Botão fácil do MMM: como apertar o botão fácil para modelagem de mixagem de mídia

MMM é notoriamente difícil. 

Você pode passar meses reunindo todos os seus dados, construindo modelos, adicionando dados externos, configurando limites e executando o MMM… apenas para terminar com resultados obviamente absurdos. Ou, resultados tão controlados e artificialmente limitados que entregam apenas o que você já sabe. 

Então … como apertar o botão fácil para modelagem de mix de mídia?

Botão fácil MMM: Singular?

A resposta simples é: usar Singular como seu MMP. Isso pode soar muito egoísta (e talvez seja) mas isso não significa que esteja errado.

Eis por que Singular é a opção mais fácil para o MMM:

1. Cobertura total de gastos, pronta para uso, de milhares de parceiros de publicidade, sem necessidade de configuração. Resultado: centenas de horas economizadas.
2. Onboarding totalmente automatizado porque Singular já possui todos os seus dados históricos. Isso leva alguns dias, mas todo o trabalho preparatório está em Singular’s lado … não seu.
3. Tendências de mercado incorporadas graças ao fato de que Singular é uma das principais empresas globais de medição de marketing. Vemos bilhões de instalações e trilhões de cliques, o que significa que quando há um feriado, evento, desastre, tendência ou qualquer outro pico ou queda devido à sazonalidade ou outro motivo, nós percebemos. E você não precisa inserir todos esses dados do ambiente global e fazer suposições semi‑racionais sobre como isso impacta seu aplicativo.
4. Comparação instantânea com dados de atribuição direta graças a Singular gerenciando sua medição de marketing e coletando dados de primeira‑parte via SKAN, IDFA, GAID, Privacy Sandbox (em breve), eventos in‑app, cliques e impressões de redes de anúncios … você nomeia. Isso gera resultados precisos e significativos graças à calibração de modelo MMM de classe mundial.

“Ao projetarmos o produto, queríamos nos basear em nossos pontos fortes e em nossa verdadeira diferenciação no mercado”, disse-me Eran Friedman, CTO Singular , em uma recente entrevista para o Growth Masterminds. “Para que o MMM seja preciso, é preciso garantir 100% de cobertura e um histórico extenso. E só o processo de coletar, preparar e formatar todas essas fontes de dados para que o MMM possa começar a processá-las pode levar uma eternidade.”

Se você estiver executando o MMM por conta própria, as fontes de dados são uma dor de cabeça. A calibração é um problema. Um dos maiores desafios, no entanto, são as tendências de mercado. A menos que você tenha acesso a dados de tendências excelentes e relevantes, saiba como adicioná-los ao modelo MMM e estime com precisão o peso a ser atribuído a esses dados… é um pesadelo.

Isso significa que picos ou quedas aparentemente orgânicos no volume de instalações são um mistério.

Um exemplo: o novo aplicativo Threads.

Cem milhões de instalações em uma semana para um aplicativo totalmente novo causa um impacto no ecossistema mobile . É por isso que um aplicativo — também chamado Threads — rapidamente atualizou seu nome para “Threads – Não é do Instagram”

“A menos que você saiba inserir esses dados por país no seu modelo, você pode pensar que foi um efeito do seu investimento em marketing, quando, na verdade, foi um fator externo que afetou seus resultados”, diz Friedman. “Então, ver isso é realmente fascinante, pois mostra como isso afeta os resultados.”

O modelo Singular MMM: Robyn? MMM leve?

Singularnão utiliza o Robyn ou o Lightweight MMM, que são de código aberto, embora esteja aprendendo com ambos.

“Com certeza, nos inspiramos bastante na Robyn e na Lightweight”, diz Friedman. “Depois de avaliar todas elas, acabamos construindo nosso próprio modelo com alguns conceitos semelhantes. Tentamos aproveitar algumas das vantagens de cada uma. Mas sentimos que ainda há espaço para mais personalização, com base no nosso conhecimento do setor.”

