Modelagem de mix de mídia para aplicativos mobile : uma resposta segura para a privacidade na mensuração de marketing?

Será que a modelagem do mix de mídia é a resposta para mobile de aquisição de usuários de aplicativos que desejam mensurar e otimizar o marketing e a publicidade?

Eis o sonho do líder da UA:

• Inteligência de marketing imediata e precisa
• Informações práticas sobre canais, criativos, lances e orçamentos
• Metodologias e mecanismos que respeitam a privacidade, são compatíveis com as diretrizes da Apple, atendem ao GDPR e são aprovados pela CCPA
• … tudo isso resulta em insights inteligentes que geram um crescimento massivo

É uma tarefa árdua para qualquer metodologia de mensuração de marketing. Será que a modelagem de mix de mídia consegue atingir esse objetivo para profissionais de marketing mobile ?

Vamos começar.

A modelagem de mix de mídia é uma ferramenta consagrada no marketing (o que não significa que seja algo ruim)

Não há uma maneira realmente gentil de dizer isso: a modelagem de mix de mídia está ultrapassada.

Frequentemente referido como modelagem de mix de marketing, ele está presente desde literalmente os anos 1950 e 1960. Neil Borden, professor da Harvard Business School, cunhou o termo mix de marketing em 1949, e grandes marcas usaram o conceito na era emergente da mídia de massa para construir modelos estatísticos de eficácia de marketing.

Dessa forma, a modelagem de mix de mídia se mostrou eficaz para responder a perguntas como estas:

“Se eu investir 10 milhões de dólares em uma campanha publicitária na TV, veiculada nas três principais emissoras, qual será o impacto nas minhas vendas de Cheerios?”

Para construir essas respostas, a modelagem do mix de mídia precisava de dados: vendas anteriores, idealmente de vários anos. Impactos nessas vendas. Tendências sazonais. Ações da concorrência. Indicadores econômicos como o índice de preços ao consumidor. Comparações de preços. Dados de disponibilidade. Movimentos culturais mais amplos, e assim por diante. A modelagem do mix de marketing normalmente utilizava (e utiliza: ainda está em operação) uma análise intensiva de muitos dados de diversas fontes ao longo de um longo período. Quando funciona, os executivos de marketing obtêm respostas para as grandes perguntas do tipo "e se", como: qual será o impacto de um investimento de US$ 10 milhões na ABC, NBC e CBS em nossos resultados financeiros?

Essa dependência de escala, histórico e longos períodos de tempo parece desqualificar o MMM como metodologia para mobile campanhas de aquisição de usuários conversei recentemente com a Adobe sobre seu novo produto de modelagem de mix de mídia baseado em IA para marketing, ainda em fase beta, essa suspeita pareceu se confirmar.

Funciona bem: o sistema permitiu que um cliente reduzisse os gastos com publicidade em 50%, mantendo um crescimento de 10%.

Mas há um grande porém: você precisa investir 50 milhões de dólares por ano.

Bem, algumas das maiores editoras de conteúdo mobile estão nesse nível, e até além. Mas certamente não a editora média. A maioria dos profissionais de marketing mobile tem orçamentos muito menores e precisa saber o que está acontecendo com seus gastos de US$ 100.000 por mês ou com seus orçamentos mobile US$ 50.000 por mês.

O marketing Mobile está embriagado de dados

Sejamos honestos. A publicidade Mobile tem sido movida a dados: dados imediatos, dados precisos, dados acionáveis. Os profissionais de crescimento Mobile não precisavam se preocupar com métodos de mensuração de marketing pré-digitais… em parte porque pareciam antiquados, imprecisos, complicados, caros e lentos.

Mas principalmente porque o digital oferecia um sonho: um sonho puro, claro e ousado de conhecimento exato, consciência perfeita e marketing científico, resultando em zero desperdício de dinheiro.

(Os golpistas, é claro, adoravam esse sonho.)

Mas, apesar dos desafios — e existem alguns que vão além da fraude —, esse sonho exigia um nível de rastreamento que deixaria os profissionais de marketing da década de 1960 maravilhados, senão chocados. Tudo começou com os cookies na web em 1994, continuou com os IDs de dispositivos embutidos no código-fonte dos smartphones no início da década de 2010, passou para IDs de publicidade mais controláveis ​​pelo usuário logo em seguida e, atualmente, está caminhando para o seu desaparecimento em grande parte no início e meados da década de 2020.

De nenhuma informação a uma enorme quantidade de dados, e depois a uma quantidade muito menor de dados, tudo isso em cerca de um quarto de século.

Mas, durante toda a trajetória da era da computação com foco em dispositivos mobile até o momento, vivemos uma era de excesso de dados.

“Temos um vício em dados no mobile ”, diz Brian Krebs, que dirige a MetricWorks e cria modelos de mix de mídia. “Porque eles sempre estiveram disponíveis.”

Olá novamente, modelagem de mix de mídia (os tempos estão mudando)

Porque esses tempos estão mudando, impulsionados pela Apple, iOS 14.5, regulamentação governamental e mudanças nas atitudes sociais, a modelagem de mix de mídia está voltando à conversa. Se você não consegue obter tantos dados granulares via IDFA no iOS, e está se perguntando o que pode acontecer com AAID/GAID no Android, talvez haja outra maneira.

Talvez não seja necessário um orçamento de 50 milhões de dólares, e talvez também não seja preciso tanta matemática complexa e tantos dados externos sobre o mundo circundante, as ações dos concorrentes e as mudanças econômicas como pensávamos.

