Como aumentar as vendas e melhorar o ROI usando dados e aprendizado de máquina

Os algoritmos de publicidade online prosperam com um grande número de sinais. Setores como comércio eletrônico e jogos para celular fornecem dados suficientes para treinar esses algoritmos. Portanto, as abordagens que são popularmente empregadas por plataformas de publicidade como Google e Facebook permitem direcionamento eficiente e engajamento dos públicos desejados.

No entanto, em muitas outras indústrias onde o número de sinais é menor, a taxa de conversão alvo está muito abaixo dos benchmarks dos canais. Se você se encontra nessa situação, é vital fazer a mudança e aproveitar seus dados com o poder do aprendizado de máquina.

Fizemos uma parceria com Konstantin Bayandin, fundador da startup adTech Tomi.ai, para discutir oportunidades de marketing online que podem ser desbloqueadas com aprendizado de máquina.

Como CMO e chefe do departamento de ciência e análise de dados da OZON.ru (equivalente na Amazon na Rússia), lidero o desenvolvimento de marketing orientado a dados na empresa. No comércio eletrônico, há uma abundância de conversões (compras) valiosas e muitos dados para fatiar e cortar. Ao me mudar para os Estados Unidos para trabalhar na Compass, uma corretora de imóveis de alta tecnologia, descobri um problema. Tendo mudado para o setor imobiliário da publicidade on-line e do comércio eletrônico, fiquei chocado com o desafio do marketing on-line para esse setor. O principal problema foi o número tremendamente baixo de conversões finais, já que as pessoas raramente compram casas ou apartamentos. Para colocar em perspectiva, os EUA têm um total de apenas 5 milhões de transações imobiliárias por ano.

Por isso, as conversões são extremamente raras. Grosso modo, você tem sorte de obter uma transação por 10.000 visitantes do site. A taxa de conversão em transações é de 0,01% ou menos. Portanto, os profissionais de marketing imobiliário não conseguem empregar lances inteligentes: as estratégias de lances automatizadas oferecidas pelas plataformas de publicidade do Google e do Facebook. Eles precisam maximizar o número de cliques ou otimizar para eventos do site no meio do funil (como coleta de contatos). O valor dessas conversões nem sempre é claro, pois as pessoas geralmente enviam suas informações de contato por motivos não relacionados à compra.

Então, isso levanta a questão, por que algumas indústrias têm mais dificuldade com o marketing online? Por que eles têm baixas taxas de conversão e baixo ROI? Acredito que há cinco razões principais para isso:

1. Um público altamente específico: não importa quanto esforço um profissional de marketing faça, apenas 5% das pessoas segmentadas comprarão ou venderão imóveis nos próximos 12 meses.
2. Ter componentes offline: como ter que assinar um contrato imobiliário em papel e pessoalmente.
3. Longos ciclos de vendas: De acordo com Zillow, leva em média mais de 4,5 meses para comprar uma casa. Enquanto isso, na indústria automotiva, as pessoas normalmente levam semanas ou meses para escolher um carro e mais algumas semanas para concluir a transação.
4. Grandes transações: Como você pode imaginar, todos os itens acima podem ser bastante caros. E, naturalmente, quanto maior o valor em questão, mais demorado pode ser o processo de tomada de decisão.
5. Regulamentação: Embora isso não seja necessariamente uma consideração importante em todos os setores, certamente é para imóveis e finanças. Essas indústrias são fortemente regulamentadas para garantir a igualdade de acesso à habitação e ao crédito. Por exemplo, o Fair Housing Protection Act proíbe o uso da maioria dos direcionamentos envolvidos no marketing imobiliário, como sexo, idade, raça e geolocalização.

Se o seu negócio possui pelo menos três dos cinco componentes mencionados acima, você provavelmente tem uma taxa de conversão baixa. Nesse caso, você precisa ter muito cuidado com o gerenciamento de seus dados. Considere implementar o aprendizado de máquina a seu favor: ele pode ajudar a fechar o ciclo de feedback para suas transações futuras, vinculando-as à demanda que existe no topo do funil.

Inspirado por esse desafio, criei uma solução que prevê a probabilidade de compras futuras usando aprendizado de máquina e dados comportamentais dos visitantes do site. O Tomi.ai é uma plataforma que ajuda os profissionais de marketing on-line hoje a mais que dobrar seu ROI de publicidade usando aprendizado de máquina, dados comportamentais de terceiros e integrações de API. Ele abre possibilidades para setores onde o marketing online é um desafio, como imobiliário, bancário, seguros, EdTech e SaaS.

