Como os anunciantes de autoatendimento podem otimizar o desempenho

Este artigo foi contribuído por Jeremy Fain, CEO e cofundador da Cognitiv.

É fácil ver o apelo do autoatendimento compra de anúncios programáticos. Em vez de transparência limitada sobre preços e posicionamento, os anunciantes podem direcionar exatamente para onde seus campanha gastam e quanto pagam por cada impressão. No entanto, como muitos investors infelizmente descobriram, essa liberdade vem com custos sérios. Não só requer muito pace e energia para otimizar efetivamente o desempenho, como também é incrivelmente difícil produzir resultados consistentes na escala necessária. Com o aprendizado profundo à sua disposição, os anunciantes podem evitar esse trabalho tedioso e malsucedido e, em vez disso, confiar em um algoritmo de IA fornecido por meio de integrações como Marketplaces privados dinâmicos (também chamados de DealIDs ou PMPs), que otimizarão automaticamente e continuamente as compras de mídia para maximizar atuação.

No momento, parece haver uma divisão bastante equilibrada entre o número de marcas e agências que dependem de serviços gerenciados e aquelas que preferem o autoatendimento. Uma pesquisa recente da Advertiser Perceptions descobriram que 56% usam algum tipo de serviço gerenciado, enquanto 46% dizem que utilizam o autoatendimento. Ao mesmo pace, 52% dos compradores relataram a intenção de aumentar seus gastos com autoatendimento este ano, enquanto apenas 17% pretendem aumentar seus gastos com serviços gerenciados. A mesma pesquisa constatou que o The Business Table, Publicidade da Amazon e Yahoo! se tornaram plataformas majoritárias de autoatendimento no ano passado, o que mostra o desejo generalizado de maior transparência na programática, especialmente no que diz respeito às taxas.

No entanto, apesar de todo o otimismo em torno self-service, não está resolvendo muitos desafios na publicidade de desempenho. Por exemplo, o autoatendimento requer um grande contingente de investors para gerenciar efetivamente as operações do dia-a-dia. À medida que novas informações chegam sobre as condições do mercado, preferências do consumidor, tendências e assim por diante, os investors precisam ser capazes de sintetizar rapidamente essas informações para executar campanhas com eficiência e precisão. No entanto, os humanos não são robôs – precisamos de pace para filtrar as informações e analisar os padrões relevantes antes de podermos projetar uma estratégia eficaz. Dados os prazos apertados sob os quais muitas equipes de advertising operam, não há uma maneira actual de os profissionais de advertising produzirem campanhas perfeitamente otimizadas de forma consistente, o que leva a gastos desperdiçados a longo prazo. Também é raro que uma equipe de negociação tenha investors suficientes para cobrir todas as campanhas de seus clientes de forma eficaz. Eles geralmente têm que gastar a maior parte do pace com dois ou três de seus clientes mais importantes, enquanto o resto recebe menos pace e esforço.

Esse sistema de tentativa e erro constante e não escalável também torna incrivelmente difícil operar em escala. Muitas táticas começam fortes, mas desaparecem rapidamente, deixando os profissionais de advertising lutando para reunir novas ideias enquanto tentam otimizar suas campanhas manualmente. Isso só serve para tornar a programática de autoatendimento mais tediosa e ineficiente do que deveria ser – e torna muito mais difícil para os profissionais de advertising alcançar o sucesso a longo prazo.

De acordo com Percepções do anunciante, o motivo número um dado pela maioria dos anunciantes que estão migrando para o autoatendimento é “o desejo de visibilidade das taxas programáticas”. Mais da metade (56%) dos anunciantes citam a otimização de taxas como a fundamental justificativa para fazer a transição – o que, dada a pressão que a pandemia causou nos orçamentos de advertising, é compreensível. Se os anunciantes não conseguirem otimizar seus gastos com eficiência, mudar para o autoatendimento handbook pode não resultar na economia de custos que eles esperavam.

O autoatendimento veio para ficar, mas a falta de pace e a dificuldade em encontrar táticas escaláveis ​​são um grande fator limitante para o sucesso. Os anunciantes de autoatendimento devem procurar soluções que resolvam esses problemas. Soluções que farão o trabalho tedioso de otimização para eles, liberando-os para cobrir todas as suas campanhas igualmente e se concentrar na estratégia e nas preocupações de longo prazo. Em specific, várias formas de aprendizado de máquina, como aprendizado profundo, foram usado por marcas como DoorDash para garantir que eles possam otimizar seus gastos com anúncios em grande escala.

O aprendizado profundo é uma ferramenta valiosa por causa de suas habilidades preditivas de autoaprendizagem e em constante evolução. Por exemplo, se você treinasse um algoritmo de aprendizado profundo em dados de clientes, ele seria capaz de identificar as principais características de seu consumidor-alvo e usar essas informações para fazer previsões sobre como novos clientes em potencial responderão ao seu anúncio. Isso permite que o algoritmo evite anunciar para pessoas com pouca probabilidade de conversão, enquanto aprimora aquelas que são. O melhor de tudo é que ele faz isso automaticamente e em pace actual, e ajusta suas previsões à medida que aprende mais sobre seu público e como ele responde.

Esses algoritmos são sofisticados e poderosos o suficiente para avaliar cada oportunidade de compra de mídia individualmente – o que significa que, em vez de estabelecer regras arbitrárias sobre quem segmentar, o próprio algoritmo decidirá quem vale o investimento e quem evitar. Como resultado, isso permite que uma análise discreta e dedicada da campanha ocorra mesmo enquanto a campanha está ativa, para que as condições de mercado em pace actual e os comportamentos do consumidor sejam constantemente levados em consideração.

A publicidade handbook de autoatendimento é difícil, se não impossível, de dominar a longo prazo e em escala. Requer levar em conta muitos elementos diferentes que podem mudar a qualquer momento, ignorando as complexidades do comportamento humano. Com algoritmos de aprendizado profundo, os anunciantes de autoatendimento podem ser aliviados da pressão interminável para melhorar o desempenho e, em vez disso, confiar em tecnologias como PMPs dinâmicos orientados por IA, que otimizarão as campanhas continuamente e, finalmente, terão pace para gerenciar com eficácia todos os seus campanhas.

Jeremy Fain é o CEO e cofundador da Cognitivo.