If you pour in first-party data like day-of-week trends, vertical-specific trends like time of year seasonality, broad industry trends for app install frequency, plus specific-to-you events like getting featured by Google or Apple or having your game reviewed by GamesBeat or PocketGamer, that’s actually enough, says Krebs. Add to it the marketing activity for your app — spend and impressions — and you’ve got a good basis for MMM for mobile user acquisition.

É preciso variar os gastos de tempos em tempos — um drone em estado estacionário torna difícil determinar sua eficácia —, mas isso acontece naturalmente com a mudança na concorrência por impressões e na disponibilidade de oferta.

A realidade pode ser que a modelagem de mix de mídia seja mais eficaz para mobile do que para seu propósito original: campanhas grandes, lentas e caras de marcas nacionais e globais de grande porte. E a aquisição de usuários também pode demonstrar incrementalidade de forma mais eficaz do que os métodos tradicionais

“Para ser sincero, ficamos surpresos: o MMM funciona melhor em mobile ”, diz Krebs. “É mais simples… você precisa de menos pontos de dados.”

Mas será que é suficiente?

O que a modelagem de mix de mídia não lhe dará

Olhe. Uma técnica não precisa ser perfeita para ser útil. Quem pensa atribuição de último clique é uma medida perfeita de desempenho de marketing, francamente, delirante. Ainda assim, a usamos amplamente na última década, com, provavelmente, bons resultados.

Porque tem sido bom o suficiente.

Então a questão é: o MMM é bom o suficiente para orientar a tomada de decisões?

Antes de respondermos a essa pergunta, aqui está o que a modelagem de mix de mídia não fornecerá.

Talvez as três palavras que melhor o resumem sejam imediatismo, granularidade e clareza. Imediatismo foi, claro, a glória incomparável do IDFA (que ainda existe, evidentemente, para 10-20% do tráfego iOS) e continua sendo a estrela norte brilhante da atribuição baseada em GAID. (Está ausente — até certo ponto influenciado por suas próprias decisões — em Apple’s SKAdNetwork framework, é claro. Você pode redefinir o postback SKAN para até 7 dias.) Apple’s SKAdNetwork framework, of course. You could reset the SKAN postback to as long as 7 days.)

Saber o que funciona o mais rápido possível é fundamental para uma otimização ágil. Saber o que não funciona o mais rápido possível é fundamental para não desperdiçar orçamento.

A modelagem de mix de mídia para mobile não leva as semanas e meses que exige no segmento de grandes marcas voltadas para o consumidor final. Mas também não é tão rápida quanto um postback.

A granularidade é semelhante: IDFA/GAID e até mesmo SKAdNetwork fornecem dados de alta precisão sobre diversos fatores: origem e campanha, alguns fatores configuráveis ​​para SKAdNetwork, além de, é claro, dados muito mais granulares em nível de usuário e agrupamento para IDFA/GAID. Há menos dados do SKAdNetwork, mas a personalização inteligente e os postbacks híbridos com valores codificados para múltiplos eventos e/ou temporizadores podem ajudar.

O MMM oferecerá menos em cada uma dessas áreas, incluindo um pouco menos de clareza sobre redes auxiliares, assistências e toques finais, especialmente para profissionais de marketing de crescimento mobile que estão acostumados a trabalhar com vários parceiros de publicidade diferentes simultaneamente. (Sim, você pode argumentar que todas essas redes estão lançando anzóis no mesmo rio, e isso é verdade. Mas é difícil argumentar que todos os anzóis — e as iscas neles — têm o mesmo valor e são lançados nas melhores partes do rio, onde os peixes se concentram.)

A abordagem incremental também terá dificuldades com a otimização criativa, o que, obviamente, pode ser resolvido limitando manualmente as variações criativas por campanha para observar o impacto ao longo do tempo. Além disso, os lances e orçamentos em plataformas individuais serão um pouco mais opacos para a MMM.

Então… um modelo híbrido: atribuição de próxima geração

Media mix modeling isn’t a silver bullet, someone who sells media mix modeling for mobile user acquisition teams told me. But it is useful. And, alongside an MMP, it adds context and insight.

A realidade é que a era do rastreamento está chegando ao fim.

O IDFA praticamente desapareceu, a coleta de impressões digitais é contrária às diretrizes da Apple e o Google também fará algumas mudanças relacionadas à privacidade ao longo do tempo.

Portanto, você precisa de atribuição de última geração.

Isso significa impressões, cliques e custos, com certeza. Instalações, quando possível. Insights criativos, sempre que possível. Resultados específicos de canais e parceiros, quando disponíveis. Dados do topo e do fundo do funil. Dados primários do seu próprio aplicativo: novos usuários, padrões de engajamento, cadastros, compras. Lances e orçamentos, além de normalização e padronização em todas as suas fontes de dados.

A realidade é que a situação está ficando mais difícil. Rastrear o último clique em um identificador de publicidade era simples. Agora, os profissionais de crescimento mobile precisam de uma infraestrutura completa de dados de marketing, não apenas de um rastreador mobile . E essa infraestrutura precisa abranger muito mais do que apenas anúncios mobile . Há mídia externa, TV, web e outros canais que estão começando a importar.

Combinar todos esses sinais e, ao mesmo tempo, silenciar o ruído para gerar insights que impulsionem o crescimento: esse é o próximo desafio. E a MMM tem um lugar garantido nessa discussão como parte da atribuição de próxima geração.

Fale conosco

Tem interesse em saber mais sobre como você pode preparar o crescimento do seu marketing para o futuro com análises e atribuição de última geração?

Avise‑nos. Entraremos em contato.