Para nossos clientes provenientes de setores complexos, ativamos pontuações preditivas em suas contas de publicidade como conversões personalizadas com um valor esperado. Ou seja, calculamos a receita antecipada que poderia ser gerada por um visitante do site, observando seu nível de interação com o site. Tratamos isso como uma compra concluída e, em seguida, maximizamos essa métrica. Como resultado, nossos clientes podem exibir seus anúncios para usuários altamente engajados com um alto valor de vida útil esperado.

O aprendizado de máquina é o mecanismo que impulsiona o marketing online de hoje. Na minha opinião, os profissionais de marketing precisam evoluir para analistas ou cientistas de dados, porque os problemas de marketing frequentemente têm soluções matemáticas. As operações de marketing online se assemelham essencialmente a um problema de otimização em matemática, onde um determinado parâmetro (por exemplo, receita) precisa ser aumentado em uma situação de orçamento, canal e outras restrições.

Todo o propósito de usar o aprendizado de máquina no marketing on-line é fechar o ciclo de feedback das compras e o topo dos eventos do funil.

É possível construir modelos preditivos em todos os estágios do funil. Fazemos isso prevendo a probabilidade de conversão com base no comportamento inicial dos usuários. Em seguida, expressamos em termos de probabilidade de compra e o valor previsto da compra.

O desafio apresentado aos profissionais de martech é pensar em uma maneira de fechar esse ciclo de feedback e criar públicos semelhantes baseados em valor com base no LTV produzido por esses modelos. Eles também precisam encontrar uma maneira eficiente de informar suas decisões de lances de plataforma de anúncios usando sinais iniciais e microconversões que acontecem no início do processo. Em seguida, combine-os com algoritmos de aprendizado de máquina para criar uma métrica uniforme de conversões e vendas previstas, em vez de usar conversões finais (que ocorrem raramente).

Se o Google e o Facebook já têm o aprendizado de máquina do seu lado, por que os profissionais de marketing precisam implementar o aprendizado de máquina por conta própria?

1. O aprendizado de máquina amplia o sinal

Normalmente, um site de baixa conversão terá muitas sessões de usuário. Por exemplo, um projeto de e-commerce médio terá uma taxa de conversão de 2%, o que significa que apenas 2 em cada 100 sessões terão um valor diferente de zero. A intensidade do sinal é igual a 100%.

O aprendizado de máquina nos ajuda a entender a probabilidade de conversão de eventos iniciais em cada sessão e atribuir um valor diferente de zero a ele. Podemos identificar 25% dos visitantes do site que possuem uma intensidade de sinal variando de 2% a 10%. Essa abordagem nos dá um público mais amplo com um sinal mais fraco que pode ser usado para a criação de segmentos.

2. O aprendizado de máquina é capaz de calcular o LTV incremental esperado

Isso ajuda você a entender o desempenho da campanha e se ela atingirá o valor desejado no futuro, mesmo antes das conversões reais ocorrerem.

3. dLTV pode ser usado para otimização de lances de anúncios

Você pode otimizar seus lances usando a atribuição preditiva com aprendizado de máquina para entender o desempenho esperado de sua campanha.

Vamos supor que você esteja lançando um anúncio no Google com muitas palavras-chave. Você gastou uma certa quantia em cada palavra-chave, alcançou um determinado número de vendas e dividiu suas vendas pelo ROI. Você classificou essas palavras-chave organizando-as em ordem decrescente por seu ROI, depois plotou 100% dos custos (cumulativos) no eixo X e plotou todos os resultados de negócios na forma de vendas ou lucro no eixo Y. Feito isso, isso lhe dará sua 'curva de desempenho':

O objetivo de usar a tecnologia de marketing é remover controles desnecessários. Nesse caso, precisamos remover palavras-chave ruins que estão afetando negativamente seu ROI. Você não pode investir nessas palavras-chave, portanto, seus respectivos orçamentos podem ser cortados.

Ao empregar métodos novos e mais eficientes, você pode alterar a própria curva de desempenho. Você pode obter um desempenho superior com o mesmo orçamento e palavras-chave. Para ilustrar isso, na OZON.ru em 2016, usamos modificadores de lance com aprendizado de máquina para anúncios de pesquisa e, assim, ajudamos o Google e o Yandex a atrair públicos repetidos de maior qualidade.

Como resultado, sua receita cresce, você obtém um ROI marginal maior do que o valor desejado e isso ajuda a desbloquear novas oportunidades. Por exemplo, ao investir em novas palavras-chave e aumentar os gastos, você pode obter um desempenho mais alto em seu valor de ROI desejado.