Tendências são um exemplo.

Em vez de uma entrada de tendência binária (sim/não), Singular MMM usa um modelo de regressão ponderada pelo tempo, além de um modelo Bayesiano proprietário com algumas peculiaridades.

Resultados dos clientes no Singular MMM: surpresas

Implementar o MMM (Model-Measurement Method) por conta própria não é apenas um desafio e uma tarefa difícil, como também adicionar mais uma ferramenta de mensuração para sua equipe de aquisição ou crescimento de usuários apresenta desafios adicionais.

• Para que você o utiliza?
• Quem usa isso?
• Com que frequência você verifica isso?
• Que decisões isso te ajuda a tomar?
• Sobre quais decisões não oferece informações?
• Se isso contradisser seus dados de atribuição direta do último clique, em qual você confiar?

É o problema dos 2 relógios. Quando você tem 1, você sabe que horas são. Ter 2 que podem diferir ligeiramente (ou muito) faz você se perguntar.

O feedback tem sido surpreendentemente bom, diz Friedman.

“Alguns dos primeiros feedbacks que recebemos foram: 'Nossa, isso realmente confirma as suspeitas que tínhamos internamente sobre algumas das diferenças entre os canais...' Eles podem suspeitar que um determinado canal esteja sendo mal avaliado pela atribuição baseada no último clique e que, na verdade, contribua mais para o resultado final. Mas é muito difícil provar isso sem realizar testes de incrementalidade específicos ou um teste geral.”

Isso está gerando mais confiança na tomada de decisões e na alocação de orçamento daqui para frente.

“Você vê os resultados e realmente percebe a diferença entre eles”, diz Friedman. “E isso deixa a equipe muito mais confiante de que, nossa, parece haver um impacto significativo. Em vez de ficarem desconfiados e entrarem em um dilema, tipo, ‘Ah, não, o que eu vou fazer? Em que vou confiar?’, isso os deixa mais confiantes de que vale a pena investir ainda mais na tese, talvez até mesmo executar esse teste incremental e ver se ele está gerando melhores resultados.”

Os clientes que testam Singular MMM relatam consistentemente resultados interessantes e valiosos, acrescenta ele.

Isso é ótimo, mas a segunda melhor resposta foi sobre a quantidade de trabalho necessária para obter esse tipo de resultado: praticamente nenhuma.

Para a maioria dos clientes Singular que experimentaram o MMM, obter os dados, mantê-los, construir o modelo, mantê-lo... e ainda obter resultados medíocres ou inconsistentes foi um processo extremamente trabalhoso. Agora, eles obtêm relatórios do MMM sem complicações. Prontos para usar. Instantaneamente.

“Isso tem sido impressionante para alguns deles, não é?”, diz Friedman. “Então, tudo totalmente automatizado, eles não precisaram fazer nada, apenas obter esses insights iniciais. Isso tem sido realmente incrível. Eles podem mergulhar nos resultados e, a partir daí, pensar em como replicá-los.”

Muito mais no podcast e vídeo completos

Não perca este episódio do Growth Masterminds, nem nenhum dos outros…

Inscreva‑se no Singulardo YouTube e no podcast de áudio para nunca perder um episódio. Convidados recentes incluíram tópicos como:

• Fraude no comércio eletrônico e em jogos
• Alt-UA com o cofundador da Fluent, Matt Conlin
• Mudanças de poder no ecossistema com convidados como Kunal Nagpal, diretor comercial da InMobi
• Inteligência artificial generativa em jogos com o CEO da Unity, John Riccitiello
• Crescimento massivo no setor de jogos com Elad Levy, da Dive (que vendeu sua empresa de jogos para a Playtika)
• Sandbox de Privacidade no Android
• Segmentação na era da privacidade
• Reduzir os cancelamentos de assinaturas de aplicativos
• E… muito… mais!

