A eficiência dos anúncios no iOS caiu até 75% após o caso da AT&T: Como as DSPs usam IA para segmentar e otimizar anúncios na era da privacidade

Assuma que a eficiência de anúncios iOS pré-ATT com acesso quase irrestrito IDFA acesso era 1. Qual é agora, após a Transparência de Rastreamento de Aplicativos, e na era de SKAdNetwork? Isso foi apenas uma das coisas que conversei recentemente com Persona.ly’s Joseph Iris. Personal.ly é uma plataforma do lado da demanda que foca intensamente em aprendizado de máquina e IA para encontrar oportunidades publicitárias lucrativas, principalmente para aquisição de usuários e reengajamento. E eles fazem isso em escala: 3 milhões de consultas por segundo.

Nosso tema principal: como os DSPs funcionam na era dos sinais com privacidade reduzida. 

Mas a mudança relativa na eficiência dos anúncios no iOS desde a época da AT&T tem sido um enigma difícil de decifrar, e consultei vários especialistas mobile sem obter uma resposta direta. O que quero dizer, claro, é: quão eficientemente o ecossistema de tecnologia publicitária consegue direcionar um anúncio para a pessoa certa, no momento certo, no contexto certo e estimular uma ação?

Iris aceitou o desafio.

A eficiência dos anúncios no iOS cai sob a gestão da AT&T

Houve uma queda significativa na eficiência, disse Iris.

Mas há uma ressalva importante.

“Então, se você analisar os números absolutos, isso representa um aumento de 25% na eficiência em comparação com o que tínhamos antes. Mas os preços caíram ainda mais do que isso. Portanto, esse equilíbrio... demonstra que há uma oportunidade para compradores mais inteligentes.”

Isso é superinteressante porque um ambiente de anúncios muito mais barato, mas com apenas 25% da eficiência em conectar as pessoas certas, no momento certo, com a oferta certa, será significativamente pior em todos os aspectos, exceto na privacidade. Você verá mais anúncios porque eles são mais baratos e os profissionais de marketing precisam exibir mais para obter os mesmos resultados, e os anúncios que você vê serão menos relevantes porque os profissionais de marketing sabem menos sobre você e não conseguem segmentar tão bem.

Iris estava se referindo especificamente a jogos casuais, e há outros fatores em jogo, então não considere essa porcentagem como uma diretriz geral. Aplicativos muito populares, publicados por marcas conhecidas e que atraem um público amplo, provavelmente serão muito menos afetados. Aplicativos de nicho, que monetizam uma pequena parcela de seus usuários ativos e não possuem uma grande marca, podem ser mais impactados.

A boa notícia: SKAN 4 fornecerá mais sinais de marketing. A má notícia: SKAdNetwork e App Tracking Transparency ainda não oferecem nada como Privacy Sandbox do Google, onde há um mecanismo seguro de privacidade no dispositivo para segmentação. Não é perfeito — embora esteja melhorando — mas ao menos oferece algo aos profissionais de marketing além do contexto, e os primeiros palpites de queda de eficiência dos anúncios estão na faixa de 10-20%.

Sinais que as DSPs usam para segmentar anúncios

Então, como os DSPs (processadores digitais de sinais) se saem em um ambiente tão desafiador? Utilizando todos os sinais disponíveis e memorizando o passado com extrema precisão, aplicando esse conhecimento ao presente, afirma Iris.

Os sinais incluem:

• Tempo
• Data
• Grandes eventos locais/globais (ex: Super Bowl)
• Sinais da sessão, incluindo a duração da sessão
• IP
• ISP (provavelmente derivado do IP)
• Tipo de dispositivo (particularmente importante no Android, onde há maior diversidade)
  • Densidade de pixels
  • núcleos de CPU
  • BATER
• Descrições de aplicativos (acredite ou não: continue lendo!)
• Identificadores de dispositivos, quando disponíveis
• E praticamente qualquer outra coisa possível (há mais opções disponíveis no Android do que no iOS, por exemplo)

O princípio básico do aprendizado de máquina aplicado pelas empresas de tecnologia publicitária não é tão complexo e não deve ser superestimado. Essencialmente, trata-se de aplicar a memória do passado à probabilidade de eventos futuros.

“O que estamos tentando fazer, na prática, é lembrar do dia de ontem com muita precisão e em uma escala extremamente alta”, diz Iris. “A premissa de qualquer previsão baseada em aprendizado de máquina é que a realidade não mudou drasticamente em relação ao dia anterior.”

As descrições na loja de aplicativos fornecem contexto (muito mais confiáveis ​​do que as categorias de aplicativos)

Um dos fatores principais, acredite ou não, são as descrições nas lojas de aplicativos. Essa é uma fonte essencial de contexto para o Personal.ly, principalmente porque o contexto dentro do aplicativo é muito diferente do conteúdo na web, onde as páginas podem ser rastreadas, consumidas e categorizadas.

Os especialistas em ASO aperfeiçoaram a arte de migrar para uma categoria na qual você pode ser o líder absoluto, e é por isso que as categorias são quase inúteis para fins de segmentação contextual.

“Uma das nossas vantagens é que, ao criar a página do aplicativo na App Store, a descrição precisa refletir o conteúdo do app, caso contrário, os usuários ficarão muito insatisfeitos rapidamente”, diz Iris. “Então, para evitar a contaminação por ASO, usamos as próprias descrições da loja.”

