É assim que a Hearst Magazines lidera a mudança de um modelo determinista para um probabilístico.

Depois de a Google ter anunciado que os cookies de terceiros no Chrome não ficariam obsoletos, afinal de contas, a Hearst Magazines, que tinha feito um grande investimento em dados próprios (first-party data), “parou durante cerca de cinco segundos”, segundo conta Jen Dorre, vice-presidente sénior de produtos e dados publicitários da empresa.

De facto, a Hearst Magazines tinha lançado a sua ferramenta de targeting de first-party data, Aura, um mês antes. “Fizemos uma pausa de cinco minutos após o anúncio da Google e dissemos: 'Oh'. Mas os planos já estavam em andamento, e já estávamos no caminho de construir uma ferramenta de targeting de first-party data. Ou seja, todos acreditamos que isto é o certo para nós”, disse Dorre no palco do Digiday Publishing Summit, na Florida, no passado dia 24 de setembro.

A Hearst não demorou muito a seguir em frente. O futuro não está totalmente livre de cookies, nem haverá o mesmo acesso ampliado e persistente aos dados de cookies no futuro. Os publishers terão de combinar dados próprios (first-party data) com dados de terceiros e esperar que os anunciantes comecem a confiar em modelos probabilísticos, e não apenas em resultados determinísticos ao nível do utilizador, como destacou.

Os publishers encontram-se numa situação difícil. Sabem que estão a veicular anúncios e a atingir mais pessoas, mas os dados mostram que o seu modelo está a esgotar-se. Assim, em vez de voltar atrás, como fez a Google, a Hearst Magazines continuou com os seus planos pós-cookies, e agora tem a vantagem de que esses planos não precisam de ser totalmente pós-cookies. “O facto de a Google não eliminar definitivamente os cookies de terceiros no Chrome significa para nós que há mais dados determinísticos”, comentou Dorre, afirmando que a Hearst Magazines pode usar esses dados para construir os seus modelos probabilísticos de segmentação e medição com menos cookies.

Dados determinísticos e probabilísticos

Segundo a especialista, não se trata tanto de passar de um modelo de segmentação e medição baseado em cookies para outro sem cookies, mas de passar de um modelo determinístico para um probabilístico. O truque, no entanto, é ter os dados determinísticos como base para os modelos probabilísticos e ter limites estabelecidos para preservar a integridade dos sinais de dados subjacentes à medida que são projetados através de um público mais amplo.

Por exemplo, o Aura baseia-se em dados determinísticos (o seu público direto) e combina-os com dados contextuais sobre os tipos de conteúdos que as pessoas consomem nas suas propriedades. O Aura usa essa combinação de dados determinísticos e contextuais para projetar perfis de público no restante da sua base de audiência, da qual pode não ter dados.

Este tipo de projeção, como explica um artigo do Digiday, pode significar que os anunciantes tenham de fazer uma espécie de “acto de fé” ao segmentar os anúncios com base no modelo probabilístico, mas a segmentação não é o único aspeto que se torna probabilístico.

“Todos estamos a tentar compreender a medição”, diz Dorre. “Penso na medição em duas partes: nós, como publishers, sabemos que estamos a oferecer o que dizemos que vamos oferecer, e depois há o que os anunciantes estão dispostos a aceitar como medição”.

Medição da atenção

Uma forma de medição que a Hearst Magazines está a explorar é a medição da atenção. Empresas como a Adelaide oferecem métricas próprias para medir a atenção de uma amostra de pessoas e projetar essas medições no público de um publisher. Este tipo de medição, baseada em painéis, é largamente probabilística e ainda não está pronta para ser utilizada, mas faz parte do processo para levar os anunciantes a adaptarem-se aos modelos de medição sem cookies.

O mesmo acontece com as Data Clean Rooms. A Hearst Magazines está a explorar as Data Clean Rooms como forma de atribuir o desempenho das campanhas dos anunciantes ao publisher. Estas Data Clean Rooms permitem que um publisher e um anunciante comparem dados para descobrir se um visitante do site do publisher acabou por comprar um produto do anunciante. Mas isto só funciona se ambas as partes tiverem dados determinísticos que permitam associar a exposição do anúncio à transação de venda. Mais uma vez, é necessário adotar uma abordagem probabilística.

“Se tens uma pequena semente, começas por aí, e se consegues uni-la, então podes construir modelos a partir dela. Por isso, continuo a acreditar que é preciso ter uma pequena semente de dados determinísticos”, afirma Dorre.

De um modo geral, Dorre explica que a empresa tem tido sucesso quando modela com pelo menos 10% dos utilizadores e pelo menos 100.000 impressões de anúncios. Mas esses não são os únicos limites que a Hearst Magazines estabeleceu em relação à sua modelação sem cookies. Com o Aura, o publisher pretende manter o número de segmentos de audiência num intervalo de 30 a 50. E no que diz respeito aos dados contextuais, tenta limitar-se a três ou cinco categorias de nível superior com não mais do que cinco subcategorias cada uma. “Mais de cinco não faz sentido, porque encontramos demasiadas sobreposições”, conclui.