Ei: precisa da transcrição porque lê mais rápido do que assiste? Aqui está a transcrição completa, feita especialmente para você

Observe que o conteúdo é em grande parte gerado por IA. Ouça ou assista para obter a mensagem exata.

John Koetsier:

Descobrimos a fórmula mágica para o sucesso? Olá e bem-vindos ao Growth Masterminds. Meu nome é John Koetsier. 

Nunca ouvi dizerem que modelagem de mix de mídia, marketing mix ou triple-M (mídia, marketing e marketing) seja fácil. E mesmo dizendo isso agora, parece um pouco exagerado... mas talvez tenhamos encontrado algo muito próximo de um botão de "fácil" em um novo programa beta da Singular. 

Para aprofundar o assunto e aprender mais, contamos com a presença do CTO, Eran Friedman. Bem-vindo, Eran.

Eran Friedman:

Obrigado por me receber, John. É ótimo estar aqui.

John Koetsier:

Que ótimo, sempre um prazer ter você aqui. Você provavelmente está pensando: "Esta é a quarta vez que participo, as pessoas vão se cansar!" 

Bem... provavelmente não, porque você tem boas ideias, o que é excelente. Vamos logo fazer a pergunta óbvia. 

Será que encontramos a solução mais fácil?

Eran Friedman:

Acho que definitivamente facilitamos bastante o processo. É o que eu acredito. E ainda há muito potencial para melhorias adicionais. 

Mas acho que, com os avanços tecnológicos que tivemos nos últimos anos e todo o investimento que fizemos no Singular, definitivamente ficou muito mais fácil do que antes, com certeza.

John Koetsier:

Então, antes de entrarmos nos detalhes de por que é mais fácil, o que você fez, como funciona e tudo mais… em linhas gerais, o que é difícil no MMM?

Eran Friedman:

Então, acho que se eu tentasse resumir, qualquer pessoa que já tenha usado o MMM provavelmente está bem familiarizada com os desafios comuns, começando pela obtenção dos dados. 

Então, o MMM é, você sabe, uma metodologia com forte enfoque em ciência de dados. E se baseia na coleta de uma grande quantidade de dados históricos, que são inseridos no modelo e, a partir daí, um novo modelo é construído. Sempre que você conversa com cientistas de dados e tenta experimentar, eles dizem: "Ok, a primeira coisa que você precisa fazer é preparar os dados". E isso dá muito trabalho. 

Para que o MMM seja preciso, é necessário garantir uma cobertura de 100% e um histórico extenso. A coleta, preparação e formatação de todas essas fontes de dados para que o MMM possa processá-las pode levar muito tempo. 

Então, acho que essa é a primeira parte para começar a funcionar. 

Em seguida, o foco principal é a iteração e o teste dos dados. É fundamental considerar a precisão e a confiabilidade dos resultados do MMM (Modelo de Markov de Markov). Existem diversas metodologias e técnicas, como o geolift ou testes de incrementalidade, que permitem encontrar a verdade fundamental. 

Existem muitos parâmetros que você pode analisar, como métricas de erro que podem ser medidas para entender o quão próximo você está do resultado desejado... o quão confiável o modelo é nos resultados. Mas, basicamente, é preciso muito ajuste e iteração para chegar a esse ponto. O próximo passo, se você estiver chegando a algo em que realmente se sinta confiante, é a granularidade. Sabe, é fácil ter uma visão geral. 

É a primeira parte para pegar uma métrica de alto nível e descobrir... qual é o seu orçamento total, como ele afeta o resultado final, por exemplo. 

Mas se você quiser ser mais específico, pense em um segmento por país, como uma quebra de fonte ou algo ainda mais detalhado. Nesse caso, serão necessários muito mais dados e ajustes para cada segmento que você estiver tentando processar. 

E isso sem nem me levar a pensar em outros fatores externos que possam estar afetando seus números. 

