Novas soluções Media Mix Modelling no Cenário do Cross-Channel Measurement
A mensuração cross-channel está prestes a passar por mudanças significativas, impulsionadas pela convergência de duas grandes forças. A primeira delas é o aumento das restrições à recolha de dados pessoais, decorrentes do aumento na conscientização da comunidade digital relativamente à privacidade online e também das regulações governamentais mundo afora, a restringir cada vez mais o escopo da recolha. Além disso, nos últimos anos, o ecossistema digital investiu pesado para se preparar para o fim dos Third Party Cookies, com as soluções disponíveis para medição, em geral, limitando as capacidades de tracking da jornada de decisão de compra.
Paralelamente, vemos a popularização dos modelos de atribuição probabilística, ou Media Mix Modelling (MMM), com o surgimento de frameworks como o Google Meridian e o Facebook Robyn. As duas Big Techs estão focadas na ampliação do serviço para seus clientes de publicidade, fornecendo novas ferramentas que permitem uma análise profunda do desempenho cross-channel. Esse movimento visa não apenas adaptar as plataformas às novas exigências de privacidade, mas também oferecer opções robustas de medição que substituam, de maneira eficiente, o tracking determinístico individualizado.
Uma das principais vantagens dos frameworks Google Meridian e Facebook Robyn é a simplicidade de implementação aliada a uma grande capacidade analítica. Com esses frameworks, as marcas conseguem entender de forma agregada o impacto de suas campanhas publicitárias em diversos canais, facilitando a tomada de decisões e permitindo que as estratégias digitais e offline sejam ajustadas com a mesma precisão dos MMMs tradicionais. Esse avanço coloca a análise preditiva de campanhas mais acessível para diferentes perfis de anunciantes, democratizando o uso do Media Mix Modelling.
No entanto, ainda que a implementação desses modelos seja prática, interpretar seus resultados pode ser um desafio. Como em qualquer modelo de machine learning, os MMMs possuem limitações, especialmente na capacidade de generalização dos aprendizados - embora sejam precisos para inferir o cenário presente, existe uma margem para a capacidade de prever o futuro. Por isso a leitura dos mesmos deve ser feita de maneira crítica e cuidadosa.
Por fim, a experimentação é um componente essencial para que os anunciantes construam uma agenda de aprendizado consistente e valioso com esses novos frameworks. Nesse sentido, o papel dos especialistas - como as agências de compra de media - é imprescindível. Com o conhecimento técnico e o olhar estratégico, eles são os melhores guias para apoiar marcas a extrair o máximo dos frameworks de Media Mix Modelling e, assim, transformar os desafios das novas regulações em oportunidades de otimização de resultados.
Não importa o tamanho da sua estrutura, ou qual seu desafio de negócio, os MMMs voltaram em uma versão muito mais acessível e representam mais uma oportunidade para subir a fasquia da sua estratégia data-criven. Vai ser difícil justificar porque não testar já em 2025.
Artigo escrito por Laércio Pires, Data Science Lead Publicis Groupe