Obrigado!

Explicando o marketing preditivo – por que ele é importante?

Por Omer Efrat
predictive marketing explained - Square

O papel do gerente de aquisição de usuários passou por uma evolução drástica ao longo dos anos, se tornando ainda mais importante e adquirindo tarefas cada vez mais desafiadoras.

Gerentes de UA costumam ter dificuldade para encontrar maneiras eficazes para otimizar suas campanhas e obter usuários de alta qualidade. Muitas soluções de BI e tecnologias terceiras são usadas para tentar determinar o custo do usuário, combatê-lo com o seu LTV e lidar com a incerteza geral sobre o seu ROI.

No entanto, é comum que a intuição de um gerente de UA sobre o potencial de uma campanha seja o verdadeiro fator decisivo, já que muitas vezes há poucos ou nenhum dado que ajude no processo de tomada de decisões.

Otimização da aquisição de usuários – como realmente funciona?

Naturalmente, os desenvolvedores de aplicativos mobile querem atrair mais usuários. Esse objetivo pode ser alcançado organicamente ou através do uso de diversos canais e atividades de anúncios. A aquisição de usuários pagos normalmente é feita através do uso de ad networks (Tapjoy, Unity, IronSource, etc) ou de grandes plataformas de anúncios (Facebook, Google, Twitter, etc). Campanhas de anúncios consistem em diferentes cohorts de usuários, que podem ser segmentados segundo vários dados demográficos, localizações, aplicativos de publishers, e mais.

Por exemplo, um anunciante pode tentar alcançar usuários no Reino Unido no Tinder (quando estiver trabalhando com ad networks tradicionais) ou a categoria de mulheres entre 20-34 anos que gostam de jogos no Facebook.

Para cada um desses cohorts, o gerente de UA define os atributos da campanha, incluindo orçamento, limite de impressão diária e, o mais importante, o preço da oferta (a quantidade de dinheiro que o gerente de UA está disposto a pagar por usuário, também conhecido como PPU).

Depois que um usuário instala e se engaja com um aplicativo, o gerente de UA monitora e rastreia toda a jornada do usuário. Durante a vida útil do usuário, ele irá gerar valor por meio de diversos tipos de KPIs:

  • Monetização – receita de compras in-app, visualizações de anúncios, cadastros, mural de ofertas, etc. 
  • Engajamento – atividade do usuário que representa o envolvimento com o aplicativo e a contribuição à economia do app.
  • Retenção – a frequência de uso do aplicativo e stickiness do usuário.

O papel do gerente de UA é garantir que a soma total do valor recebido por cada usuário supere o custo. O principal desafio é mensurar precisamente os eventos ao longo da vida útil do usuário, um processo que pode demorar de três semanas a 12 meses, a depender do aplicativo.

solução appsflyer predict KPI breakdown
Análise de uma previsão de KPI

Em um mundo perfeito, determinar o custo de um usuário seria algo que só poderia ser feito e confirmado uma vez que o seu LTV estivesse claro. Infelizmente, os anunciantes são obrigados a pagar adiantado, causando grande incerteza no gerenciamento de uma campanha.

A busca pelo LTV

Os anunciantes investem recursos substanciais em sistemas de BI e equipes dedicadas, e utilizam a ciência de dados para tentar identificar diferentes pontos ao longo da jornada do usuário, que apenas sugerem qual seria o seu LTV. Quanto mais avançada for a configuração da BI, maior será a probabilidade do gerente de UA encontrar pontos proxy mais próximos.

Essas análises exigem cerca de 7 a 14 dias para acumular dados o suficiente para gerar um insight inicial sobre o LTV do usuário. Para tornar esses insights confiáveis e “limpos”, nenhuma alteração pode ser feita na campanha ao longo desse período.

Apenas depois que um insight confiável é recebido o gerente de UA consegue otimizar cada campanha, mudando suas ofertas, criativo ou o direcionamento.

A grande desvantagem desse período de aprendizagem é que a precisão do insight aumenta quanto mais o anunciante espera. No entanto, quanto maior a espera pelo aumento da precisão, maior a perda de dinheiro em campanhas que não são bem-sucedidas. Assim, o dinheiro é desperdiçado em campanhas sem sucesso ou não é possível capitalizar em campanhas potencialmente bem-sucedidas.

