Apesar do abrandamento causado pela crise dos coronavírus, a indústria da publicidade digital manteve um forte crescimento durante anos e, segundo o Statista, em 2019 atingiu um volume de negócios global de mais de 335 milhões de dólares. Com um panorama publicitário complexo, composto por canais continuamente reinventados, aos quais são adicionados diariamente novos intervenientes, os modelos de atribuição avançados tornam-se críticos para avaliar com precisão o retorno do investimento publicitário e a eficácia do website.

As limitações dos modelos de atribuição tradicionais

Os modelos de atribuição são um conjunto de regras através das quais as empresas avaliam o peso de cada interação com a marca na conversão final (impactos publicitários, mas também cada touchpoint na página e mesmo no ambiente físico, se falarmos de modelos omnicanal). Tradicionalmente, os modelos de atribuição mais utilizados são os seguintes: 

  • Multicanal ou multi-channel: incorpora mais canais e fases, distribuindo uma percentagem fixa da conversão entre os diferentes impactos. A sua limitação é que são modelos fechados: as percentagens são estabelecidas e não evoluem, mesmo que o utilizador e o seu comportamento mudem. 
  • Data-driven attribution: Estes modelos ajustam as percentagens de atribuição a cada um dos impactos de uma forma variável. A sua principal limitação está relacionada com o facto de examinarem a rota seguida pelo utilizador fora do site (especialmente as diferentes campanhas publicitárias) e, por conseguinte, não terem em conta o comportamento do utilizador na própria página.

Ao contrário destas fórmulas, os modelos de atribuição avançados não só avaliam os canais que levaram o utilizador à web, mas também analisam o comportamento que o utilizador teve no site e cruzam toda a informação para representar o ciclo completo de compra.

Modelos de atribuição avançados: as vantagens de aplicar machine learning

Os algoritmos de aprendizagem supervisionados funcionam com dados de entrada e saída já classificados, ou seja, o sistema é informado do resultado desejado e, a partir dos dados que recebe, infere regras a aplicar. 

Por conseguinte, os modelos de atribuição com machine learning não são pré-concebidos, mas são continuamente ajustados e tornam-se mais precisos ao longo do tempo. Por exemplo, sempre que o design do site é alterado, não é necessário repensar o modelo de atribuição, sendo esta nova funcionalidade incorporada no algoritmo e o algoritmo reajusta-se a si próprio.

Na classificação inicial da informação, é essencial medir com eventos qualquer possibilidade que o utilizador tenha de interagir com a página e, além disso, incorporar dados adicionais que fornecem o contexto da atividade. Estes dados têm de responder a perguntas como: quanto tempo passou entre os eventos?, quantas vezes cada um deles foi acionado?, quais os dispositivos que o utilizador utilizou?, a partir de que localização geográfica acede?, entre outras. Quanto mais rica for a informação, melhor será o modelo a processar para determinar o que é tráfego de qualidade e o que não é

Álex Masip, Head of Data em Labelium Espanha

Além disso, com base no comportamento do utilizador, os modelos de atribuição com machine learning são capazes de detetar fraudes, uma vez que se um bot transporta grandes quantidades de tráfego, mas a sua atividade na Web é nula, o modelo de atribuição com machine learning irá detetá-lo e não lhe dará qualquer peso na conversão.

Los modelos de atribución avanzados aprovechan el potencial del machine learning

Como funciona um modelo de atribuição com machine learning

Pode ser resumido em três etapas chave: 

1. Recolha de dados: pode ser exportada através do Google Analytics 360 ou, caso contrário, com um código JavaScript que salve a informação. Também pode adicionar outras fontes de dados como Adservers, CRM ou modelos que interpretam a UTM. 

2. Formulação de um data lake no qual a informação é agrupada: pode ser articulada com a ajuda de plataformas como BigQuery, Amazon, Azure ou Snowflake.

3. Implementação do modelo de atribuição com machine learning no data lake de modo a atribuir um valor a cada sessão e a cada impacto externo recebido pelo utilizador. Desta forma, a probabilidade de conversão é medida com precisão. O algoritmo efetua o cálculo a nível individual para cada visita e depois agrupa-o para obter percentagens globais, a fim de identificar o peso que cada interacção teve nas vendas finais.

Atribuição em tempo real e em evolução constante

Modelos de atribuição com machine learning permitem não só analisar os efeitos das campanhas publicitárias concluídas, mas também proporcionar uma visão global do que está a acontecer em tempo real. Isto facilita a melhoria da estratégia em tempo real, tornando possível detetar ineficiências e corrigi-las. Além disso, os modelos de atribuição avançados podem fazer previsões para o futuro, a fim de levantar cenários possíveis e escolher os mais rentáveis.

Se quiser que o ajudemos a implementar um modelo de atribuição avançado no seu website ou e-commerce, não hesite em contactar-nos. Estudaremos o seu caso de uma forma personalizada para encontrar a forma mais eficaz de o implementar.

Contate-nos