Autor
The Bridge - Café Data
Aleksandra Semenenko, diretora de ciência Data e líder global em medição de marketing da Artefact, conversou recentemente com Emmanuel Malherbe, chefe do 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 Artefact tem feito no campo do MMM ultimamente?
Nos últimos três anos, criamos modelos para ajudar as empresas e nossos clientes a entenderem 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 você está observando em 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 Artefact as apóia?
Na Artefact, lidamos com isso por meio de nossa abordagem internalizada, que pode parecer contraintuitiva para uma empresa de consultoria, mas está alinhada 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 precisarem de 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 Artefact ajuda as empresas a atingir esses objetivos?
Há dois tipos principais de recursos que os clientes desejam; o primeiro é pragmático: obter resultados rápidos e iterar rapidamente com os data disponíveis. O segundo é uma extensão do primeiro e envolve soluções inovadoras AI 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 aos data e podemos fazer essa ligação entre a atualização do modelo, entre a atualização dos resultados e entre a implementação deles nos negócios muito rapidamente.
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 da 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 grupo de cientistas data e construir a AI do zero.
Você pode compartilhar um exemplo concreto do impacto que o MMM tem em uma organização? Qual é o papel da AI nesse processo?
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 dentro da organização convidou Artefact para fazer um estudo em um escopo ligeiramente 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, porque 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.
Como nosso modelo e nossa abordagem de MMM baseiam-se 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 AI.
Então, com seu modelo, você 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 você tem uma visão holística de todos os insights que reuniu nos últimos anos, isso realmente resolve o problema da comunicação operacional.
Você tem algum último comentário sobre o futuro da modelagem do mix de marketing?
Posso lhe dizer uma coisa: a modelagem do mix de marketing veio para ficar. As empresas querem ver os resultados de suas ações. As empresas estão realizando muitas iniciativas e reorganizando seus lagos data e a forma como data são consumidos dentro deles. As organizações estão prestando muita atenção à governança data . Acredito que o futuro está na eficiência: a modelagem do mix de marketing terá que se tornar mais rápida, mais rigorosa, mais simples de explicar para as partes interessadas da empresa e mais facilmente acessível para os analistas de negócios. E a GenAI é importante porque pode permitir que os clientes consultem os resultados do MMM e criem reports por conta própria, sem necessariamente ter muitas habilidades técnicas. Portanto, a modelagem do mix de marketing definitivamente não vai a lugar algum: ela vai permanecer e evoluir para se tornar mais eficiente e mais facilmente acessível.
