Por que os modelos de atribuição de canal único são um beco sem saída para CMOs

Com acesso a uma enorme quantidade de dados de clientes, os profissionais de marketing podem obter uma visão holística do que está acontecendo. Por exemplo, os profissionais de marketing podem descobrir exatamente como os clientes interagem com sua marca, prever a probabilidade de um usuário comprar algo (e quando), estimar qual receita os clientes trarão e determinar quais canais são melhores para interagir com os clientes. Mas este é apenas um lado da moeda. Por outro lado, a publicidade está se tornando mais cara e a atenção dos consumidores está se tornando mais difícil de conseguir.

Os profissionais de marketing tecnologicamente mais avançados vencerão essa corrida, e a atribuição desempenha um papel significativo na avaliação da eficácia dos canais de publicidade. Este artigo explica por que os modelos de atribuição de canal único são um caminho para lugar nenhum e por que mesmo os modelos baseados em dados não são suficientes para um marketing bem-sucedido.

Com o desenvolvimento da tecnologia, o surgimento de cada vez mais canais de marketing (online e offline) e a transição dos negócios para a internet devido à pandemia, é crucial que as marcas entendam de onde vêm seus clientes e como e quando os clientes convertem . É aqui que a atribuição de marketing entra em jogo.

Na análise de marketing, a atribuição trata da avaliação do valor que os canais de publicidade trazem. Essa é uma das tarefas críticas dos profissionais de marketing digital. Por quê? Como mostra a pesquisa do Gartner de 2020, mais de 80% dos orçamentos de marketing são destinados a canais digitais. Simplificando, milhões de dólares são gastos em publicidade, e as empresas obviamente querem ter certeza de que esses gastos trazem clientes e receita.

O objetivo da atribuição é definir a contribuição de um canal para as conversões — seu papel em levar os clientes para a próxima etapa do funil ou impulsionar as compras — e atribuir um valor a cada etapa do funil.

As marcas usam a análise de marketing para definir como, onde e quando um cliente interage com uma empresa e usam a atribuição para avaliar a eficiência do canal. Graças a esses dados, os profissionais de marketing podem alterar e melhorar as campanhas publicitárias.

Existem muitos tipos diferentes de modelos de atribuição e vale a pena observar que não há um único modelo correto. Normalmente, os modelos de atribuição são classificados de acordo com a lógica pela qual calculam o valor. Os tipos de modelos de atribuição incluem:

• Modelos de atribuição com base em posição — Decaimento de tempo, com base em posição
• Modelos de atribuição algorítmica — orientados a dados, cadeias de Markov
• Modelos de atribuição de canal único — Último clique, primeiro clique
• Modelos de atribuição multicanal — Linear, Time Decay

A maioria das empresas usa modelos de atribuição de canal único. Esses modelos sempre foram usados, então por que mudar algo que parece funcionar? Os modelos de canal único são simples, padrão no Google Analytics (Universal) e facilitam a compreensão de como o valor é distribuído.

Veja um exemplo de como o valor da conversão é distribuído em modelos de atribuição de canal único:

No entanto, esses modelos só podem avaliar um canal. Eles simplificam demais o caminho do cliente omnicanal até a compra, levando a sérios equívocos e certamente não mostrando a situação real.

Por exemplo, se dermos uma olhada no relatório Path para um varejista multicanal com um número moderado de visitantes do site, podemos ver qual parte da receita é gerada pelos pedidos feitos na primeira visita. Aqui, os caminhos multicanal com duas ou mais visitas trazem 72% da receita.

Em média, são necessários de sete a nove pontos de contato (os melhores desempenhos podem reduzir isso para cinco) para um cliente converter. Obviamente, cada um desses pontos de contato (canais) afeta a probabilidade de conversão. É lógico que é necessário levar em conta a influência de todos os canais no comprador neste caso.

No entanto, ao usar modelos de atribuição de canal único, diferentes estágios do funil são ignorados. Ignorar o que acontece no início, meio e fim do funil de vendas pode levar a decisões de gestão inadequadas e perdas monetárias.

Além dos modelos de atribuição de canal único, os modelos orientados a dados são bastante populares. Entre os exemplos mais famosos estão o modelo Data-Driven do Google, o modelo Conversion Lift do Facebook e o Campaign Lift da Nielsen.

Os modelos orientados por dados refletem com mais precisão o impacto de cada fonte no caminho para a conversão. Eles são rápidos, adaptáveis ​​e mais objetivos do que os modelos de canal único porque consideram todos os dados sobre as interações do usuário com as marcas. Em um ambiente multicanal, todos os pontos de contato convencem os clientes a comprar um produto, mas claramente sua influência não é igual. Assim, os modelos de atribuição simples e tradicionais deixam grandes lacunas ao analisar os dados e não fornecem uma visão completa do que está acontecendo.