Portanto, a MMM depende muito disso, baseando-se em ter o máximo de informações possível sobre o que está acontecendo. Mesmo que você saiba quais ações suas estão afetando os resultados, também é preciso considerar outros fatores externos, como a concorrência e o setor em geral, que podem estar influenciando os resultados. É extremamente difícil coletar e realmente entender... qual é o resultado final e qual a sua precisão? 

Então, alguns exemplos dos desafios que temos ouvido muito de quem realmente tentou explorar as possibilidades…

John Koetsier:

Isso já está me cansando. Quer dizer, tipo…

Eran Friedman:

Hahaha!

John Koetsier:

... definitivamente precisamos de uma solução fácil para isso, porque nenhum desses desafios tem solução rápida. 

Você poderia passar meses coletando todos os seus dados, construindo seus modelos e fazendo testes. E depois você pensa: "O que eu ganhei com isso? O que eu consegui?" 

Certo… então… você não disse de cara que encontrou um botão fácil, mas disse que encontrou uma maneira de torná-lo significativamente mais fácil. Como Singular o tornou significativamente mais fácil?

Eran Friedman:

Certo. Então, acho que, ao projetarmos o produto, queríamos mesmo nos basear em nossos pontos fortes e em nosso diferencial competitivo no mercado. 

Então, Singular … há anos que estamos expandindo nossa coleta de dados, um produto essencial, que se concentra em obter uma cobertura completa de qualquer tipo de investimento que você possa ter em seu mix de marketing. Isso já é parte fundamental do nosso produto há anos, certo? Portanto, esse tem sido o nosso compromisso com os nossos clientes: coletar qualquer tipo de integração de canal de mídia, arquivo Excel, o que for. Nosso objetivo é sempre cobrir 100% do seu orçamento de mídia. E isso é parte essencial do nosso produto. 

Isso também significa que todos os nossos clientes MMM têm cobertura total do seu orçamento desde o início. Já está integrado ao produto. 

Além disso, também disponibilizamos dados históricos aos nossos clientes e podemos integrar dados históricos para eles. 

Isso é essencial para o MMM. São necessários pelo menos um ou dois anos de dados para começar a processar as informações de forma precisa. Se você tiver menos de um ano, pode realizar alguns testes para calibrar o modelo. 

Mas, sem dúvida, isso também se deve ao fato de que... já somos a plataforma de medição e dados para nossos clientes, o que significa que já possuímos nosso histórico de dados. E podemos inseri-lo no processo de forma praticamente automática. 

Então, estamos partindo da cobertura e dos dados históricos que já estão disponíveis para nós e que todos os nossos clientes podem aproveitar. 

Agora que abordamos a parte dos dados, vamos chegar à parte da calibração. Como saber se os dados são precisos... ou como calibrá-los? Provavelmente falaremos sobre isso em breve, mas em qualquer framework de código aberto que você esteja usando, como Robyn, Lightweight MMM e similares, você precisa configurar limites para os resultados. Porque, ao executar o MMM, você pode obter resultados bastante estranhos. Ele pode gerar números negativos. Pode gerar milhares de porcento de ROI... números que não fazem sentido, certo? 

E geralmente é função dos cientistas de dados inserir alguns números fixos para estabelecer essas salvaguardas e mostrar, de fato, quais são as áreas gerais em que eles devem se concentrar. 

Novamente, a vantagem que temos como MMP é que possuímos pontos de dados adicionais que podemos usar para calibração. Por exemplo, se você estiver gerenciando o investimento em mídia digital, que faz parte do seu mix de mídia (e geralmente é esse o caso), você pode usar os resultados de atribuição direta para calibrar o modelo, definindo esses limites. 

Portanto, não se trata de fornecer a verdade absoluta, porque não é necessariamente a verdade absoluta, mas sim de indicar as áreas gerais em que o MMM deve se concentrar, auxiliando na calibração dos resultados.

John Koetsier:

Basicamente, um teste de sanidade.

Eran Friedman:

Exatamente. 

