A publicidade personalizada funciona tão bem quanto as empresas de tecnologia afirmam?

Várias grandes empresas de tecnologia criaram recentemente plataformas que afirmam educar as empresas sobre a melhor forma de comercializar a si mesmas e seus produtos on-line. Os exemplos incluem o Meta for Business (antigo Facebook for Business; "Obtenha orientação passo a passo, insights do setor e ferramentas para acompanhar seu progresso, tudo em um só lugar"), Think with Google ("Leve seu marketing mais longe com o Google") e Twitter for Business ("Faça seu negócio crescer com anúncios no Twitter"). Esses sites são muito atraentes. Eles fornecem às empresas de pequeno e médio porte uma abundância de informações genuinamente úteis sobre como fazer negócios on-line e, é claro, oferecem uma variedade de ferramentas e serviços de publicidade projetados para ajudar essas empresas a aumentar seu desempenho. Todos esses sites têm o mesmo objetivo básico. Eles querem que o senhor entenda que as ferramentas e os serviços deles são poderosos e altamente personalizados, e querem que o senhor invista seu dinheiro de marketing neles. Não é tão simples quanto parece O Facebook talvez seja a mais insistente das três empresas citadas acima. Nas últimas semanas, a empresa tem veiculado anúncios que contam todos os tipos de histórias inspiradoras sobre as pequenas empresas que ela ajudou com seus novos serviços. Talvez o senhor tenha visto alguns desses anúncios em aeroportos, em revistas ou em sites. My Jolie Candle, uma fabricante de velas francesa, "encontra até 80% de seus clientes europeus por meio de plataformas do Facebook". Chicatella, uma empresa eslovena de cosméticos, "atribui até 80% de suas vendas aos aplicativos e serviços do Facebook". A Mami Poppins, uma fornecedora alemã de artigos para bebês, "usa os anúncios do Facebook para gerar até metade de sua receita". Isso parece impressionante, mas será que as empresas realmente devem esperar efeitos tão grandes da publicidade? O fato é que, quando o Facebook, o Google, o Twitter e outras grandes empresas de tecnologia "educam" as pequenas empresas sobre seus serviços, muitas vezes elas estão, na verdade, incentivando conclusões incorretas sobre os efeitos causais da publicidade. Considere o caso de um cliente de consultoria nosso, uma empresa europeia de bens de consumo que, por muitos anos, posicionou sua marca em torno da sustentabilidade. A empresa queria explorar se um anúncio on-line que faz uma afirmação sobre conveniência poderia realmente ser mais eficaz do que um que faz uma afirmação sobre sustentabilidade. Com a ajuda do Facebook for Business, a TI executou um teste A/B dos dois anúncios e, em seguida, comparou o retorno sobre os gastos com publicidade entre as duas condições. O teste constatou que o retorno foi muito maior para o anúncio de sustentabilidade. Isso significa que é nisso que a empresa deve investir, certo? Na verdade, não sabemos. Há um problema fundamental com o que o Facebook está fazendo aqui: Os testes que ele está oferecendo sob o título de testes "A/B" não são, na verdade, testes A/B. Isso não é bem compreendido, mesmo por profissionais de marketing digital experientes. Então, o que realmente está acontecendo nesses testes? Aqui está um exemplo: 1) O Facebook divide um grande público em dois grupos, mas nem todos nos grupos receberão um tratamento. Ou seja, muitas pessoas nunca verão um anúncio. 2) O Facebook começa a selecionar pessoas de cada grupo e fornece um tratamento diferente, dependendo do grupo do qual a pessoa foi selecionada. Por exemplo, uma pessoa selecionada do Grupo 1 receberá um anúncio azul, e uma pessoa selecionada do Grupo 2 receberá um anúncio vermelho. 3) Em seguida, o Facebook usa algoritmos de aprendizado de máquina para refinar sua estratégia de seleção. O algoritmo pode aprender, por exemplo, que as pessoas mais jovens têm maior probabilidade de clicar no anúncio vermelho e, portanto, começará a veicular esse anúncio mais para os jovens. O senhor percebe o que está acontecendo aqui? O algoritmo de aprendizado de máquina que o Facebook usa para otimizar a distribuição de anúncios na verdade invalida o design do teste A/B. O que queremos dizer é o seguinte. Os testes A/B são criados com base na ideia de atribuição aleatória. Mas as atribuições feitas na Etapa 3 acima são aleatórias? Não. E isso tem