A atribuição baseada em dados compara os caminhos do usuário usando dados de todos os usuários (os que converteram e os que não converteram). Essa abordagem permite que os profissionais de marketing avaliem em qual caso a probabilidade de conversão é maior.

Como resultado, o modelo calcula o peso de conversão de cada canal no caminho do usuário, independentemente de sua posição.

As desvantagens dos modelos orientados a dados incluem o fato de que o algoritmo deve receber dados suficientes para mostrar os resultados mais precisos. Para que um modelo forneça uma estimativa confiável, ele precisa de muitos dados históricos e de mercado. São necessários pelo menos 12 pontos de contato para obter alta precisão em modelos de atribuição baseados em dados.

Resumindo, podemos dizer que, na maioria das vezes, um modelo de canal único leva a decisões gerenciais incorretas, pois essas decisões não levam em consideração o quadro geral. Assim, um modelo orientado a dados é melhor do que um modelo de canal único. No entanto, não há limite para a perfeição. Opções mais avançadas consideram a probabilidade de conversões e são treinadas em dados de mercado usando tecnologias de aprendizado de máquina.

O maior problema com os modelos de atribuição baseados em dados é que são necessários muitos dados para análise. Não é um canal que participa da comunicação com o cliente, mas todo um conjunto de fontes de mídia em diferentes variações. Para medir a métrica de ROI, por exemplo, um profissional de marketing precisa de alguma forma gerenciar toda essa orquestra.

É aqui que os modelos de atribuição de aprendizado de máquina (ML) salvam o dia! Modelos que usam aprendizado de máquina e dados de mercado mudaram completamente a abordagem de atribuição. Os modelos de ML podem ser adaptados às empresas para obter a imagem mais completa e verdadeira do caminho de um cliente até a compra. Com um aumento de mais de 70% ano a ano nas vendas pela Internet entre 2019 e 2020, um modelo de ML é obrigatório para qualquer profissional de marketing.

Todos os dados necessários para análise de marketing – cuja quantidade aumenta a cada dia – não podem ser processados ​​sem o uso de aprendizado de máquina. Com sua ajuda, os profissionais de marketing não precisam mais se esforçar por um labirinto de números em busca de informações úteis.

Afinal, é importante que as empresas não apenas entendam quais canais não funcionam, mas também entendam quais funcionam para não alocar seus orçamentos às cegas.

De acordo com o estudo Digital Marketing Insights for CMOs in 2021 do Gartner, 84% dos CMOs acreditam que o uso de aprendizado de máquina e inteligência artificial melhora a funcionalidade de marketing. Ao mesmo tempo, apenas 17% dos profissionais fazem uso extensivo dos recursos de IA/ML.

A equipe de BI da OWOX já trabalhou com mais de 27.000 projetos e entende que cada negócio tem suas próprias necessidades de atribuição e que não há uma resposta clara para todos. Para uma empresa, um modelo de canal único é adequado. Algumas empresas precisam de uma opção orientada a dados. E para os demais, a otimização do mix de marketing (MMO) é necessária.

A teoria sempre anda de mãos dadas com a prática. O modelo OWOX é caracterizado por maior velocidade e excelente qualidade de previsão porque é treinado em dados de mercado de dezenas de milhares de projetos. O uso de atribuição de ML e importação automática de públicos ajudou um de nossos clientes a aumentar seu ROI em 2,2 vezes.

A OWOX lançou recentemente uma versão atualizada de seu modelo de atribuição. Quais são os benefícios deste novo modelo?

1. Você não precisa escolher as etapas do funil manualmente. O próprio modelo determina a contribuição das campanhas com base na probabilidade de conversões.
2. Você obtém uma previsão do valor para todas as sessões. Com o novo modelo, você pode responder à pergunta Se eu desativar esta campanha hoje, quantas conversões receberei no futuro? Essa abordagem ajuda você a evitar a desativação de campanhas adiadas e a desativar campanhas ineficientes mais rapidamente.

3. A lógica de cálculo é absolutamente transparente. O código de transformação de dados abertos permite que você leve em consideração quaisquer características da empresa. Os clientes OWOX podem fazer as alterações necessárias no código enquanto o serviço atualiza os dados de fontes de marketing (serviços de anúncios, serviços de chamadas, CRMs), combina-os com dados de custo de várias plataformas de anúncios e prepara os relatórios necessários.

Os modelos de atribuição permitem controlar os canais de marketing, ajudando você a entender com que precisão seus relatórios demonstram a eficácia do seu marketing e como você pode otimizar seu marketing nos pontos de contato que realmente importam.

Os profissionais de marketing precisam ter certeza de que cada ação aproxima o cliente da conversão. Você pode usar modelos de atribuição para determinar as campanhas de marketing mais lucrativas, dependendo de quanto você investiu nelas.

O modelo a ser escolhido depende do seu setor, dos objetivos da sua empresa e do tamanho do seu negócio. No entanto, uma coisa é certa: nenhum desses modelos pode garantir resultados 100% precisos.