E então, se chegarmos à última parte, ao último desafio, que é realmente impraticável para qualquer cientista de dados que tente desenvolver isso internamente, é o que está acontecendo fora de seus esforços existentes. 

Então, o que está acontecendo com os concorrentes... o que está acontecendo no setor? Algo que, se você usar sua própria solução interna, independentemente da estrutura de código aberto que usar, você realmente não terá acesso. Ao usar as estruturas de código aberto disponíveis, você tem a opção de inserir manualmente qualquer informação que considere relevante para seus dados, como datas importantes de feriados ou horários específicos em que eventos podem ter ocorrido. 

É tão binário e bastante simplificado.

John Koetsier:

Hum-hum.

Eran Friedman:

O fato de termos muitos dados de diversos clientes faz parte dos nossos dados de referência. Podemos detectar automaticamente essas tendências e saber exatamente qual o efeito de cada data especial em cada segmento.

Ao analisar as tendências nos dados, você pode perceber que, por exemplo, esta data era o Natal. Esta data era o Dia de Ação de Graças. Esta data foi quando aconteceu o Super Bowl e como isso tem um efeito orgânico nas suas vendas sem nenhum esforço. Está tudo nos próprios dados... pontos de dados que podem realmente otimizar esses modelos para a sua ciência de dados, basicamente.

John Koetsier:

Isso é muito importante porque sempre me questionei quando olho para a MMM: e se meu concorrente lançasse uma campanha de marketing gigantesca, gastando dezenas de milhões de dólares por mês, e isso me afetasse, afetasse o mercado, e eu não soubesse disso?. 

E se acontecer algo diferente? 

Quer dizer, eu tenho pensado no novo aplicativo Threads. 

Ao pesquisar "Threads" na App Store, o aplicativo oficial do Threads não aparece em primeiro lugar. Pelo menos não apareceu para mim ontem quando tentei. Existem vários outros aplicativos chamados Threads e um deles se chama Threads – Não é do Instagram. Então…

Eran Friedman:

Hehehe

John Koetsier:

 … eles já ajustaram esse nome. 

Mas pode apostar que quando algo assim acontece, algum evento massivo ocorre, centenas de milhões de pessoas estão fazendo algo… que tem um impacto em outros lugares. E se você não consegue ver isso, se não consegue perceber essa realidade externa, seu MMM (Método de Monitoramento de Metais) será menos inteligente do que poderia ser, certo?

Eran Friedman:

Sim, acho que você mencionou os lançamentos do Threads e o impacto em outros aplicativos específicos. E você tem toda a razão. 

E você pode ver isso claramente quando analisa essas tendências; é realmente fascinante observar os efeitos de alguns desses fatores nos resultados. Por exemplo, uma das coisas que notamos foi o impacto da COVID no tráfego orgânico em todos os jogos de corrida. Houve uma data específica em março de 2020, se não me engano, em que foram anunciadas medidas de fechamento em certos países, não em todos, mas em alguns, por volta da mesma época. 

E, como se pode ver pelas tendências nos indicadores de desempenho, houve um aumento significativamente grande nas instalações orgânicas em geral, com diferentes graus de variação em cada país. 

Então, a menos que você saiba inserir esses dados por país no seu modelo, você pode pensar que foi um efeito do seu investimento em marketing, quando, na verdade, foi um fator externo que afetou seus resultados. É realmente fascinante ver como isso influencia os resultados.

John Koetsier:

Com certeza, a maré alta levanta todos os barcos, não é? 

Sabe, você se acha um herói, um gênio, pensa que seu marketing é incrível, mas talvez esteja abaixo da média, abaixo da tendência crescente. Por isso, precisa ser capaz de identificar esses impactos e entender o verdadeiro valor do seu trabalho. 

Você mencionou há alguns minutos o Robyn, que é um framework de código aberto para MMM. Existem vários outros frameworks para isso. Qual framework Singular está usando? Vocês estão usando o Robyn ou alguma outra tecnologia? 

E quais foram as suas decisões que o levaram a usar a tecnologia que está utilizando?