As descrições na App Store e no Google Play precisam descrever com precisão os recursos e funcionalidades dos aplicativos. Por isso, a DSP (Plataforma de Oferta de Dados) ingere todas essas descrições e as analisa em busca de relevância contextual. O resultado final é um mapeamento de quais aplicativos são contextualmente relevantes entre si e, portanto, quais aplicativos (que estão anunciando) podem ser atraentes para usuários em um aplicativo similar ou relacionado. Isso parece simplista, mas certamente existem todos os tipos de conexões não lineares que permitem à DSP saber que os anúncios em um aplicativo de trilhas para caminhadas não devem ser necessariamente apenas de outros aplicativos relacionados a caminhadas, mas também de acomodações, alimentação, mapas, pontos turísticos, calçados, equipamentos de camping e assim por diante, todos com diferentes graus de proximidade contextual calculada.

Criativos unicórnio e a taxa de testes: 10%

Uma dúvida frequente entre profissionais de marketing sobre a otimização de criativos e ofertas é: quanto devo investir em estratégias comprovadamente eficazes e quanto devo investir em testes para descobrir novos produtos de sucesso?

Para o Personal.ly, isso representa cerca de 10% do seu orçamento.

“Com o tempo, à medida que o(s) campeão(ões) se tornam estatisticamente mais relevantes, eles ganham mais peso”, diz Iris. “Eles chegam a receber, digamos, até 85% ou 90% do tráfego. E os outros 10% restantes ficam disponíveis para exploração, dando a possibilidade de novos campeões emergirem.”

Já conversei várias vezes com profissionais de marketing sobre anúncios "unicórnio": aqueles anúncios que, por algum motivo, continuam a ter um bom desempenho mês após mês, até mesmo trimestre após trimestre. É uma situação ótima: você tem um anúncio excelente que continua a ter um bom desempenho e, essencialmente, a gerar receita, mas é uma situação extremamente frustrante porque você simplesmente não consegue superar esse anúncio com um melhor.

Iris viu a mesma coisa:

“Em alguns casos, podemos ter aplicativos de cassino social com o mesmo campeão durante um ano inteiro. Isso simplesmente acontece às vezes. Os astros se alinham, algo como o dinheiro caindo do céu, o simples fato de as pessoas instalarem o aplicativo, e você verá situações em que a tabela de campeões praticamente não muda.”

Duelo de métricas: CTR versus CVR 

Iris afirma que existe uma curiosa correlação inversa entre a taxa de cliques (CTR) e a taxa de conversão (CVR), algo que provavelmente a maioria dos profissionais de marketing mobile já notou em alguma ocasião: altas taxas de cliques equivalem a baixas taxas de conversão (CVR).

Nem sempre, mas frequentemente.

“As previsões são sempre diametralmente opostas, certo?”, diz Iris. “Então, se um usuário tem uma alta probabilidade de clicar ou instalar, ele terá uma baixa probabilidade de se tornar um usuário de alto valor na maioria dos casos. É muito raro que os astros se alinhem e todas as probabilidades sejam altas.”

Claro que ter os astros alinhados é ótimo. Mas é raro, mesmo quando você compra tráfego de alta qualidade de redes de anúncios e plataformas de oferta respeitadas. 

Principalmente quando se está tentando otimizar para um CPI baixo.

É por isso que os profissionais de marketing inteligentes prestam atenção à CTR, mas não lhe dão muita importância. A métrica principal é a CTI, a taxa de cliques para instalações. Isso é mais desafiador no iOS na era da atribuição do SKAdNetwork, porque o sinal é atrasado, mas ainda é possível utilizá-la, diz Iris.

Muito mais: assista, inscreva-se, ouça

Há muito mais profundidade na nossa conversa. Assista ao vídeo acima e inscreva‑se no nosso canal do YouTube. 

Além disso, inscreva-se no nosso podcast Growth Masterminds na sua plataforma favorita para ouvir as entrevistas em áudio que fazemos com os principais especialistas em crescimento, marketing e tecnologia publicitária.

Além disso… a transcrição completa da nossa conversa

Se você lê mais rápido do que assiste ou ouve… aqui está a transcrição completa da minha conversa com Joseph Iris, que lidera a área de aprendizado de máquina na Persona.ly.

Note que é em grande parte gerado por máquina, portanto pode conter erros.

John Koetsier:

O que realmente acontece quando uma plataforma de demanda utiliza aprendizado de máquina para impulsionar seus lances? 

Olá e bem-vindo ao Growth Masterminds. Meu nome é John Koetsier. 

Usar aprendizado de máquina em publicidade mobile e para direcionar lances é extremamente interessante. Há menos dados disponíveis para embasar decisões do que nunca. Isso torna cada vez mais crucial aproveitar ao máximo cada dado possível. Mas como as DSPs fazem isso? 

Quem está aqui para conversar é Joseph Iris. Ele é o diretor de produtos de aprendizado de máquina da Persona.ly. Bem-vindo, Joseph.

José Iris:

Obrigado, John, foi um prazer conhecê-lo.

John Koetsier:

Prazer em conhecê-lo(a) também. 

Vamos começar pelos sinais. Que sinais alimentam o aprendizado de máquina para lances?

José Iris:

Então, tudo começa com o que recebemos nas solicitações das exchanges, certo? Obviamente, até recentemente, com tudo relacionado ao iOS e à privacidade, o ID do dispositivo era o fator mais importante. 

Mas, com o tempo, à medida que caminhamos para um ecossistema mais voltado para a privacidade, esse sinal se torna cada vez menos significativo e não se pode mais confiar nele. 

Além disso, você tem sinais referentes à conexão do usuário, como o provedor de internet (ISP) que está utilizando. Essas informações, embora pareçam não estar necessariamente relacionadas aos usuários, como o engajamento com anúncios, às vezes também são úteis. Você obtém sinais contextuais adicionais de cada troca de dados. 

Às vezes, antigamente, chegava a incluir o nível de bateria restante, mas essas informações praticamente não existem mais. Basicamente, eles tentam fornecer dados científicos adicionais sobre o estado de espírito do usuário. Um problema é que não há consenso entre as empresas, já que cada corretora tenta usar métodos diferentes. 

