A atribuição multitoque está morta? Construindo uma solução de medição de desempenho melhor
Publicados: 2023-05-04O antigo objetivo da atribuição de marketing parece simples: descobrir quais pontos de contato, canais e/ou campanhas são mais eficazes para levar os clientes à conversão.
No mundo digital, nossa capacidade de atribuir impacto é baseada em identificadores determinísticos que nos permitem unir as interações de marketing. Em seguida, um modelo, baseado em regras ou orientado por dados, é aplicado a essas interações para ajustar o peso do crédito atribuído a cada interação ao longo da jornada do cliente.
Portanto, a atribuição teoricamente dá aos profissionais de marketing o poder de entender e avaliar o valor de diferentes tipos de interações de marca na decisão de conversão do consumidor. O ideal platônico de um modelo de atribuição produziria uma visão holística de cada ponto de contato na jornada do usuário e avaliaria com precisão sua importância em conduzir as pessoas ao objetivo final.
Alguns modelos se aproximaram, como a atribuição multitoque, enquanto outros têm pontos cegos bem conhecidos, como o último toque.
Mas simplesmente não é possível rastrear com precisão todos os pontos de contato que podem ter influenciado um evento de conversão. Provavelmente nunca será. E mesmo que fosse, a atribuição pode não nos dar a imagem completa de que precisamos.
A atribuição por si só é um objetivo inerentemente falho
A atribuição perfeita tem sido um sonho de marketing por muito tempo; desde os dias de John Wanamaker, os profissionais de marketing estão obcecados com a ideia de uma estrutura de medição universal que provará que estão gerando valor.
Mas mesmo que você pudesse ver todos os pontos de contato e obter uma atribuição holística perfeita, isso forneceria todas as informações necessárias para criar a estratégia de marketing perfeita? Afinal, a atribuição por sua própria natureza está sempre olhando no espelho retrovisor. Não olha para o futuro ou fornece um caminho a seguir. Também não considera sinais críticos de investimento em mídia, como retornos decrescentes.
A medição do desempenho deve se concentrar no uso de dados para entender para onde seu próximo melhor dólar deve ir, não apenas até onde foi o último dólar. Você precisa ser capaz de analisar seus dados e responder a perguntas prospectivas, como:
- Onde podemos aumentar os orçamentos para escalar nossas conversões enquanto mantemos nosso ROAS atual?
- Quais alavancas posso usar para otimizar o desempenho da campanha?
Você não pode responder a esse tipo de pergunta se estiver olhando apenas para um modelo que atribui crédito retroativo sobre um conjunto de dados incompleto. A verdade fria e dura é que a atribuição multitoque determinística não é uma cura para tudo; se esse for o único modelo do qual você depende para tomar decisões, ele não poderá fornecer essas respostas.
A descontinuação de dados está dificultando a atribuição multitoque determinística
Quer você concorde ou não que a própria ideia de atribuição nos leva apenas a meio caminho de nosso destino final de medição, todos podemos concordar que muitos profissionais de marketing ainda estão em dívida com os modelos de atribuição. Como em todos os modelos, não existe algo perfeito. Embora tenha havido avanços ao longo dos anos, com destaque para a atribuição baseada em dados derivados de valor do Google, ainda há muitas incógnitas em jogo quando se trata do futuro da atribuição.
Isso porque o estado atual dos dados de marketing está apenas tornando as coisas mais difíceis. Enquanto plataformas como Meta, Google e Snap lutam para lidar com o App Tracking Transparency (ATT) da Apple, os CFOs dessas empresas seriam os primeiros a admitir que a depreciação de dados é seu maior desafio.
Pelo menos alguns dos problemas práticos com a atribuição são humanos: as pessoas são obcecadas em ligar os pontos e encontrar padrões, quer eles realmente existam ou não. Frequentemente, recebemos perguntas de profissionais de marketing sobre como a atribuição funciona no Google Analytics devido a inconsistências com outros conjuntos de dados.
Você provavelmente está familiarizado com este desafio: a interface do usuário do Facebook Business Manager afirma que a plataforma gerou 10 vezes mais conversões do que o que você vê relatado no Google Analytics. Então qual é o certo?
A resposta é que ambos estão errados, apenas de maneiras diferentes. Nenhuma quantidade de matemática divertida (ou seja, cálculos de proxy que analisam o delta entre os dois pontos de dados ao longo do tempo) ajudará você a resolver a equação e calcular perfeitamente quanto crédito os anúncios do Facebook devem receber.
No final das contas, esse é um problema de observabilidade de dados; os dados estão incompletos, mas mesmo assim procuramos uma resposta.
Fonte: eMarketer
Se isso for confuso, pense da seguinte maneira: digamos que você esteja em uma ligação telefônica com recepção irregular. Para cada 10 palavras, você perde uma palavra. É provável que você ainda consiga entender a essência da conversa porque tem muitos outros contextos.