Eran Friedman:

Então, com certeza, nos inspiramos muito em Robyn e Lightweight. Existem várias bandas assim por aí. 

Após avaliarmos todas essas opções, acabamos construindo nosso próprio modelo com alguns conceitos semelhantes. Tentamos aproveitar as vantagens de cada um, mas percebemos que poderíamos fazer mais personalizações com base no nosso conhecimento do setor. 

Como mencionei sobre as tendências, que são um pouco mais binárias no caso do Robin, por exemplo, você precisa basicamente decidir sobre feriados e datas específicas, e é como um fator de sim ou não. Percebemos que podemos inserir muito mais em termos de efeitos específicos, que podem variar por país e segmento. Então, basicamente, usamos conceitos semelhantes, construímos nosso próprio modelo de regressão ponderada pelo tempo e nosso próprio modelo Bayesiano, e temos testado ambos, adicionando os detalhes ou entradas específicas que desejávamos em nosso modelo.

John Koetsier:

Isso só reforça o quão valioso é ter esses outros dados do ecossistema, certo? Porque digamos que você insira os feriados. Bem, qual é o impacto? Como você sabe? Você chuta... você insere os feriados. 

Mas se você observar os dados reais de downloads de aplicativos de segmentos semelhantes ou diferentes, não precisará ficar supondo que foi por causa do 4 de julho ou por outro motivo… “algo” aconteceu. A realidade mudou. A causa é quase… quer dizer, importa, mas quase não importa. 

Mas a realidade mudou. 

E como você está se adaptando a essa mudança? Está superando a concorrência ou não? Super, super interessante. 

Fale um pouco sobre as experiências dos clientes até agora. Acho que vocês lançaram a versão beta há alguns meses. Obviamente, já havia clientes que estavam trabalhando com ela antes disso. 

O que os clientes estão aprendendo? O que eles estão descobrindo?

Eran Friedman:

Sim, o feedback tem sido incrível, para ser sincero. Ficamos muito surpresos positivamente com a reação dos clientes. 

Uma das coisas que queríamos garantir, ou a pergunta que queríamos responder, era: como os clientes podem ter confiança nos resultados? E, na verdade, como um cliente, ao ver os resultados do MMM e também os resultados de atribuição com base em outras ferramentas, como SKAN ou último clique, poderia conciliar esses dois dados e entender em qual deles confiar? 

E podemos falar um pouco mais sobre a visão de longo prazo em torno da medição híbrida e como pensamos sobre isso, mas a reação inicial foi muito interessante de se observar porque, em muitos casos, nós a disponibilizamos inicialmente para os primeiros clientes beta e mostramos a eles os resultados. 

Sabe, um dos primeiros feedbacks que recebemos foi: "Nossa, isso realmente confirma as suspeitas que tínhamos internamente sobre algumas das diferenças entre os canais". E tem sido muito consistente com essas suspeitas. Pode ser que eles suspeitem que um determinado canal esteja sendo mal avaliado pela atribuição baseada no último clique e que, na verdade, contribua mais para o resultado final. Mas é muito difícil provar isso sem realizar testes de incrementalidade específicos ou um teste geral. 

E nem sempre é fácil gerir efetivamente as mudanças operacionais. 

Mas aí você vê os resultados e percebe a diferença entre eles. E isso deixa a equipe muito mais confiante de que, uau, parece haver um impacto significativo. Em vez de ficarem desconfiados e em um dilema, pensando "ai, não, o que eu vou fazer? Em que vou confiar?", eles ficam mais confiantes de que vale a pena investir ainda mais na tese, talvez até mesmo executar um teste incremental para ver se ele gera resultados melhores. 

E esse tem sido um feedback bastante consistente entre todos os clientes beta que testaram o produto desde o início, percebendo novas informações e confirmando algumas suspeitas que tinham ou pensando sobre as coisas de uma maneira diferente, dizendo: "Hum, isso é realmente muito interessante". 