implicações importantes. Se o senhor comparar as pessoas tratadas do Grupo 1 com as pessoas tratadas do Grupo 2, não será mais possível tirar conclusões sobre o efeito causal do tratamento, porque as pessoas tratadas do Grupo 1 agora diferem das pessoas tratadas do Grupo 2 em mais dimensões do que apenas o tratamento. As pessoas tratadas do Grupo 2 que receberam o anúncio vermelho, por exemplo, acabariam sendo mais jovens do que as pessoas tratadas do Grupo 1 que receberam o anúncio azul. Seja qual for o teste, não se trata de um teste A/B. A TI não se limita ao Facebook. O site Think with Google sugere que métricas semelhantes ao ROI são causais, quando, na verdade, são meramente associativas. Imagine que uma empresa queira saber se uma campanha publicitária é eficaz para aumentar as vendas. O site sugere que responder a essa pergunta envolve uma combinação direta de tecnologia básica e matemática simples. Primeiro, o senhor configura o acompanhamento de conversões em seu site. Isso permite que o senhor acompanhe se os clientes que clicaram em um anúncio fizeram uma compra. Em segundo lugar, o senhor calcula a receita total desses clientes e divide por (ou subtrai de) seus gastos com publicidade. Esse é o seu retorno sobre o investimento e , de acordo com o Google, é "a medida mais importante para os varejistas, pois mostra o efeito real que o Google Ads tem sobre o seu negócio". Na verdade, não é. A análise do Google é falha porque não tem um ponto de comparação. Para saber realmente se a publicidade está gerando lucros para sua empresa, o senhor precisaria saber qual seria a receita na ausência de publicidade. O Twitter for Business oferece uma proposta um pouco mais complexa. Primeiro, o Twitter trabalha com um corretor de dados para obter acesso a cookies, e-mails e outras informações de identificação dos clientes de uma marca. Em seguida, o Twitter acrescenta informações sobre como esses clientes se relacionam com a marca no Twitter - se eles clicam nos tweets promovidos da marca, por exemplo. Isso supostamente permite que os analistas de marketing comparem a receita média dos clientes que se envolveram com a marca com a receita média dos clientes que não se envolveram. Se a diferença for grande o suficiente, diz a teoria, isso justifica os gastos com publicidade. Essa análise é comparativa, mas apenas no sentido de comparar maçãs e laranjas. As pessoas que compram cosméticos regularmente não os compram porque veem tweets promovidos. Elas veem tweets promovidos de cosméticos porque compram cosméticos regularmente. Os clientes que veem tweets promovidos de uma marca, em outras palavras, são pessoas muito diferentes daquelas que não veem. Confusão causal As empresas podem responder a dois tipos de perguntas usando dados: Elas podem responder a perguntas de previsão (como em "Este cliente comprará?") e perguntas de inferência causal (como em "Este anúncio fará com que este cliente compre?"). Essas perguntas são diferentes, mas facilmente confundidas. Para responder a perguntas de inferência causal, é necessário fazer comparações contrafactuais (como em "Esse cliente teria comprado sem esse anúncio?"). Os algoritmos inteligentes e as ferramentas digitais criados pelas empresas de Big Tech geralmente apresentam comparações de maçãs a laranjas para apoiar inferências causais. As grandes empresas de TI devem estar bem cientes da distinção entre previsão e inferência causal e de como ela é importante para a alocação eficaz de recursos - afinal, há anos elas vêm contratando algumas das pessoas mais inteligentes do planeta. A segmentação de prováveis compradores com anúncios é um problema de previsão pura. A TI não exige inferência causal e é fácil de fazer com os dados e algoritmos atuais. Persuadir as pessoas a comprar é muito mais difícil. As grandes empresas de tecnologia devem ser elogiadas pelos materiais e ferramentas úteis que disponibilizam para a comunidade empresarial, mas as pequenas e médias empresas devem estar cientes de que as plataformas de publicidade estão buscando seus próprios interesses quando oferecem treinamento e informações, e que esses interesses podem ou não estar alinhados com os das pequenas empresas. Nota do editor (16/12): O título deste artigo foi atualizado.

A publicidade personalizada funciona tão bem quanto as empresas de tecnologia afirmam?

Resumo.

Partner Center