Mise en Place: Preparando os ingredientes do seu Marketing Mix Modeling

Se você pretende implementar um Marketing Mix Modeling na sua empresa, saiba que uma boa organização do projeto já é meio caminho andado. Dados desorganizados, isolados em silos e sem parametrização, somados à falta de clareza em relação ao que se espera do modelo, são vilões que podem fazer seu projeto ir por água abaixo antes mesmo de começar.

Neste artigo, vamos te ensinar o "Mise en Place” do MMM. Você vai aprender a organizar e preparar todos os ingredientes necessários para garantir o sucesso do seu projeto, tal qual um chef que organiza sua cozinha antes de começar a trabalhar. Vamos lá.

Escolhendo o recheio: a pergunta-chave

O MMM é capaz de responder diversas questões, por exemplo: O que impulsionou minhas vendas? Qual foi meu ROI? Como otimizar meu investimento em marketing? Todas elas com uma clareza impressionante. Para isso, é necessário um trabalho científico profundo, e o primeiro passo é estratégico. Reúna os stakeholders do projeto e defina conjuntamente qual é a pergunta que vocês estão tentando responder. Aqui vão alguns exemplos específicos para te ajudar:

Que porcentagem das vendas totais é impulsionada por cada canal de marketing?

Como fatores não-midiáticos contribuem para as vendas?

Qual é a alocação de orçamento recomendada para cada canal?

Qual é o ROI histórico para cada canal de mídia?

Qual é o ROI marginal para cada canal de mídia?

Temperando com os KPIs Certos

Em última instância, o que queremos descobrir é o ROI (retorno sobre investimento) das nossas ações de marketing para, a partir daí, melhorar este número. Contudo, para chegar lá, você talvez precise entender etapas anteriores à conversão, como construção de marca e os detalhes do meio do seu funil. Por isso, o tempero do seu projeto serão os seus KPIs (Key Performance Indicators), que são os dados-chave para atender ao objetivo que você definiu. Aqui vão alguns exemplos:

Visitas ao site

Share of Search

Volume de consultas no Google

Intenção de compra

Consideração da marca

Adicionando Variáveis Macroeconômicas

Um dos maiores diferenciais do Marketing Mix Modeling é a sua capacidade de retirar o marketing do vácuo e colocá-lo em contexto. Isso significa incluir variáveis no modelo que estão em um nível muito mais macro do que apenas os KPIs de mídia. Afinal, como você vai saber, por exemplo, se vendeu mais sorvete porque anunciou ou porque fez sol? Por isso, incluir variáveis como clima, inflação, preço e concorrência são ajustes que ajudam a entender como o ambiente externo influencia o seu mercado.

Acertando na medida: Granularidade

Não é incomum que os melhores insights surjam de dados granulares, aqueles mais específicos como segmentação de público, informações geográficas e tipos de criativos. Contudo, também não é incomum que o excesso de detalhes acabe causando ruídos no modelo, um fenômeno conhecido como "overfitting", que impossibilita uma análise de qualidade. Por isso, o nível de granularidade é um dos ingredientes mais sensíveis do MMM. Penere seus dados de forma a revelar as nuances sem superlotar sua panela de análises com uma complexidade excessiva.

Evitando Armadilhas Comuns

Quando todos os seus ingredientes estiverem juntos, é possível passá-los para a fase da modelagem estatística. Uma vez terminada a modelagem, pode parecer que sua análise já está pronta, mas não tire conclusões precipitadas, pois você pode se enganar com alguns dos efeitos de mídia mais conhecidos. Entre eles:

Saturação de canais: Um canal de mídia com uma curva de retorno crescente não necessariamente continuará crescente; existe a chance de ele estar em vias de saturar. Para saber se é o caso, é preciso calcular o seu ROAS marginal.

Persistência de campanhas: Uma campanha que já terminou pode não ter extinguido sua influência no consumidor. Este é um fenômeno conhecido como AdStock, em que a lembrança de marca persiste mesmo sem nenhuma compra de mídia.

Canais correlacionados: Não é indicado tomar decisões baseadas no que está sendo observado em apenas uma mídia, porque o seu comportamento está sendo influenciado pelas outras, complicando a atribuição de impacto. Por exemplo, uma campanha de conversão baseada em Google Search Ads performa de certa maneira apenas porque uma campanha de awareness em televisão está alimentando o funil de uma determinada forma. Mudar um parâmetro da campanha de TV provavelmente mudará o comportamento da campanha de Google.

Overfitting: Como mencionado antes, modelos que usam variáveis excessivas podem ser inconclusivos. Na estatística, overfitting acontece quando um modelo matemático "aprende" demais sobre os dados com que foi treinado — tão detalhadamente que acaba não funcionando bem quando tentamos usar novos dados ou em situações diferentes.

Provando e Ajustando: O modelo refinado

Como qualquer pessoa fazendo uma receita pela primeira vez, seu modelo inicial será o mais básico, o arroz com feijão. Ele será simples, feito a partir de um conjunto inicial de dados que tentam explicar ou prever algo. Por exemplo, como um modelo de meteorologia que tenta prever o tempo com base na temperatura e na umidade.

Conforme você repete o prato mais e mais, você começa a aprender novas técnicas e estratégias. Você atualiza suas habilidades com novas informações que adquire enquanto faz pratos bons ou ruins. Da mesma forma, um modelo matemático é alimentado com novos dados. Esses dados podem vir de experiências adicionais, novas observações ou diferentes condições. Cada nova informação ajuda o modelo a entender melhor o padrão ou a prever com mais precisão.

Por isso, o primeiro modelo é apenas o início de uma jornada que precisa de manutenção constante para atingir o poder impressionante de previsão de um MMM moderno. Ainda assim, é importante manter os pés no chão e entender que a previsão feita por modelos de inteligência artificial também tem os seus limites e nem tudo pode ser explicado por meio dela.

Servindo os acompanhamentos

Para atingir o ROI verdadeiro, alguns acompanhamentos ao MMM são fundamentais. Ele harmoniza muito bem com a atribuição por last-click, que fornece feedback em tempo real para ajustar as recomendações do MMM, permitindo uma resposta mais ágil às dinâmicas do mercado. Além disso, os testes de incrementalidade, orientados pelo MMM, são fundamentais para calibrar e validar os parâmetros do modelo, removendo o viés de atribuição por last-click. Assim, a combinação dessas metodologias oferece uma análise mais completa e precisa para uma alocação eficiente dos recursos de marketing.

Conclusão

Agora você já sabe como organizar o seu projeto e colocar todos os ingredientes necessários na mesa. Se precisar de ajuda para implementar o Marketing Mix Modeling na sua empresa, não deixe de falar conosco. A Uncover é pioneira no Brasil em implementação de MMM de alta frequência.