Nunca imaginamos que isso pudesse ter um efeito tão dramático. 

Acho que uma das coisas mais interessantes é que alguns clientes que já usavam o MMM antes comentaram que era muito trabalhoso obter, manter e atualizar os dados. E, de repente, a primeira experiência é basicamente gerar relatórios do MMM prontos para uso. 

Isso foi de deixar alguns deles de boca aberta, não é? 

Então, tudo totalmente automatizado, sem necessidade de intervenção humana, apenas obtendo insights iniciais. Isso tem sido realmente incrível. Eles podem mergulhar nos resultados e, a partir daí, pensar em como aprimorá-los, resolvendo um problema crítico no trabalho de implementação do MMM, e o feedback tem sido fantástico.

John Koetsier:

Há muita coisa para analisar no que você acabou de dizer. 

Primeiramente, acho que você acabou de dizer que sim, existe um botão fácil. Não vou deixar você comentar sobre isso, então vou começar por aí. 🙂

Mas, em segundo lugar, o interessante é que me lembro das conversas, algumas dentro Singular, outras fora Singular, sobre o MMM, há um ano, dois anos, talvez três anos… 

O MMM nunca desapareceu. Ele existe há muito tempo, e houve algumas tentativas de implementá-lo aqui e ali, mas o feedback que se ouvia na indústria, antes da AT&T, era sempre o mesmo: não vale a pena. Temos o que precisamos. Podemos otimizar. As coisas estão funcionando. Tudo está bem. Por que iríamos por esse caminho? 

E o que você está dizendo é que as pessoas que estão usando e fazendo isso estão obtendo insights. Estão obtendo valor. Estão confirmando suspeitas e, em outros casos, encontrando novas informações que estão mudando a forma como investem em publicidade, mas também talvez confirmando algumas das coisas que suspeitavam.

A terceira coisa que você disse, e que é realmente interessante, e que eu quero abordar agora, é uma preocupação que temos ouvido de profissionais de marketing mobile de alto nível, realmente incríveis e experientes, que eu respeito muito: quando se tem várias métricas, o que é realmente verdadeiro? 

É aquela velha questão, não é? Quando você tem dois relógios, você não sabe que horas são, porque eles marcam horas diferentes, certo? Então você não sabe qual deles está certo. Quando você tem apenas um, você simplesmente o aceita porque é a realidade, é a realidade padrão. 

E o que você disse é que adicionar esse tipo de medida não aumentou a confusão, não tornou as coisas mais difíceis, na verdade, as simplificou. Explore isso um pouco mais a fundo. 

Onde essa metodologia de medição se encaixa para os clientes?

Eran Friedman:

Sim, e acho que é uma ótima pergunta. Ela se conecta muito com a estratégia ou abordagem sobre a qual temos escrito bastante e conversado muito com os clientes. E acho que tudo depende das expectativas e dos casos de uso que os clientes precisam. 

Se eles estão tentando usar o MMM para otimizar seus criativos ou subcampanhas, isso será muito difícil. E acho que alguns profissionais de marketing que tentaram essas abordagens para uma otimização muito granular obtiveram resultados completamente errados ou extremamente específicos, basicamente espelhando os resultados de atribuição, e isso simplesmente não teve muito valor. E acho que essa foi talvez uma das diferentes abordagens... na nossa opinião, a abordagem errada. 

E o que temos discutido em Medição Híbrida é que existem muitos conjuntos de dados disponíveis, incluindo os do SKAN e do Privacy Sandbox, amostras de usuários, testes de incrementalidade e etc. Cada um deles tem casos de uso diferentes. Eles devem fornecer insights distintos para responder a perguntas diferentes. 

Portanto, você pode estar usando os melhores conjuntos de dados para otimizar suas campanhas ou operações diárias, que podem estar dependendo dessas estruturas digitais baseadas no último clique. 

