Como você sabe se a publicidade funciona? Existe uma maneira de medir diretamente os resultados de vendas dos consumidores expostos a uma campanha publicitária?
Há décadas, acadêmicos e profissionais de marketing têm se esforçado para medir a eficácia da publicidade. Na década de 1970 e no início da década de 1980, eles se concentraram em efeitos de defasagem, taxas de decaimento, adstock, coeficientes de defasagem e meias-vidas. Na década de 1990, um trabalho revolucionário demonstrou que o efeito de longo prazo da publicidade é aproximadamente igual a duas vezes o valor de seu efeito de curto prazo. O setor estava progredindo em sua compreensão da eficácia da publicidade de muitas maneiras diferentes, mas quando se tratava de realmente comparar os anúncios aos quais as pessoas eram expostas com o que compravam, as fontes de dados em que se baseava tinham tão pouco em comum que era impossível estabelecer conexões definitivas entre a publicidade e o comportamento que ela buscava influenciar.
A resposta mais poderosa a essa dificuldade veio na forma de dados de "fonte única". Os dados de fonte única permitem que você rastreie o que um grupo de pessoas assiste e o que elas compram. Como você sabe que algumas foram e outras não foram expostas a determinada publicidade, é possível isolar as vendas geradas por essa publicidade, controlando variáveis suficientes para que a única diferença real entre os dois grupos seja que um viu e outro não viu a publicidade.
O conceito existe desde meados da década de 1960, mas o Projeto Apollo, em 2006, foi o primeiro piloto comercial em grande escala que utilizou metodologias de fonte única. A tecnologia Nielsen Homescan® foi usada para capturar o comportamento de compra do consumidor e combinada com dados de exposição à televisão da Arbitron para várias empresas importantes de bens de consumo embalados (CPG).
Bingo - mais ou menos. Muito foi aprendido. Mas coletar tudo de uma família ou pessoa - tanto o que assistiam quanto o que compravam - era caro, então o preço da precisão era que os dados eram pequenos. O painel da Apollo incluía cerca de 11.000 pessoas em 5.000 residências, o que não era grande o suficiente para relatar as descobertas no nível de granularidade necessário para pequenas marcas.
Hoje, no entanto, podemos criar conjuntos de dados de fonte única mesclando conjuntos de dados de transações na escala necessária. Os conjuntos de dados são vinculados e anonimizados por um terceiro por meio de um identificador compartilhado em cada conjunto de dados para criar um único conjunto de dados que mostre como as compras domésticas das pessoas expostas a uma determinada publicidade diferem daquelas que não foram expostas, isolando o efeito de vendas da campanha publicitária.
Esses conjuntos de dados são difíceis de criar. Como replicar a precisão de dados pequenos na escala de big data? Utilizamos dados de compradores frequentes, dados de decodificadores, dados de cookies - em resumo, todos os big data que podemos reunir. Mas nenhum big data é completo. Por exemplo, com dados de decodificadores, nem sempre é possível saber se o aparelho de TV está ligado ou quem está assistindo (para saber mais sobre isso, consulte "O valor dos painéis na modelagem de Big Data" nesta edição). E mesmo com 90 milhões de pessoas em nosso banco de dados de compradores frequentes, não podemos saber que outras compras elas estão fazendo sem seus cartões de fidelidade.
Uma solução é pegar um conjunto de dados genuinamente completo e usá-lo para "calibrar" o conjunto de dados de Big Data. Em nosso caso, usamos os dados do Homescan, que rastreia todas as compras feitas por 100.000 famílias. Se você "comparar" o Homescan com nosso banco de dados de compradores frequentes, encontrará sobreposições entre os conjuntos de dados. Agora você pode ver, para as pessoas em ambos os bancos de dados, quais compras estão faltando no banco de dados de compradores frequentes. Em seguida, você pode modelar essa lacuna para refletir os padrões de compra completos do grande banco de dados e projetar os resultados para a população total.
Essa progressão de dados "pequenos e inteligentes" para "big data" e para dados "grandes e inteligentes" é o que possibilita que os dados de fonte única sejam aproveitados em escala atualmente e com precisão suficiente para apoiar as decisões diárias de marketing.
É claro que ainda há uma próxima fronteira em termos de precisão. Por exemplo, surgem muitas dúvidas quando você combina conjuntos de dados de compra e de observação. Alguns dos dados estão no nível da pessoa, outros no nível da família. A pessoa que assiste ao comercial do Fruit Loops não é necessariamente a pessoa que compra o Fruit Loops. Ainda hoje é muito difícil desvendar a importante questão da influência de compra, ou seja, quando alguém assiste a algo e leva outra pessoa a comprar algo. A visibilidade dos anúncios digitais é outro desafio importante, assim como a fraude - tráfego de bots e as muitas outras maneiras pelas quais a exposição digital é aumentada de forma fraudulenta. A solução desses desafios tornará nossa resposta à pergunta central - que efeito a visualização tem sobre a compra - muito mais precisa.
Por fim, é importante reconhecer que as fontes de dados que contribuem para os conjuntos de dados de fonte única precisam ser quase em tempo real, precisas, completas e abrangentes, e as metodologias usadas para calibrá-las devem ser capazes de projetar os resultados para a população total.