Então, você pode usar aprendizado de máquina para criar recursos personalizados de acordo com o que o editor representa. Isso conecta seu relacionamento com o aplicativo que você está promovendo. É um histórico de desempenho, e basicamente você pode aprender muito com isso. 

Há um enriquecimento de dispositivos, que é significativo. No iOS, isso não é realmente relevante porque você tem uma lista muito limitada de dispositivos, mas no Android é uma loucura, certo? Temos toneladas de fabricantes, toneladas de modelos. Com o passar do tempo, era possível, digamos, diferenciar facilmente um celular de alto valor de um celular básico, mas está se tornando mais difícil à medida que os custos de fabricação diminuem e você pode encontrar celulares de marcas desconhecidas muito bons. 

Assim, com o enriquecimento de dados por dispositivo, utilizamos o fluxo de UA (Usuário Automatizado) do dispositivo, que obviamente não está vinculado à identidade de ninguém, portanto, permanecerá inalterado. Podemos enriquecê-lo com a densidade de pixels do dispositivo, o número de núcleos, a RAM e tudo mais para criar um perfil do dispositivo. Dessa forma, podemos criar diferentes segmentações de dispositivos, novamente, para diferenciar usuários de alto valor e também conectá-los ao contexto. 

Além disso, existem sinais de sessão provenientes das corretoras, pois elas sabem em que ponto da sessão o usuário se encontra, o que fornece informações muito úteis sobre a probabilidade de cliques, instalações e outras ações semelhantes..

John Koetsier:

Então, quando você diz sessão, está se referindo a quanto tempo alguém passou em um aplicativo específico ou ao nível de atividade dessa pessoa?

José Iris:

Sim, eu sei que algumas exchanges tentam fazer isso em nível de múltiplos aplicativos, mas, novamente, no futuro não será assim, será apenas para o editor atual, é o que é.

John Koetsier:

Exatamente.

José Iris:

Quero definir o tom do uso de aprendizado de máquina para o nosso caso específico, certo? 

Porque... profissionais de marketing, e eu na minha vida passada, tendemos a glorificar demais qualquer ferramenta que você realmente usaria para fazer alguma coisa. E com aprendizado de máquina é fácil, porque parece algo do futuro e coisas do tipo. Principalmente com toda a repercussão em torno do ChatGPT e tudo mais. 

E uma pessoa leiga, ou melhor, até mesmo pessoas com conhecimento técnico que usam essa ferramenta ficariam impressionadas com suas capacidades. É assim que gosto de descrevê-la para clientes em potencial e pessoas que não entendem muito bem do setor, como minha esposa, sem ofensas, mas obviamente ela não está muito envolvida, ela é adestradora de cães, sabe?. 

Existe uma grande lacuna. O que estamos tentando fazer, na prática, é lembrar do dia de ontem com muita precisão e em uma escala extremamente alta. A premissa de qualquer previsão baseada em aprendizado de máquina é que a realidade não mudou drasticamente desde ontem. E, pelo menos no nosso caso de uso, não houve grandes avanços em termos da matemática subjacente. Por trás de toda essa computação e da capacidade de escalar o treinamento muito mais rapidamente, basta um clique para configurar um enorme cluster de dispositivos na nuvem ou em qualquer infraestrutura que você utilize. São os mesmos conceitos que a maioria das pessoas conhece em estatística. 

Isso realmente deve reduzir a barreira de entrada, pelo menos para a discussão, porque, quando você enquadra a questão dessa forma, ela deixa de ser uma caixa preta mágica e incompreensível. Torna-se basicamente uma ferramenta que tenta se lembrar do que aconteceu ontem. Isso é muito mais prático e representa a realidade.

John Koetsier:

Você utiliza outros dados que talvez sejam dados contextuais ou outros dados que não se limitem necessariamente ao que você obtém de uma corretora? Sabe, há a hora do dia, a sazonalidade, entre outras coisas. Além disso, e você mencionou isso, sua premissa é que hoje é praticamente igual a ontem. 

Bom, se hoje é o Super Bowl, hoje não é como ontem, certo? Então você está incluindo coisas desse tipo na sua dieta?

José Iris:

Sim, então você precisa levar em conta eventos realmente dramáticos que mudam as coisas. Existem recursos para isso. Você enriquece seus dados com informações como se hoje é feriado ou se ocorreu algum evento dramático em algum mercado, e dessa forma o sistema pode prever esses eventos. 

Mas a realidade de conseguir se adaptar rapidamente a essas mudanças é treinar incrementalmente, em vez de retreinar seus dados diariamente ou a cada hora. Basicamente, é preciso transmitir o aprendizado continuamente, e é assim que operamos. Então, se a realidade está começando a mudar, imagine o início da COVID, as coisas mudaram, certo?

Desde que seu fluxo de trabalho seja adaptável e entenda que as tendências mais recentes são mais importantes, e isso seja sempre feito com ponderações aplicadas às amostras mais recentes, então você estará praticamente bem. 

Mas sim, além disso, muito do que fazemos com o contexto vem da nossa preparação para o futuro dos chamados grupos de interesse, da mesma forma que o Google chama em seus planos para a nuvem de privacidade, que é criar grupos com base no engajamento deles com… com segmentos de categorias. Não posso exatamente chamar de categorias porque as categorias de lojas são cheias de mentiras, e você precisa criar as suas próprias se realmente quiser…

John Koetsier:

Eles estão realmente cheios de mentiras.

José Iris:

Sim, são os funcionários da ASO. Quer dizer, eu sou fã, não me entendam mal, mas isso dificulta nosso trabalho. Precisamos vencer.