Mas se você está tentando planejar seu orçamento para o próximo trimestre ou entender a contribuição holística dos esforços de remarketing para os resultados, o último clique apresenta algumas desvantagens, certo? É muito difícil entender o efeito das suas campanhas com influenciadores, os efeitos de viralização ou a canibalização entre esses canais. 

E é aí que a MMM realmente se destaca. 

Assim, quando o cliente entende os diferentes casos de uso que deve utilizar para o MMM, tudo faz muito mais sentido. Ele realmente vê as diferenças nos resultados por canal e entende de onde vêm. Qual é a causa? Obviamente, quando você analisa o método baseado no último clique e entende o conceito, os vieses e as vantagens que ele apresenta, e o compara com a metodologia MMM, para o canal de forma mais estratégica ou em um nível mais amplo, você verá algumas diferenças. 

Mas ter esse contexto de repente explica as coisas e realmente permite que você... de repente, você olha para seus resultados operacionais sob uma perspectiva diferente, certo? Porque você também sabe que está faltando alguma informação. 

E isso permite que você tome decisões melhores, essencialmente. 

Resumindo, tudo se baseia no contexto dos casos de uso para cada conjunto de dados. E em usá-lo com as expectativas e o entendimento corretos. No fim das contas, e voltando à primeira pergunta que você fez sobre o atalho, com os avanços tecnológicos que tivemos, eu diria que é definitivamente fácil obter os resultados com tudo o que investimos. 

O desafio reside no aspecto educacional, no treinamento, na mentalidade necessária para entender quando usar cada recurso e como conciliá-los. E, mais uma vez, o primeiro feedback que recebemos nos surpreendeu bastante pela melhor compreensão de como utilizar cada um deles.

John Koetsier:

Vamos olhar para frente. Vamos olhar para o futuro. 

Você lançou o produto em versão beta. Os clientes estão usando. Você está recebendo feedback positivo. Qual o próximo passo? Há mais pontos de dados que você gostaria de adicionar? Há alguma tecnologia adicional? Quero dizer, tudo está sempre evoluindo. Então, de certa forma, isso é natural e normal. Mas para onde você acha que isso está caminhando? Há alguma coisa importante que você gostaria de adicionar em termos de visão geral?

Eran Friedman:

Sim, uau, temos muitos planos para este produto. Acreditamos que ele tem um enorme potencial e que os relatórios do MMM podem fornecer diversos casos de uso e tipos de insights. 

Algumas dessas coisas já foram discutidas, como a abordagem de medição híbrida, a capacidade de comparar os relatórios do MMM com outros e a otimização da geração de relatórios e da usabilidade para as diferentes perguntas ou casos de uso que você tenha... então, definitivamente, esse é um aspecto no qual estamos investindo continuamente. 

Existem também outras funcionalidades para o MMM que tradicionalmente não são contempladas por diferentes metodologias de mensuração, como a otimização da alocação de orçamento. Essas são áreas em que as estruturas de código aberto também oferecem ótimas ferramentas, visualizações e relatórios, que podemos adicionar ao nosso produto. Além disso, nosso objetivo principal é torná-lo cada vez mais acessível e fácil de usar para qualquer profissional de marketing que queira experimentá-lo. 

Essas são algumas das áreas que consideramos.

John Koetsier:

Super interessante, porque seu primeiro ponto me faz pensar em como você gera relatórios, como isso aparece no seu painel. Isso muda. Está sempre mudando e evoluindo, certo? E também depende de quem você é e das perguntas que quer responder. E se você quiser comparar seu último clique com seu MMM (Meta-Meta-Meta), como isso fica? Como funciona? São coisas diferentes, mas são coisas do mesmo pomar.

Eran Friedman:

Hum-hum.

John Koetsier:

Muitos desafios, super interessante… e é ótimo que exista pelo menos uma solução fácil para essa estrutura notoriamente complexa. Muito obrigado, Eran.

Eran Friedman:

Sim, obrigado por me receber novamente, John. É sempre um prazer falar aqui.