Talvez sejamos os pioneiros do aprendizado de máquina para marketing preditivo em setores como imobiliário, bancário e SaaS. A própria ideia de pontuar usuários e usar essa pontuação para fins de otimização vem da indústria de jogos. Os jogos para celular geralmente são gratuitos, mas vêm com opções de compra no jogo. “Baleias”, como são chamadas na indústria de jogos, são um grupo de jogadores que representam apenas 1% da população de jogadores, mas são capazes de pagar o custo de todos os jogadores por meio de suas compras no jogo.

Todos os jogos desse tipo são projetados para aumentar sua parcela de grandes gastadores e, o mais importante, identificar possíveis grandes gastadores. Há muito tempo no setor, os gerentes de produto são conhecidos por usar dados para prever o LTV para informar suas decisões.

Os aplicativos de jogos para celular já possuem integrações com o Google e, posteriormente, com o Facebook, para transferir dados de eventos online. Para avaliar a probabilidade de um jogador se tornar uma “baleia”, os profissionais de marketing usam dados dos primeiros dias de jogo de um jogador. Em seguida, eles produzem uma conversão sintética de "instalação de qualidade", enviam esse evento para o Google UAC e otimizam para instalação de qualidade, em vez de instalação regular.

Implementamos as seguintes integrações padrão para nossos clientes:

1. Pixel Tomi.ai: você precisa instalar um pixel Tomi.ai em seu site para coletar dados comportamentais: como páginas visitadas por usuários, tempo de permanência em determinadas páginas e cliques. O algoritmo de aprendizado de máquina classificará todos esses sinais para encontrar aqueles que fornecem as previsões mais precisas de conversões futuras. Por exemplo, as pessoas que realmente pretendem comprar uma casa usarão uma calculadora de hipotecas e procurarão escolas próximas. Esses fatores produzirão as variáveis ​​que serão usadas pelo aprendizado de máquina para prever a probabilidade de conversão em compra.
2. Integração de CRM: Pedimos aos clientes que forneçam seus feeds de transações concluídas (dados históricos). Usando e-mails e números de telefone com hash enviados no site como identificadores anônimos, podemos vincular transações offline à atividade online das pessoas. Usamos uma amostra de dados históricos de um mês (ou mais) para treinar nossos modelos sobre o comportamento das pessoas e a probabilidade de compras subsequentes.
3. Integração de API: Por fim, alimentamos esses dados de volta nas contas de publicidade. Solicitamos acesso a APIs de marketing para conectar e fazer upload de conversões sintéticas e dados preditivos de público para o Google e o Facebook.

O fator mais importante para o aprendizado de máquina é o número de resultados positivos que ocorreram – quantas conversões conseguimos capturar. Teoricamente, 20 compras são suficientes, mas, na prática, tentamos identificar pelo menos 100 compras que podemos vincular ao comportamento online. Geralmente, nosso objetivo é treinar o modelo usando várias centenas ou milhares de compras. É importante que alcancemos pelo menos os primeiros 100 resultados positivos durante nosso período de coleta de dados, que normalmente ocorre no primeiro mês de trabalho (ou mais, se as conversões forem escassas).

Pela nossa experiência, o principal critério para a qualidade dos dados é a parcela de pedidos offline que podemos vincular à atividade online dos clientes. A ideia principal não é apenas integrar o site e o sistema de CRM, mas também coletar identificadores de cookies anônimos. O ID do Google Analytics geralmente é usado para isso. Você precisa coletar os IDs do Google Analytics dos usuários e conectar esse identificador ao CRM em todas as etapas subsequentes: qualificação de leads, suporte de vendas, execução de contratos etc.

O valor do aprendizado de máquina não está nos dados contidos em uma única tabela. Está na qualidade do link entre várias tabelas.

O valor dos dados não está nos dados, mas entre os dados.

Isso significa que o valor não está em simplesmente ter as tabelas, mas em conectar várias tabelas para liberar valor extra. Ser capaz de vincular essas tabelas de comportamento online com tabelas de pedidos é extremamente importante para os profissionais de marketing.

Se as campanhas publicitárias nunca avançam além da fase de aprendizado (e esse pode ser o caso de conversões extremamente raras), você pode fazer algo a respeito com o poder do aprendizado de máquina.

Se você ainda está maximizando o número de cliques no site, já está atrasado. Se você estiver otimizando seus anúncios para coleta de contatos e esses contatos forem de baixa qualidade (apenas 5 a 10% dos contatos convertidos em vendas), o aprendizado de máquina provavelmente melhorará isso.

Quero enfatizar que você não precisa ser um cientista de dados para começar. Molhe os pés e veja o que o aprendizado de máquina pode fazer por suas campanhas de marketing. À medida que as indústrias continuam a se tornar mais interconectadas, agora é a hora de trazer novas inovações tecnológicas para o seu kit de ferramentas.