John Koetsier:

Eu não sou fã. Definitivamente não sou fã. É quase como se eu pensasse: "Cadê a Apple ou o Google, como ditadores, dizendo: 'Esta é a sua categoria, fiquem na sua categoria'?" Parece que as pessoas ficam inventando novas categorias o tempo todo.

José Iris:

Uma das nossas vantagens é que, ao criar a página do seu aplicativo na App Store, a descrição precisa refletir o conteúdo do app, caso contrário os usuários ficarão muito insatisfeitos rapidamente. Você se lembra dos tempos dos anúncios enganosos?.

John Koetsier:

Sim.

José Iris:

Isso não acaba bem no final, né?

John Koetsier:

Será que esses dias acabaram? Não tenho tanta certeza.

José Iris:

Mais ou menos, mais ou menos, mais ou menos, mais ou menos. Não acabou completamente, mas não acabou, sabe, teve uns meses em que foi basicamente tudo. 

Então, para não sermos contaminados pela ASO, usamos as próprias descrições das lojas. E é aqui que podemos usar modelos robustos, mesmo sem entendermos completamente o que acontece nos bastidores, para compreender o contexto. Há alguns anos, quando tudo começou, não sabíamos disso e o tempo passou muito rápido – acho que foi há uns três anos, quando começou a discussão sobre escaneamento –, mas percebemos que era hora de nos adaptarmos a uma realidade onde o usuário não existia mais.

Criamos uma solução em torno do uso dos descritores da loja porque dissemos: "Ok, vocês não vão mudar isso para algo que não faça sentido. É preciso sempre levar em consideração os recursos que você oferece, o tema e o que te diferencia.". 

Uma das coisas mais importantes em aprendizado de máquina é esta frase, que é incrível se você parar para pensar: lixo entra, lixo sai. Se você inserir dados incorretos em seu modelo, obterá algo completamente inútil. As tecnologias já estão consolidadas, como eu disse antes. Não há nada realmente revolucionário acontecendo. Você está apenas computando mais rápido e obtendo maior precisão. Mas, novamente, os conceitos são os mesmos.

Você carrega seus dados de entrada, garante que sejam relevantes, ajuda o aprendizado de máquina a se manter relevante e, assim, obterá bons resultados. O que fizemos, e eu ficaria feliz em demonstrar, foi usar o contexto da melhor maneira possível. Primeiro, vou descrever e depois mostrarei com exemplos. Pegamos a descrição da loja do aplicativo promovido e também coletamos as descrições de todos os aplicativos disponíveis na internet, onde temos acesso ao inventário. Em seguida, criamos uma representação vetorial. Incorporamos essa representação em algo matemático que podemos usar. Isso representa o contexto. E quando você tem dois vetores, pode medir a distância entre eles. Isso nos permite dizer, por exemplo, que se você estiver promovendo um aplicativo de boxe, qualquer coisa que contenha as palavras "boxe" ou "luta" estará muito próxima e terá uma pontuação alta. 

É como uma pontuação entre um, zero e um. Então vai ficar bem próximo de um. 

Então você vai mais longe, vai para outros esportes, vai mais longe ainda, vai para notícias esportivas até chegar a coisas completamente aleatórias. Então, quando projetamos dessa forma, pensamos em A, não queríamos pegar o conteúdo nós mesmos porque isso parece um pesadelo para manter. Muitas empresas fazem isso, não apenas no nosso setor. 

A etiquetagem é algo enorme… está se tornando uma indústria. Etiquetagem e notação… acho que é assim que chamaríamos todo esse campo. 

Não queremos fazer essas coisas. Acho que somos preguiçosos demais. Queremos algo automático. Então, basicamente, criamos um processo que vasculha constantemente as lojas em busca de alterações ou novos aplicativos. Alimentamos esse conjunto de dados já existente com essas informações. E para cada novo aplicativo, podemos dizer: "Ok, sim, este é o contexto dele". Depois, fizemos um estudo de caso…

John Koetsier:

Provavelmente já existe um produto aí, que é uma nova forma de categorizar aplicativos, que consiste simplesmente em: não os categorizar como eles dizem que são categorizados, mas sim como eles são realmente categorizados.

José Iris:

Sim. Sim. Definitivamente há espaço para adicionar informações sobre o setor. Não fomos tão longe. É basicamente informação proprietária... então, sim, posso te mostrar. Deixe-me encontrar o botão para fazer isso. 

Isso é acessível em um site; basta pesquisar no Google por "calculadora de distância contextual" com a pontuação máxima, porque aparentemente as pessoas não usam isso. Então, sim, dentro da descrição do aplicativo você tem palavras-chave, e nós as detectamos pela frequência com que ocorrem. Existe um termo em aprendizado de máquina e gerenciamento de texto no processamento de linguagem natural.

Isso se chama TF-IDF. De novo, parece loucura, mas é muito simples. É a frequência do termo inversa à frequência do documento. Basicamente, é a realidade do mundo em relação a todo o corpus. Então, se uma palavra é mais rara, ela recebe um peso maior porque expressa o contexto de forma mais intensa. Usamos o modelo chamado Elmo. Muitos dos modelos nessa área, em tecnologia de publicidade, vêm do MuppetNet. Começou com o Elmo, depois veio o Burt e depois o Elmo. É engraçado, não sei por que eles usam esse modelo, já que ensinam palavras, eu acho. Faz sentido, pensando bem. 

Assim, utilizamos esse modelo já estabelecido para criar o embedding e aplicamos os pesos de acordo com a raridade das palavras, pois elas expressam o contexto. Como você pode ver neste exemplo, as palavras que aparecem com menos frequência têm pesos diferentes; dessa forma, obtemos uma representação do aplicativo e podemos medir distâncias. 