O que é a análise preditiva?

Para alguns desenvolvedores de aplicativos, o modelo linear para a estimativa de LTV pode ser suficiente; no entanto, para a grande maioria, um método de previsão mais sofisticado pode ser um grande diferencial.

O mais importante é ter um método para mensurar a atividade de um usuário no aplicativo durante um ou dois dias iniciais e, depois, correlacioná-la precisamente ao LTV de longo prazo.

O principal desafio é que essa correlação não é intuitiva. Ela exigirá inúmeras ações e padrões mensurados ao longo das primeiras horas e dias da jornada de um usuário no aplicativo, e uma série de ferramentas complexas para a análise e a condução dessas previsões. Esse campo de pesquisa é o que chamamos de análise preditiva.

Fora da indústria do marketing, a ciência da análise preditiva é usada para auxliar a análise de dados históricos e padrões, prevendo qualquer coisa desde mudanças no mercado de ações até riscos potenciais à saúde.

Aplicar essa ciência ao mundo do marketing parece intuitivo, mas não é algo fácil de se fazer. Mesmo hoje, com a ampla comoditização de várias plataformas de dados, a realização de análises preditivas para o LTV do usuário requer recursos significativos e acesso a uma ampla variedade de fontes de dados.

Quer saber mais sobre o PredictSK?
Junte-se ao nosso webinar

O tipo de método necessário inclui: deep learning, definição de um rótulo inteligente (smart label) e engenharia de recursos dinâmicos. Os custos de servidor necessários para executar esses tipos de modelos podem ser exorbitantes.

Embora muitos gerentes de UA possam estar cientes dos benefícios do uso da análise preditiva, esse privilégio se limita a poucos que conseguem utilizá-lo. A grande maioria dos profissionais de marketing de aplicativos não tem os recursos para realizar uma operação tão elaborada, o que os faz depender de modelos de cálculo limitados, na melhor das hipóteses, ou de sua intuição, na pior.

Solucionando a equação do marketing preditivo

Para montar e treinar modelos preditivos de deep learning que possam oferecer as previsões de LTV desejadas, é necessário o acesso a amplas bases de dados de comportamento do usuário.

Mesmo que o modelo preditivo aplique apenas os dados em silos de cada aplicativo para gerar previsões locais, o treinamento e a otimização do modelo devem contar com dados de centenas, senão milhares de aplicativos para atingir a precisão máxima.

Poucas empresas têm o privilégio de uma visão panorâmica sobre as propriedades de aquisição de usuários, incluindo canais de monetização e de custo, assim como acesso a todas as campanhas de aplicativos em todas as fontes e canais de anúncios. 

dashboard da appsflyer predictsk
Dashboard do PredictSK

Por exemplo, se um anunciante está trabalhando com cinco ad networks diferentes, cada ad network pode ter acesso a grandes quantidades de dados, mas não terá acesso exclusivo a todas as campanhas de UA. Assim, seus dados ficam limitados às suas próprias mídias e campanhas. Essas fontes de mídia, por natureza, não podem ser imparciais.

Por que esse é o próximo passo?

A mensuração de atribuição está passando por grandes mudanças. À medida que avançamos para uma nova realidade centrada na privacidade, devemos adotar um novo padrão de mensuração. Um que tenha prazos de mensuração mais curtos e faça uma estimativa das possíveis pontuações do usuário anônimo para o processo de tomada de decisões.

É isso o que o marketing preditivo faz!

Utilizando seu posicionamento exclusivo e uma ampla base de dados de atribuição, a AppsFlyer está perfeitamente apta para obter insights precisos e confiáveis. Com uma visão ampla do ecossistema, recursos humanos e de computação inigualáveis e uma posição imparcial na indústria, oferecemos insights preditivos precisos no menor tempo possível.

Omer Efrat

Omer Efrat é um diretor de produtos experiente e um grande empreendedor, que lançou diversos produtos bem-sucedidos na indústria de tecnologias de marketing durante os últimos 10 anos. Omer lidera o time de análises preditivas da AppsFlyer.

Seguir Omer Efrat

Background
Receba notícias de marketing e insights de especialistas direto em seu e-mail