Aprendizado de máquina e RoAS na publicidade digital

20 junho

Não é novidade que a velocidade das mudanças tecnológicas que estamos vivenciando é um grande desafio para as empresas. Adaptar-se a isso, manter os talentos de sua empresa atualizados e fazer uso eficiente dos recursos são tarefas cada vez mais desafiadoras.

De

Boomit – Marketing de crescimento

acompanhamos o desenvolvimento de produtos digitais trabalhando como parceiros estratégicos de nossos clientes.

Ser parceiro significa que nos juntamos à sua estrutura, às equipes e aos especialistas que eles já possuem, a fim de acrescentar a capacidade tecnológica e o talento que temos desenvolvido há anos para o crescimento saudável desse tipo de aplicativo.

Na Boomit, estudamos a oportunidade de negócios e, se entendermos que há uma boa sinergia entre a empresa e nossas capacidades, aceitamos o desafio e assumimos riscos. Esses riscos são fundamentais, pois alinham os objetivos de nossos parceiros com os nossos. Essa é realmente uma receita que não falha.

Neste artigo, vamos lhe dizer qual é a chave para o sucesso do ponto de vista do Growth Marketing for Apps.

 

O que você aprenderá com este artigo?


1 O que é aprendizado de máquina (ML)
em uma estratégia de Marketing Digital baseada em dados e por que é tão importante ter uma equipe especializada nisso.

2. Como alimentar automaticamente o aprendizado de máquina (ML) com dados RoAS para alinhar a saúde dos negócios com a estratégia de publicidade.
alinhar a saúde dos negócios com a estratégia de publicidade.


3. Como fazer a modelagem de LTV
(Valor da vida útil)
e vinculá-lo ao seu CAC
(Custo de aquisição do cliente).

 


A chave para
para o sucesso

Quando conversamos com empresas de produtos digitais, encontramos diferentes estágios no nível do produto e no nível de maturidade da equipe. Os níveis de talento e as áreas de especialização são realmente muito variados, mas há uma área em particular que se destaca por ser sempre um grande problema: “como usar dados para tomar decisões, gerar relatórios e otimizar a estratégia de marketing”.

É como se todo o setor de marketing sentisse que está trabalhando às cegas em um momento da história em que a IA, o aprendizado de máquina (ML) e a automação são a única maneira de sobreviver e crescer na velocidade que as empresas precisam.

Dentro dessa realidade complexa, as equipes de finanças não conseguem conectar seus relatórios com o marketing, o marketing não consegue se conectar com a equipe de produtos e o C-Level não sabe quais dados analisar ou como lê-los para tomar decisões. No final, muitas vezes eles nem sabem se a empresa é lucrativa ou se tem um fluxo de caixa projetado saudável.

A Boomit foi criada como uma empresa especializada em tecnologia e consultoria de marketing de crescimento (Martech) para resolver esse problema.

Vamos agora começar a usar uma linguagem um pouco mais técnica.

De maneira bem simplificada, esses são os três pontos críticos que as empresas de produtos digitais não conseguem resolver por falta de habilidades, por não terem a tecnologia certa e porque o talento nessas áreas é escasso ou quase inexistente quando se procura por ele no setor de marketing digital.

Os 3 pontos críticos a serem resolvidos:

1. aprendizado de máquina orientado por RoAS.

2. Conectores de dados, rastreamento e atribuição centralizada

3. Comunicação digital e
e projetos criativos baseados em metodologia científica
.

 

O que é é “RoAS-orientado para o aprendizado de máquina”? ?

Quando falamos de marketing digital e aprendizado de máquina (ML), de uma forma bem simplificada, podemos dizer que o ML é a maneira pela qual as plataformas de publicidade atuais conseguem entender como e para quem mostrar sua mensagem publicitária.

A boa notícia é que esses algoritmos computacionais de ML funcionam muito bem quando enviamos sinais corretamente e na taxa mínima indicada (ou seja, dados suficientes em um determinado período de tempo). A má notícia é que acertar os sinais costuma ser um grande desafio para as empresas e equipes de marketing.

Para enviar os sinais corretamente, as etapas a seguir devem ser seguidas:

  1. Definir corretamente quais sinais devem ser alimentados no DML.
  2. Realize a configuração correta para enviar dados entre esses sistemas.
  3. Atingir a velocidade mínima necessária no envio desses dados para que o ML funcione (geralmente, nessa área de marketing, conseguimos isso com a quantidade certa de investimento em publicidade).

É isso, seguindo essas etapas, poderemos tirar o máximo proveito do ML das plataformas de publicidade.

Agora, como introduzimos a palavra RoAS na conversa sobre ML?

Na grande maioria das vezes, observamos que as estratégias de marketing das empresas de produtos digitais se baseiam na otimização do custo de aquisição de cada novo usuário e, em alguns casos, também vemos uma estratégia de retenção. Mas se olharmos apenas para isso, caímos no que chamamos de “armadilha da CCS” na Boomit.

Suponhamos que tenhamos um aplicativo como a Amazon, cujo objetivo é adquirir compradores e vendedores. Isso significa que, por um lado, precisamos desenvolver uma estratégia para adquirir empresas que queiram vender no Marketplace e, por outro lado, uma estratégia para trazer compradores interessados nos produtos que os vendedores querem vender.

Para simplificar esse exemplo, vamos nos concentrar primeiro nessa segunda parte: aquisição de compradores na Amazon.

Qual seria o CCS nesse exemplo? Bem, poderíamos dizer que ele é um usuário que:

  • Faça o download do aplicativo
  • Sua conta foi criada
  • Faz sua primeira compra na Amazon

Portanto, para o nosso exemplo, o CAC é o custo de aquisição de um cliente que segue essas três etapas.

Você vê algum problema nisso?

Você deveria!