E se eu pegar alguns exemplos que tenho aqui, como o Homescapes, por exemplo, você pode ver que ele mostra apenas os 20 melhores, então geralmente selecionamos apenas os 20 mais próximos. Obviamente, você pode ver alguns concorrentes diretos e alguns produtos que usam recursos semelhantes, mas não necessariamente o mesmo tema. 

Se você optar por encontros, e eu escolhi o Bumble, nunca usei um aplicativo de namoro porque sou mais velho, mas acho que esse é um contexto popular, certo? As palavras-chave são bem diretas e dizem exatamente o que são. E quando se trata de coisas mais complexas, isso pode funcionar ou não, claro, mas o correto a fazer ao criar uma campanha usando esse tipo de ferramenta para SKAN ou atribuição probabilística é simplesmente estruturar sua campanha em torno disso e usá-la como um recurso no modelo. 

Então, eventualmente, o sistema entende: "Ok, se este é um contexto próximo, isso é bom ou ruim para o meu desempenho?". Porque às vezes não precisa ser necessariamente bom, mas sim, um pouco menos, um pouco mais, de acordo com a situação. Mas sim, essa foi a nossa maneira de tornar o sistema à prova de futuro e evitar a necessidade de fazer isso manualmente. 

John Koetsier:

É muito interessante ouvir essa compreensão de contexto no mundo dos aplicativos. Porque, claro, sempre houve contexto na web, certo? E contexto na web é bem fácil de entender, porque quando você decide qual anúncio colocar em uma página, você sabe muito sobre aquele domínio. Você sabe muito sobre o conteúdo daquela página. É fácil extrair essas informações. É fácil de entender. Então você tem muitos dados contextuais. 

Mas o conteúdo do aplicativo não tem esse tipo de realidade, não tem esse tipo de página acessível para um scraper ou algo do tipo. Então é uma maneira super interessante de analisar o contexto e como ele funciona. Adorei. 

Fale sobre criatividade. Como a criatividade se manifesta em seus modelos?

José Iris:

Sim, então, quando projetamos o sistema inicialmente, começamos apenas com testes A/B, mas logo percebemos que não era... Quer dizer, você pode criar todo tipo de automação para torná-lo eficaz e garantir que seja estatístico, e há pessoas que constroem carreiras com isso. 

Sim, às vezes essa pode ser a ferramenta certa, mas no nosso caso, em que tudo acontece muito rápido, entendemos que precisávamos usar tecnologias mais avançadas. Então, a nossa abordagem foi bem diferente da de um gerente de aquisição de usuários. Para nós, a parte criativa é uma ferramenta. Para os gerentes de aquisição de usuários, também é uma ferramenta, mas há muito mais planejamento envolvido no conteúdo. São equipes de arte enormes.

John Koetsier:

Marca… isso se parece com o nosso aplicativo… e tudo mais.

José Iris:

Faz sentido, não é? Quer dizer, isso precisa acontecer. Mas, já que estamos nisso, precisamos nos concentrar em aproveitar o que temos e transformá-lo na ferramenta mais útil possível para coletarmos observações e amostras de forma mais rápida e eficaz. 

Então, para treinar nossos modelos para novos parceiros, onde temos um problema de inicialização a frio, precisamos coletar amostras rapidamente. Caso contrário, eles pensarão: "Não vou investir US$ 50.000 explorando com vocês porque não vejo nada acontecendo". Então, criamos uma solução. Existe um campo diferente, um dos campos mais avançados do aprendizado de máquina, chamado aprendizado por reforço. Esse campo é usado para treinar bots contra os quais você jogaria em videogames e coisas do tipo. Porque ele possui mecanismos para dar recompensas e punições à máquina com base em suas ações. Um nome duplamente bombástico, "bandidos de múltiplos braços", que na verdade vem da analogia do "bandido de um braço só" de uma máquina caça-níqueis..

John Koetsier:

Sim …

José Iris:

… porque o problema teórico que eles estavam tentando resolver era em qual máquina caça-níqueis jogar para aumentar as chances de sucesso. Então, na prática, é muito mais simples. Temos a capacidade de saber a taxa de cliques (CTR) e as impressões por minuto (IPM) de cada criativo em tempo real. Não é fácil armazenar esses dados, disponibilizá-los rapidamente e atualizá-los a cada nova observação, a cada novo clique, etc. Nós resolvemos essa parte e conseguimos escalar o sistema. 

Dessa forma, você começa sem saber nada, mas assim que recebe o primeiro sinal, já tem um campeão e pode começar a direcionar mais tráfego para ele. Então, você não está, na verdade, fazendo testes A/B em tempo real com muito mais do que duas variações, e pode ajustar rapidamente. 

Então, com o tempo, à medida que o(s) campeão(ões) se tornam estatisticamente mais relevantes, eles ganham mais peso. Digamos, chegam a receber até 85% ou 90% do tráfego. E os outros 10% restantes ficam disponíveis para exploração, com a possibilidade de novos campeões emergirem. Em alguns casos, podemos ter aplicativos de cassino social com o mesmo campeão por um ano inteiro. Isso simplesmente acontece às vezes. Os astros se alinham, algo como se as moedas estivessem caindo do céu, simplesmente atraindo pessoas para instalar o aplicativo, e você verá situações em que a tabela de campeões não muda muito, o número um permanece o número um. 

Mas em outros casos, quando você introduz novas equipes criativas, sabe, que são um pouco mais... como posso dizer... ousadas, as coisas podem mudar o tempo todo. Então, tivemos que construir algo que pudesse sempre explorar. Esta é uma solução bastante robusta como está. Quer dizer, pelo que podemos ver, ela realmente se encaixa no caso de uso. 

