível para conseguir elaborar dados de diferentes formatos, e ao mesmo tempo se integrar em tempo real com as fontes de dados (Pensamos só as dificuldades de rastrear os usuários que navegam nos aplicativos mobile e como integramos essa da jornada dentro de um processo mais amplo). 
4. Os relatórios entregues pelo provedor devem ser de fácil leitura e permitir uma tomada de decisão rápida.

Principais Características de um Modelo de Atribuição para Auxiliar na Tomada de Decisão

Tomada de decisão! Um desafio com o qual nos confrontamos todos os dias, e que representa a necessidade primordial que se encontra a base da utilização de um modelo de atribuição algorítmico. Então quais são as funcionalidades e as características principais que um modelo de atribuição algorítmico deve apresentar para auxiliar a tomada de decisão?

  • Uma plataforma integrada de marketing baseada no rastreio de dados deve oferecer no mínimo a capacidade de coletar dados e se integrar com os principais canais utilizados pelo cliente. O modelo de atribuição implementado deve ter a capacidade de aprender constantemente com os dados proprietários do cliente, e atribuir créditos desfrutando o potencial estático do algoritmo. Pois o algoritmo é construído para mensurar a afetividade de cada canal em relação as jornadas dos clientes.
  • O modelo de atribuição deve levar em conta fatores externos como por exemplo: sazonalidade, concorrência, atividades promocionais, etc.
    Assim como, um sistema de atribuição deve considerar fatores como: frequência, recência, período de efetividade dos efeitos de uma campanha de publicidade, efetividade de cada canal, etc.
  • A plataforma em questão deve dar a possibilidade de gerar métricas que ajudem a explicar de forma intuitiva, com base nas mudanças aplicadas ao modelo, os eventos de marketing gerados. Os relatórios gerados por um modelo de atribuição algorítmico deveriam mostrar: tendências dos pesos atribuídos para cada canal, tendências em termos de comparação entre a execução, as conversões atribuídas e os investimentos para cada canal. Comparativo de conversão e de investimento para cada canal em relação ao período de execução do mesmo canal, relatório de incremento, útil para mostrar se e quanto determinadas ações de marketing contribuíram para gerar conversões.
  • É importante que o modelo de atribuição utilizado possa oferecer um nível estatisticamente confiável de previsibilidade,
  • Possibilidade de avaliação da performance de um modelo através da utilização de amostras de dados.

E aí, você, já conseguiu uma resposta ao dilema do Wanamaker? Compartilha com a gente!