Se orientarmos todo o aprendizado de máquina (ML) apenas para o CAC, diremos ao ML que só estamos interessados em pessoas que seguem essas três etapas.

Isso pode nos causar muitos problemas, pois, para que o negócio seja viável, não precisamos apenas de usuários que façam a primeira compra, mas precisamos de usuários fiéis que continuem comprando e com um perfil específico que viabilize sua retenção ao longo do tempo, aumentando seu LTV (Lifetime Value) e permitindo que esse usuário seja lucrativo para a Amazon.

Levando esse mesmo raciocínio para o caso da aquisição de vendedores, se visarmos apenas o CAC, traremos usuários que talvez tenham criado sua loja na Amazon muito rapidamente, mas que não sabem como vender ou que não dão importância suficiente ao seu empreendimento…

No final, cegos pelo baixo custo de aquisição, podemos estar trazendo usuários de baixo valor, destruindo a saúde do negócio.

O ponto mais alto de lucratividade nos negócios geralmente não está no CAC mais baixo possível, mas em um valor mais alto do que esse mínimo aparentemente ideal.

Está vendo para onde a conversa está indo?

No exemplo, estamos perdendo sinais! Estamos dizendo ao ML para procurar as pessoas erradas!

Para encontrar as pessoas certas, é fundamental alimentar os algoritmos de ML das plataformas de publicidade com sinais de CAC, mas também RoAS, receita ou frequência de compra, entre outros.

Com isso coberto, podemos começar a analisar os KPIs do CAC e compará-los com o RoAS projetado dos usuários que estamos adquirindo no dia a dia.

Esse é outro desafio que apresentaremos a você a seguir.

RoAS e LTV projetado

Uma vez que sabemos que a aprendizagem automática está tomando decisões de acordo com os objetivos comerciais da empresa, para saber se nosso CCS é adequado, precisamos usar Modelos preditivos de Life Time Value (LTV). Esses modelos preditivos nos permitirão entender o quanto nossa estratégia de marketing está sendo lucrativa em termos de CAC, ou seja, nossos custos de aquisição.

Como podemos fazer isso?

Na Boomit, desenvolvemos várias metodologias para ajudar nossos parceiros a obter projeções confiáveis de LTV.

Os mais comuns são os modelos preditivos que levam em conta o comportamento passado e recente dos clientes que adquirimos. Cada proposta estratégica é então analisada e julgada com base em como estamos projetando esse LTV líquido em relação ao desempenho do CAC que estamos alcançando.

Esses modelos devem ser constantemente monitorados e ajustados, pois dependem de diversas variáveis.

Para este artigo, descreveremos uma dessas metodologias de projeção, mas é importante entender que é necessária uma análise dos dados de sua empresa para escolher a metodologia de cálculo desses modelos preditivos.

Metodologia ARPU cumulativa

O LTV pode ser lido como a soma da receita por usuário ao longo do tempo. Portanto, esse modelo se baseia em pegar os valores de receita fornecidos por um determinado grupo de usuários que desejamos estudar e, com esses pontos, calcular a função mais próxima possível que nos permita projetar o futuro.

Em geral, para esse método, usamos uma função logarítmica:

F(t)=A*ln(t+B)

F(t) – Valor acumulado por um usuário ao longo do tempo
t – Número de dias de vida do usuário

A e B. são as constantes que definirão a aproximação dessa função a esses pontos conhecidos e, portanto, também definirão a receita que esses usuários nos deixarão com o passar do tempo.

Para fazer uma boa projeção, é necessário tomar algumas precauções importantes:

– Curadoria de dados para a amostra

– Classificação de conjuntos de usuários para os quais consideramos que devemos adotar diferentes curvas de LTV (por exemplo, usuários incentivados vs. naturais).

– Quantidade mínima de dados para dar validade estatística à aproximação.

Assim que obtivermos nossa projeção, faremos uma referência cruzada com nosso custo de aquisição de clientes (CAC) atual. Isso nos dará uma medida do tempo em que recuperaremos o investimento.

Observe o gráfico abaixo, que mostra uma curva de projeção do valor de um cliente e como ela se cruza com o CAC que estamos obtendo atualmente. Para este exemplo, vemos que, após 100 dias, atingimos o ponto de equilíbrio em que nosso usuário nos custa o mesmo que o lucro que ele deixará na empresa.

Valor vitalício e CAC em publicidade digital para aplicativos

Caberá à equipe de finanças nos informar qual é o tempo de retorno do CAC que a empresa exige com base na visão dos acionistas, nos fatores competitivos e no valor futuro da base de clientes.

Criar uma estratégia de aquisição e retenção saudável para sua empresa é uma arte que requer conhecimento em marketing, comunicação, análise de dados, estatística e aprendizado de máquina.

Na Boomit, trabalhamos com equipes especializadas nessas áreas para que nossa parceria com os clientes permita que eles transformem seus negócios com clareza de custos, alinhando e conectando as equipes de marketing, produtos, operações e finanças a um único objetivo.

Se você estiver interessado em adicionar esses recursos à sua empresa, vamos conversar, talvez possamos ser parceiros.

 

Copyright © 2023 Boomit.
All rights reserved. MOSEYA SA / 1011 Cassinoni , Montevideo, 11300, Uruguay / 12550 Domus Global Services LLC
/ Biscayne Blvd., Suite 406 North Miami, Florida.

Diagnóstico SEO Online

Insira o endereço do site da sua empresa e enviaremos um relatório para o e-mail que você indicar abaixo:

  • Complete suas informações de contato

    Se você quiser que trabalhemos em uma estratégia de marketing que nos permite atrair clientes para você e, em seguida, preencha as informações neste formulário:

  • Describe tu necesidad
  • Este campo é para fins de validação e não deve ser alterado.