Uma coisa que, ironicamente, sinto falta, considerando toda a conversa até agora, é de contexto. Isso porque essa solução foi projetada para um único campeão por vez. Mas, é claro, quando você está segmentando usuários, existem muito mais de uma persona. Então, a próxima iteração em que estamos trabalhando, e que espero lançar neste trimestre, basicamente adicionará contexto a isso. Assim, ao selecionar o campeão, diferentes grupos receberão campeões diferentes com base em suas características, e você obterá um impulso adicional.

John Koetsier:

Super, super interessante. É engraçado você ter mencionado aqueles criativos que estão fazendo sucesso por um ano ou algo assim. Eu os chamo de criativos unicórnio.

E já vi isso acontecer com profissionais de marketing no passado, quando havia um único elemento criativo excepcional que eles não conseguiam superar, simplesmente não conseguiam. Eles tentavam, batiam a cabeça contra a parede e não conseguiam vencer aquele elemento criativo específico.

É um bom problema para se ter.

José Iris:

Sim.

John Koetsier:

Significa que algo está funcionando muito, muito bem… mas pode ser frustrante para os profissionais de marketing. Também é interessante notar que usar cerca de 10% do orçamento para testes é como pagar o preço dos testes, não é? Você precisa fazer isso, precisa encontrar sua próxima peça criativa genial, aquela que realmente funciona. 

Acho que a grande questão é: quais são os sinais que significam sucesso para você como DSP? É um clique? Porque isso é bem fácil de manipular, né? Alguém simplesmente coloca um SKOverlay quando você vê esse anúncio interativo, você não fez nada com isso, pronto, você já está quase na loja de aplicativos, certo? Sabe, e outras coisas do tipo…

José Iris:

Isso também acontece no Android.

Não é só o iOS agora. Não é só o SKOverlay. Como você disse, os cliques... quero dizer, há anos que os cliques não são mais como eram antes. Sabe o que quero dizer? Um clique não significa necessariamente intenção.

John Koetsier:

Será que alguma vez o fizeram?

José Iris:

Quer dizer, sim, eu sei o que você quer dizer. Em algum momento, provavelmente foram. Mas quando entramos nessa área, já tínhamos uns seis ou sete anos de experiência em tecnologia. 

Mas construir essa ferramenta programática nessa escala insana, processando três milhões de consultas por segundo e ainda com espaço para crescer, te ensina coisas rapidamente, como a realidade te atinge em cheio... a vida pode te pegar de surpresa, como se costuma dizer... então, muito rapidamente, presumimos que nos livramos de toda a baboseira em tecnologia publicitária, certo? 

Não estamos comprando nada fraudulento, estamos integrados diretamente com todas as principais SSPs, sabe, Unity, AppLovin e todas essas empresas boas, certo? Então pensamos, ok, bastaria conseguir um bom CPI e, a partir daí, tudo se resolverá sozinho, certo? 

São pessoas reais, os aplicativos convertem cerca de 5% de instalação em compra, então deve estar tudo bem. 

Não. Definitivamente não, especialmente quando você está tentando otimizar para um CPI mais baixo. 

As previsões são sempre, eu acho que você diria diametralmente opostas, certo? Então, se um usuário tem uma alta probabilidade de clicar ou instalar, ele terá uma baixa probabilidade de se tornar um usuário de alto valor na maioria dos casos. É muito raro que os astros se alinhem e todas as probabilidades sejam altas. 

E nós éramos como aqueles profissionais de marketing de antigamente, quebrando a cabeça tentando entender por que esses usuários que clicavam não instalavam o aplicativo ou pagavam. Descobrimos que, sim, não se pode confiar totalmente nesses sinais. Não [completamente], porque obviamente eles afetam a atribuição. Mas é preciso encará-los com cautela. E com todas as ferramentas de aprendizado de máquina disponíveis, dar-lhes menos peso. 

Portanto, toda a sequência de previsões que fazemos para uma única solicitação de anúncio consiste em prever o preço do leilão para o compartilhamento de lances. Podemos abordar isso mais tarde. É algo realmente interessante por si só. 

Prever a probabilidade de um clique, uma instalação dado um clique, um evento pós-instalação, ou mesmo um LTV (Lifetime Value) ou algo relacionado à qualidade e ao valor que ela representa para o anunciante, dependendo de seu KPI (Indicador-Chave de Desempenho), e a probabilidade de uma visualização por meio da atribuição. 

Mas isso é apenas uma parte menor, porque você multiplica os três primeiros e a taxa de visualização entra no final. Então, quando você analisa isso, o que mais importa são o CTI (clique para instalar), a conversão, o clique para instalar e a interação pós-instalação. Esses fatores têm um peso significativamente maior em tudo o que consideramos. Todo o resto é uma ferramenta para atingir essas metas e, assim, podermos treinar de forma eficaz.

John Koetsier:

É engraçado porque, enquanto você fala sobre isso, sobre os sinais que você poderia potencialmente analisar, e então aquele que realmente lhe interessa, esse clique para instalar, seu modelo de aprendizado de máquina está tentando calcular tudo isso em algumas centenas de milissegundos.

José Iris:

Sim.

John Koetsier:

E eu estou pensando que você está boxeando no escuro, com os olhos vendados e as mãos amarradas nas costas.

José Iris:

Sim

John Koetsier:

Quantos outros obstáculos posso colocar no seu caminho?

Imagine-se em uma escada prestes a cair de mais de mil metros, sem saber nada sobre a pessoa que está visualizando ou potencialmente visualizando aquele anúncio, já que estamos na era da privacidade no SKAdNetwork. Simplesmente não há como saber, você precisa analisar o contexto, e isso logo se tornará ainda mais comum no Android com a implementação do Privacy Sandbox. 

Você está usando algum dado do SKAdNetwork? Isso impacta alguma coisa que você esteja fazendo em tempo real nesses poucos milissegundos?

José Iris:

Portanto, neste momento ainda é limitado. 

John Koetsier:

Então a resposta é não, certo?

