Notícias de dispositivos móveis, gadgets, aplicativos Android

Encontrando públicos semelhantes no mundo do marketing que prioriza a privacidade

A modelagem semelhante tem sido uma parte importante do kit de ferramentas de mídia na última década, permitindo que as marcas aumentem seu público-alvo ao reunir um grupo central de indivíduos com melhor desempenho, agrupá-los e usar dados e tecnologia para encontrar outros indivíduos como eles.

Nos últimos anos, as plataformas de gestão de dados (DMPs), os cookies de terceiros e os seus dados associados tornaram-se obsoletos devido à autorregulação dos fornecedores de tecnologia e à legislação como CCPA e GDPR.

O afastamento dos cookies de terceiros e das sobreposições de dados de terceiros nos cookies está fazendo com que o tamanho total do público-alvo diminua, à medida que os indivíduos têm menos identificadores associados (cookies aos quais se conectar).

No entanto, a modelagem semelhante também pode ajudar as empresas a aproveitar seus dados próprios para construir segmentos robustos em grande escala para fins de marketing e publicidade.

O vice-presidente regional de parcerias estratégicas da Tealium para as Américas Travis Cameronexplicou que o valor de ser capaz de expandir as populações-alvo com base em dados associados a um segmento de alto valor assumirá uma dimensão diferente.

Essas mudanças vão desde os identificadores usados ​​(dados PII com hash para combinar e expandir) até a utilização de diferentes tipos de dados (contextuais, baseados em interesses, caminhos) versus dados inferidos demográficos ou psicográficos usados ​​anteriormente.

“O valor permanece – os profissionais de marketing precisam de atenção, e a busca por indivíduos como aqueles que acabaram de converter para otimizar os gastos sempre terá um alto valor associado como tática”, disse Cameron. “Será mais difícil modelar e expandir seu público.”

Compreendendo o modelo de aprendizado de máquina

“Dada a complexidade do uso de grandes quantidades de dados próprios para construir segmentos, é importante que as empresas entendam como a modelagem está chegando às suas conclusões, entendendo quais recursos são usados ​​para construir o modelo e sua importância relativa”, explicou Alex Holub, CEO da Vidora. “Além disso, é importante compreender o objetivo final do segmento de sósias.”

Nós recomendamos:  Meta testa o recurso 'Roll Call' para Messenger, oferece aos usuários uma experiência Pay-to-Play

Por exemplo, se o objetivo é maximizar os cliques em uma campanha de marketing, usar um modelo de aprendizado de máquina que otimize diretamente os cliques produzirá um desempenho muito melhor do que um modelo semelhante semissupervisionado.

Holub explicou que o aprendizado de máquina oferece alguns benefícios importantes ao construir segmentos semelhantes:

Primeiro, o aprendizado de máquina adapta continuamente os segmentos com base nas informações mais recentes disponíveis. Ao aprender continuamente, o aprendizado de máquina pode incorporar novas atividades ou ações dos usuários, além de mudanças seculares mais amplas que impactam os comportamentos de todos os usuários.

Em segundo lugar, o aprendizado de máquina aprende implicitamente a importância dos comportamentos e atributos do usuário, o que permite que o aprendizado de máquina aproveite todos os dados primários disponíveis e aumente ou diminua implicitamente a importância de cada ponto de dados.

“Em outras palavras, o aprendizado de máquina pode incorporar todos os dados primários disponíveis e aprender quais informações são mais importantes para o modelo”, disse Holub.

Cameron observou que é importante ter um conjunto de dados limpo e correlacionado de seus clientes que contenha dados semelhantes sobre cada consumidor antes de iniciar o exercício. “Saiba o resultado que você está procurando. Qualquer modelo que você estiver usando precisa ser desenvolvido e aplicado com um resultado em mente, então descubra o que você está tentando otimizar com esse público”, disse ele.

Ele recomendou o uso de uma abordagem ágil para testar, aprendendo rapidamente e garantindo que você tenha um plano de teste em vigor à medida que começa a agir de acordo com a resposta do público. “Saiba por onde você planeja ativar o público e certifique-se de ter os pontos de identidade e integrações corretos para ativar.”

Nós recomendamos:  FacebookA ferramenta de privacidade Clear History do finalmente começa a ser implementada em três países

Implantando ciência de dados em grupos-alvo

As plataformas de ciência de dados também podem oferecer uma solução rápida e confiável para as empresas modelarem seus dados próprios. Por exemplo, o produto Cortex da Vidora ajuda as empresas a construir, compreender e integrar modelos semelhantes em seus negócios em poucos dias.

“Para equipes menores e que precisam se mover rapidamente, uma plataforma de ciência de dados pode aumentar a produtividade e ser de grande valor”, disse Holub. Ele acrescentou que atualmente vê muitas empresas aproveitando a modelagem semelhante como uma caixa preta – normalmente como um componente de seu DMP.

No entanto, dada a crescente dependência organizacional da modelação semelhante utilizando dados próprios como principal fonte de receitas, ele prevê que as empresas começarão a aproveitar técnicas de ciência de dados mais sofisticadas.

“O uso de técnicas de ciência de dados deve resultar em segmentos de maior qualidade para as marcas comercializarem, mas também em segmentos que se alinham mais diretamente com os objetivos da marca”, disse ele.

Por exemplo, técnicas de ciência de dados fora da modelagem semelhante podem criar segmentos que otimizam diretamente o envolvimento do usuário (por exemplo, cliques), conversões downstream e aumento no sentimento da marca (por exemplo, modelagem de elevação).

“Acho que veremos uma dependência crescente de dados em tempo real para modelos semelhantes à medida que aumenta o número de usuários iniciantes e anônimos”, acrescentou Holub.

Cameron disse que as empresas com equipes menores de adtech e de dados precisam concentrar seus esforços no desenvolvimento e otimização de modelos e na compreensão de seus clientes e dos principais pontos de dados que os impulsionam, e não na engenharia e limpeza de seus dados.

Nós recomendamos:  Como consertar o controle de volume preso no canto superior esquerdo da tela

“Alcançar um estado de automação de dados no qual eles possam trabalhar com todos os dados de seu público, aproveitar alguns parceiros importantes para implantar melhor seus públicos e ter teses de medição rigorosas que lhes permitam executar no mesmo ritmo de uma organização muito maior”, ele explicou.