Mas quando você começa a perder frases inteiras ou todas as outras palavras, você se encontra em apuros. Isso ocorre porque as entradas são muito limitadas e fragmentadas para tirar conclusões precisas. Isso é exatamente o que está acontecendo atualmente com a atribuição determinística em todas as plataformas de publicidade, e é algo que nenhuma modelagem pode resolver totalmente.
Lembre-se daquele anúncio do Super Bowl T-Mobile em que Rob Gronkowski convida Tom Brady para se aposentar na Flórida, mas Brady só consegue ouvir todas as palavras e pensa que Gronk está dizendo a ele para ir jogar em Tampa Bay? Isso é atribuição hoje. Essa é a realidade que as marcas enfrentam com a perda de dados.
Isso é comparável a como o ChatGPT prevê a próxima palavra mais provável ao compilar as respostas. Muitas vezes faz sentido, mas às vezes alucina e diz que Elon Musk vai ser o próximo presidente dos Estados Unidos.
Claro, sempre há uma série de erros na modelagem, mas se a perda de dados for ruim o suficiente, você não poderá construir um modelo preciso. Então a verdadeira questão começa a tomar forma: o quanto você pode confiar nas plataformas de publicidade para acertar?
É por isso que você precisa expandir seu kit de ferramentas de medição.
A modelagem de mix de mídia e o teste de incrementalidade podem aproximá-lo da compreensão do impacto
A atribuição ainda é uma construção poderosa, mas a metodologia subjacente precisa mudar para que possa evoluir para a era moderna. Você precisa fazer algumas perguntas difíceis para descobrir que tipo de kit de ferramentas e estrutura de medição funcionará para sua organização, como:
- Qual medição você precisa para tomar decisões inteligentes sobre o planejamento de investimentos em canais e plataformas?
- Onde estão as melhores oportunidades para dimensionar seu mix de mídia existente da maneira mais eficiente possível?
Como uma indústria, nos acostumamos a pensar em uma versão imaginária de atribuição perfeita como o fim de tudo, mas sempre foi feito para ser usado como um guia.
Isso não significa que não seja útil. Mas você precisa mudar seu foco para o futuro e deixar que a atribuição seja um componente de sua tomada de decisão, não o único árbitro.
E embora não haja uma solução perfeita, há uma imperfeita que nos aproxima muito mais do objetivo: atribuição unificada combinada com modelagem de mix de mídia (MMM), onde você usa alguns dados determinísticos e modela para o resto. O objetivo é aproveitar dados passados para prever investimentos futuros. Está enraizado no crescimento, não refém do desempenho passado.
Para acertar, você precisa investir em testes robustos de incrementalidade, que o ajudarão a validar os dados de desempenho modelados e obter uma imagem mais clara de como suas campanhas estão afetando toda a jornada do cliente.
O teste de incrementalidade com base geográfica é vital para a calibração de modelagem de mix de mídia. É também a solução de medição mais poderosa para determinar onde você está investindo demais ou de menos em um determinado momento.
A maioria das marcas não se sente muito confortável com testes de incrementalidade. Alguns já fizeram isso antes, mas historicamente a maioria não é boa nisso. Se é aí que sua marca está, você precisa de parceiros confiáveis com uma metodologia previsível que seja personalizada para as necessidades e peculiaridades de seus desafios de negócios exclusivos.
Chegou a hora de uma solução voltada para o futuro que integra várias ferramentas: a estrutura de medição de desempenho
Um dos grandes desafios dos modelos tradicionais de mix de mídia é a velocidade de ação. Na Wpromote, construímos um modelo de mix de mídia de alta velocidade e uma ferramenta de planejamento de cenário de investimento chamada Growth Planner como parte de nossa plataforma de marketing Polaris para abordar os desafios de depreciação de dados e acionabilidade.
O Growth Planner forma o núcleo de nossa estrutura de medição de desempenho. Essencialmente, ele prevê o ano inteiro de um cliente para encontrar o investimento ideal de dólares disponíveis para atingir as metas de receita. Também pode ser usado para otimizações semanais, para que sua marca permaneça ágil e se adapte a novos desenvolvimentos.
O Growth Planner analisa todos os seus canais de marketing e todo o funil para maximizar as margens, porque a lucratividade é o objetivo final. Ele diz a você como investir na tática específica, no canal, no mês, na semana, no dia.
Garantimos que o modelo permaneça honesto e continue melhorando por meio de testes de incrementalidade contínuos, e podemos fornecer entradas de dados avançadas adicionais, como valor de vida útil preditivo, no modelo para informar ainda mais as decisões de investimento. Em seguida, alimentamos os dados do Growth Planner na análise de sala limpa de dados nas principais áreas de investimento.
A medição continuará a ser um desafio em plataformas como Google e Facebook e canais de mídia como CTV. Se você realmente deseja saber o desempenho real do seu marketing, precisa começar a explorar a medição de soluções de medição compatíveis com a privacidade.