José Iris:

Não é um não definitivo, porque obviamente precisamos nos preparar para o futuro. Quer dizer, sim, ainda vivemos em uma realidade diferente, mas precisamos nos preparar para o amanhã, ou para os imprevistos, como preferir chamar.

John Koetsier:

Sim.

José Iris:

O mesmo conceito de ponderação... funciona da mesma forma agora. Como esses sinais não são nada específicos, mesmo com o SKAN 4, no nível mais básico, é muito diferente de qualquer coisa determinística ou probabilística que ainda permita associá-la a uma transação. Portanto, é preciso tratá-los com cautela e construir seu esquema em torno deles. E é isso que fazemos.

Então, com essa nova estrutura do SKAN 4, você obtém informações mais detalhadas. Novamente, ponderamos o sinal de acordo com o quão... grosseiro ele é, ou melhor, qual é a outra palavra..

John Koetsier:

Multar.

José Iris:

Sim, sim, então os finos recebem pesos maiores, os grossos ainda recebem alguma recompensa, mas não tão próximos dos significativos. E podemos usar isso.

É que essa mudança para menos sinal foi assustadora para nós no início, mas quando vimos a dinâmica do mercado mudando tão rapidamente, o que aconteceu quando a AT&T entrou em cena? Todos os orçamentos foram para o Android, certo? E os preços no iOS despencaram.

John Koetsier:

Sim, nós sabemos disso.

José Iris:

Isso significa que, mesmo que você não consiga classificar da mesma forma que antes, contanto que ainda consiga classificar, você pode jogar. Então eu

John Koetsier:

Sabe, o engraçado é que o dinheiro inteligente continuou investindo no iOS, porque só porque você não conseguia medir o sucesso, não significava que você não tinha sucesso.

José Iris:

Foi simplesmente assustador.

John Koetsier:

Então, se você a) tivesse alguma fé ou b) dispusesse de meios alternativos de mensuração, como talvez MMM, modelagem de mix de mídia ou outras coisas assim, ou c) dominasse o SKAdNetwork rapidamente – porque dá para torná‑lo eficiente se souber como e tiver as ferramentas certas – você teria uma grande vantagem por alguns meses, talvez ainda até hoje, já que ainda há profissionais que evitam o SKAdNetwork e não o dominam, então você ganha um grande diferencial. 

Mas tenho dificuldade em entender como os dados do SKAN podem ser incorporados aos seus modelos de aprendizado de máquina, porque além de serem agregados e, portanto, não estarem vinculados a um dispositivo específico ou algo do tipo… eles também são defasados… e os atrasos no SKAN 4 são significativos. Estamos falando de facilmente 35 dias em alguns casos.

José Iris:

Com a tecnologia de anúncios e o aprendizado de máquina, você precisa se preparar para o feedback atrasado e para o que chamamos de "senso de dados" (ou "sense of data"), pois é assim que a atribuição funciona. Quando você tem uma atribuição de cliques aberta por sete dias e quer treinar com tanta frequência, precisa ter ferramentas integradas que levem em conta que as impressões que você está recebendo agora podem se converter em instalações posteriormente. Ajustar-se a isso não é tão difícil. O difícil é se adaptar à realidade de que você não pode conectar uma instalação a uma impressão. 

Mas desde que você mapeie com a maior precisão possível, com base em como você recebe os dados da Apple, tudo bem. Quando eram 100 IDs, tivemos um estudo de caso com a Tilting Point em que conseguimos aproveitar isso e obter um desempenho melhor do que o tráfego normal do iOS na época. Mas isso acontecia principalmente porque eram os usuários mais experientes que não recebiam anúncios, não todos, porque sabiam como desativar os anúncios em uma das oito telas dentro das configurações do iOS. 

Então, você leva isso em consideração desta forma, usando pesos para dar maior importância aos casos em que você realmente conhece o aplicativo do editor ou o conjunto de anúncios e os níveis mais profundos, e torce para que tudo dê certo. 

Estou brincando. 

John Koetsier:

Hahahaha!

José Iris:

Mas, quero dizer, você ainda precisa projetar as campanhas de forma a obter sinal suficiente para mantê-las em andamento. Novamente, os preços sempre se ajustam à sua capacidade, à nossa capacidade e à de qualquer comprador baseado em desempenho que possua recursos de aprendizado de máquina, porque nós definimos o padrão, certo? 

Somente os compradores de performance conseguem superar os CPMs absurdamente altos em anúncios de aquisição de usuários. Retargeting é outra história, mas em anúncios de aquisição de usuários, somos as únicas empresas que podem afirmar: "Ok, essa impressão esconde de alguma forma cem IPMs, certo?" 

Então, você perguntou antes sobre a diminuição, então posso te dar alguns números sobre qual foi o impacto.

John Koetsier:

Sim, e aqui está o contexto, porque isso foi antes de começarmos a gravar. 

Há algum tempo venho me perguntando, sabe, qual é a situação atual em termos de eficiência de anúncios no iOS especificamente? E falaremos sobre o Android daqui a um ano ou dois, talvez. 

Mas sabe, se o nosso nível com o IDFA pré-ATT era um, certo? Digamos que nossa eficiência fosse um. Qual é a nossa eficiência agora com o SKAN 3 e talvez pensando no SKAN 4? Nossa eficiência é 0,5? É 0,3? É 0,7? É uma faixa, dependendo de quão bem entendemos o processo de varredura e como anunciar nessa realidade? Deixo a decisão para você.

José Iris:

Obviamente, muitos fatores influenciam isso. Um deles é a proeminência do aplicativo promovido. Quanto mais popular ele for, mais fácil será trabalhar com o SKAN. Mas, de modo geral, posso dar um exemplo com números que conheço, pois analisei muitos casos. 

