Autor
The Bridge - Café Data
Aleksandra Semenenko, diretora da Data Science & Global lead on Marketing Measurement da Artefact, conversou recentemente com Emmanuel Malherbe, diretor da Research Center da Artefact, para discutir os modelos de MMM que a empresa vem desenvolvendo e as tendências que estão surgindo nos clientes atualmente.
A modelagem do mix de marketing é um tópico oportuno. O que o Artefact tem feito no campo do MMM ultimamente?
Nos últimos três anos, criamos modelos para ajudar as empresas e nossos clientes a entender o ROI de sua mídia, publicidade e outros tipos de coisas que geram novos tipos de investimentos.
Desenvolvemos vários modelos, experimentando coisas tão simples como regressão e tão sofisticadas como redes Bayesianas. É um momento muito empolgante para nós.
Quais são as diferentes tendências que o senhor está vendo com seus clientes atualmente?
Observamos três tendências principais em nossos clientes em um nível bastante global.
A primeira tendência é a internalização do MMM nas empresas. Como o Artefact dá suporte a isso?
Na Artefact, lidamos com isso por meio de nossa abordagem internalizada, o que pode parecer contraintuitivo para uma empresa de consultoria, mas está alinhado com a forma como ajudamos os clientes a desenvolver essa capacidade em suas organizações.
Muitos de nossos clientes querem internalizar o MMM, mas precisam de ajuda para dar esse primeiro passo. Nossa solução é trabalhar com as equipes de negócios para descobrir qual é a verdadeira agenda de aprendizado: o que os clientes querem aprender sobre suas atividades de marketing ou vendas? Esse seria o primeiro passo. E, como segundo passo, desenvolvemos nosso próprio modelo como serviço, que colocaremos em diferentes plataformas e disponibilizaremos aos nossos clientes.
Nossas equipes de tecnologia trabalham lado a lado com nossos clientes para implementar nosso IP e atualizar suas equipes. Normalmente, deixamos que nossos clientes continuem sua jornada de MM por conta própria, mas se eles quiserem suporte adicional, é claro que o forneceremos, essa é a nossa filosofia.
A segunda tendência é que os clientes querem resultados e percepções mais rápidos. Como o Artefact ajuda as empresas a atingir essas metas?
Há dois tipos principais de recursos que os clientes desejam; o primeiro é pragmático: obter resultados rápidos e iterar rapidamente com o data disponível. O segundo é uma extensão do primeiro e envolve soluções inovadoras de IA que temos com a rede bayesiana ou que podemos incorporar com a GenAI para aumentar a eficiência da equipe.
Para chegar rapidamente a esse primeiro ROI, desenvolvemos uma maneira de trabalhar com os clientes em que começamos implementando a primeira abordagem pragmática no início, de modo que já capacitamos as equipes com esses insights rápidos e, em seguida, continuamos a iterar e, nesse ponto, o armazenamento interno realmente ajuda, pois, dessa forma, temos acesso realmente rápido a toda a pilha de tecnologia; temos acesso rápido ao data e podemos fazer essa ligação entre a atualização do modelo, entre a atualização dos resultados e entre a implementação deles nos negócios com muita rapidez.
Dessa forma, nossos clientes obtêm resultados rápidos, eles ainda têm sua capacidade interna e nós temos a capacidade de tempo, a equipe e o orçamento para implementar grandes inovações que estão disponíveis agora para nós com a GenAI.
Como funciona a abordagem de ponta a ponta do Artefact?
Tentamos economizar tempo descobrindo qual é o melhor modelo a ser usado porque já tentamos muitas vezes, sabemos mais ou menos quais abordagens funcionam, portanto, dentro do cronograma normal do projeto para conectar a estratégia e as operações, precisamos de tempo para conversar com as pessoas, precisamos alinhar a agenda de aprendizagem global com a agenda de aprendizagem local e de uma forma ou de outra. E o restante do tempo que passamos com a empresa para garantir que os resultados que nossos MMMs fornecerão estejam alinhados com outros estudos que o cliente tenha feito, seja com testes AB ou com outros MMMs, e nós realmente fazemos essa ligação e reunimos todos os insights, é mais uma função analítica e consultiva do que trazer um monte de cientistas data e construir a IA do zero.
O senhor pode compartilhar um exemplo concreto do impacto que o MMM tem em uma organização? Que papel a IA desempenha nisso?
Vou lhe dar um exemplo de conexão entre o departamento operacional e o estratégico e a tomada de decisões na empresa.
Tínhamos um cliente - sem nomes, desculpe! - e esse cliente estava muito avançado em sua jornada de medição. Eles haviam feito muitos estudos, testes AB, modelos de mix de marketing em nível global e local. E outra pessoa da organização convidou a Artefact para fazer um estudo com um escopo um pouco diferente. Quando chegamos, descobrimos que havia muitos estudos que haviam sido feitos no passado com escopos quase iguais ou adjacentes, e achamos muito valioso reutilizar todos esses insights, pois alguns deles eram muito estratégicos, traçando o caminho da empresa, e um deles era muito operacional, com testes AB, experimentando muitas inovações diferentes. Queríamos realmente unir esses insights para apresentar uma imagem holística da empresa que não havia sido feita antes.
E como nosso modelo e nossa abordagem MMM se baseiam em métodos bayesianos que aprendem com o contexto de negócios do cliente, conseguimos ter sucesso, e o primeiro valor agregado de nosso modelo foi “aqui está o ROI disso, aqui está o ROI daquilo”, mas o segundo valor agregado foi realmente unificar toda a cadeia de valor de negócios, das operações à estratégia, usando IA.
Então, com seu modelo, o senhor uniu insights de negócios, mas também as equipes e as pessoas?
É verdade, mas às vezes pode haver desafios porque há equipes diferentes fazendo a medição e os testes AB e trazendo-os para a empresa. Conseguimos criar uma história que foi compartilhada por todos, o que realmente ajudou a acelerar os negócios sem ter que lidar com pequenas inconsistências aqui e ali. Quando o senhor tem uma visão holística de todos os insights que reuniu ao longo dos últimos anos, isso realmente resolve o problema da comunicação operacional.
O senhor tem algum último comentário sobre o futuro da modelagem do mix de marketing?
Uma coisa eu posso dizer aos senhores: a modelagem do mix de marketing veio para ficar. As empresas querem ver os resultados de suas ações. As empresas estão tomando muitas iniciativas e reorganizando seus lagos de data e a maneira como o data é consumido internamente. As organizações estão prestando muita atenção ao data governance. Acredito que o futuro está na eficiência: a modelagem do mix de marketing terá de se tornar mais rápida, mais rigorosa, mais simples de ser explicada às partes interessadas da empresa e mais facilmente acessível aos analistas de negócios. E a GenAI é importante porque pode permitir que os clientes consultem os resultados do MMM e criem o reports por conta própria, sem necessariamente ter muitas habilidades técnicas. Portanto, a modelagem do mix de marketing definitivamente não vai a lugar nenhum: ela vai permanecer e evoluir para se tornar mais eficiente e mais facilmente acessível.