É claro que os jogos casuais são uma parte importante do nosso mix de produtos quando trabalhamos com nossos parceiros de aquisição de usuários. Então, quando analisamos nossa capacidade de classificar, discriminar e dar lances mais altos ou mais baixos com base na probabilidade prevista de IPM (Instalações por Mês) ou eventos pós-instalação, o intervalo de IPM que observaríamos para jogos casuais, da probabilidade mais baixa à mais alta, seria entre praticamente nenhuma instalação (0 IPM) e cerca de 20. Isso era antes da AT&T e, em certa medida, essa é a realidade no Android.  

Após a aquisição da AT&T, a taxa de conversão diminuiu de 0 para 5. Em números absolutos, isso representa um aumento de cerca de 25% na eficiência em comparação com o período anterior. No entanto, os preços caíram ainda mais. Portanto, esse equilíbrio demonstra que há uma oportunidade para compradores mais inteligentes.

John Koetsier:

Uau. Muito interessante, muito interessante. 

Então você pensa nos impactos mais amplos disso, certo? Obviamente, existem os impactos específicos em termos de tecnologia publicitária, em termos de editores e anunciantes. Ok, somos 25% tão eficientes, mas nossos custos caem mais. Então, no fim das contas, isso não nos importa muito. 

Quais são os maiores impactos ambientais? Os anúncios estão mais baratos. Você verá mais anúncios, certo? Os anúncios são menos eficazes. Você verá anúncios piores? Não temos tempo para abordar tudo isso agora, mas é absolutamente fascinante. É algo que provavelmente explorarei em uma postagem no blog ou algo do tipo. 

Precisamos encerrar por aqui. Foi super interessante e muito informativo. Adorei tudo o que você mencionou. Gostaria de finalizar por aqui. Quais sinais são mais preditivos? É o contexto, como a descrição do aplicativo ou a listagem na loja? É algo mais? Quais sinais você considera mais preditivos?

José Iris:

Na realidade, a maioria delas, por si só, não é insignificante, mas não é suficiente para lhe dar o que você precisa. 

Então, um exemplo clássico, como uma das primeiras tarefas que você executaria como profissional de aprendizado de máquina, seria prever o preço de uma casa. Certo? Esse é o caso de uso clássico. E as características para isso são o número de cômodos, quantos degraus a casa tem, se tem porão, coisas assim. E você cria uma equação que diz, com base em cada uma dessas coisas diferentes, qual será o preço com base no conhecimento prévio. A realidade acaba surgindo de todas essas interações entre essas características. 

À primeira vista, digamos que um usuário esteja no início de uma sessão, isso não significa nada. Mas se ele estiver no início de uma sessão, e este for um contexto semelhante ao contexto em que ele está jogando agora, e forem 20h e o Super Bowl tiver sido ontem, por exemplo, então neste ponto você tem uma realidade muito específica que pode repentinamente trazer 20, 30, 40 IPs.

Nunca se trata de uma única funcionalidade isolada. É sempre uma combinação de vários elementos. Geralmente, eles surgem durante a sessão. A sessão é muito importante, desde que você saiba como usá-la, porque a capacidade de atenção dos usuários é curta. Então, na maioria dos contextos, o início de uma sessão é melhor, porque eles estão mais abertos a aprender coisas novas, mas isso precisa estar em conjunto com o contexto em que eles estão inseridos, o contexto geral deles ou o contexto do grupo, levando em consideração coisas que podem parecer irrelevantes, como o provedor de internet, como eu disse antes. Mas, novamente, quando você combina tudo isso e tem informações suficientes, é possível chegar a um caso muito específico em que, sim, tudo se encaixa perfeitamente. 

Eu uso essa frase bastante, mas você meio que precisa dela quando está projetando. Então, contanto que…

John Koetsier:

Basicamente, o que você está dizendo é que o aprendizado de máquina e a busca pelo anúncio certo para a pessoa certa no momento certo são praticamente astrologia, porque os astros precisam se alinhar. E todos os fatores…

José Iris:

Sim, mas quer dizer, eu não faria isso, sabe? Quando eu lia, eu costumava fazer isso quando era mais jovem, sabe, simplesmente abria o jornal e lia as previsões. Então, sim, aquelas que você encontra lá são muito genéricas, né? Você vai passar por um momento ruim, vai perder alguma coisa, sabe…

John Koetsier:

Você vai conhecer alguém novo hoje!

José Iris:

Então, com a tecnologia de publicidade, você está tentando... sim, no nosso caso, sim, você precisa ser mais específico, mas mais ou menos, sim, porque se você pensar no que os astrólogos fazem, é basicamente isso, sim, em muitos casos, na semana passada, você provavelmente... sabe, essas coisas aconteceram. Você ficou frustrado, sabe, coisas comuns que acontecem no dia a dia vão acontecer amanhã. Sim, sim, sim. Então, mais ou menos. Mas sim. É muito matemático e muito orientado ao método científico. 

Quer dizer, não importa a intensidade do sinal, se você configurar as ferramentas corretas, limpar os dados adequadamente, trabalhar com a realidade que tem e se adaptar rapidamente, o que, na minha opinião, é a coisa mais importante no mundo hoje em dia, com tudo mudando tão depressa, você consegue competir. E é por isso que trabalho tanto, tantas horas, porque acredito que podemos fazer isso de forma ainda mais eficaz.

John Koetsier:

Excelente, excelente, excelente. Bem, passamos da ciência para a astrologia, depois para os biscoitos da sorte e agora, sabe de uma coisa, faça sua lição de casa e coisas boas podem acontecer.

José Iris:

Sim.

John Koetsier:

Joseph, isso foi super informativo e também bastante divertido. Muito obrigado.

José Iris:

Obrigado, John, estou feliz por estar aqui.