O opt-in não substitui o opt-out

Com o Google Anúncio de tópicos, o setor de advertising and marketing virtual começou um novo ano assim como começamos 2021: focados no futuro da identidade. Estamos enfrentando a ameaça de um modelo quebrado para direcionar e medir campanhas publicitárias. Os dados mostram que confiar que os usuários optam por compartilhar seus dados simplesmente não produzirá insights suficientes em escala para impedir que o modelo seja interrompido.

A segmentação de anúncios digitais foi criada com base na capacidade de segmentar com eficiência e medir ROI entre websites e aplicativos, muito auxiliado pela disponibilidade de dados de usuários de terceiros, cookies de terceiros e IDs móveis. Mas, no próximo ano, o Google deixará de usar cookies de terceiros para rastrear usuários no Chrome, a não ser que eles optam por compartilhar dados. A Apple reduziu bastante o número de identificadores móveis que podem ser usados ​​pelos anunciantes – novamente, a não ser que o usuário opta intencionalmente por participar. A indústria tem considerado os dados primários como uma aposta vencedora para empresas individuais e para aumentar os identificadores alternativos, mas você precisa de uma quantidade irreal de opt-ins para compensar a lacuna que estamos perdendo nos identificadores.

Isto é um problema. Atribuição, estudos de aumento, retargeting, a capacidade de criar públicos semelhantes – esses processos e muito mais dependem de uma escala de dados determinísticos que dificilmente veremos novamente. Precisamos reinventar nossa abordagem de direcionamento e medição e reconhecer a centralidade da aprendizado de máquina para resolver esses problemas.

Os profissionais de advertising and marketing se deparam com um campo lotado de possíveis soluções. São propostas identificadores universais, incluindo UID 2.0. Existem inúmeros webinars e posts de weblog que apresentam estratégias para maximizando dados primários. Os investidores estão olhando novos modelos para salas limpas de dados para corresponder a esses conjuntos de dados. Mas os principais problemas permanecem: dados em silos, identificadores em silos e um confronto entre jardins murados e a internet aberta. E o maior obstáculo de todos, é claro, é a escala. Simplificando, as pessoas simplesmente não optarão pela mesma taxa em que historicamente não optaram por não participar.

As soluções propostas dependem de volumes de dados primários e opt-in que sejam significativos e acionáveis. Você precisa de um e mail com hash para UID. Você precisa de logins registrados para coletar dados primários. Uma mudança de opt-ins padrão para intencional é essencialmente uma mudança de dados gratuitos para todos para depender de doações de dados. Anos atrás, quando as empresas de telecomunicações realizavam programas de adesão para assinantes, taxas de adesão de 20 a 30% eram consideradas uma conquista incrível. Mas, nessas taxas em nosso sistema atual de identificadores, o modelo quebra.

Temos provas de como será desafiador confiar nos opt-ins dos usuários. Ouvimos falar sobre como a perda de dados do IDFA está afetando as campanhas para dispositivos móveis, mas a Apple nem mesmo “preteriu” os IDFAs: apenas mudou para um modelo opt-in. No início de junho de 2021 – apenas um mês depois que a Apple mudou para o rastreamento de IDFA opt-in – 68% do inventário programático da Apple tinha IDFAs e, no ultimate do mês, caiu para 35%, onde a participação se estabilizou, de acordo com à análise proprietária do Emodo.

Isso não é sustentável. O que muitos na indústria esperam de identificadores alternativos e dados primários é compensar a perda de IDs tradicionais. Então, dos 33% que perdemos – passando de 68% para 35% – quanto podemos recuperar através de métodos diferentes. Infelizmente, não há uma maneira realista de compensar os dados perdidos. É um sonho. Em última análise, a indústria está a perder cargas de categorias e coortes usadas na segmentação e enfrentar um escrutínio minucioso sobre a conformidade com os padrões de privacidade.

No geral, novos identificadores e estratégias completas de dados primários serão elementos significativos do futuro da publicidade virtual. Mas há outro elemento importante, que pode fornecer a escala e a eficiência a que o setor está acostumado: aprendizado de máquina (ML) e inteligência synthetic (IA).

Conjuntos de dados menores, de alta qualidade, primários e opt-in não são fins em si mesmos – eles são a base para o treinamento de modelos de aprendizado de máquina. Por meio da combinação de dados primários e contextuais, incluindo metadados sobre quando e como um native de anúncio está disponível, modelos de ML bem treinados podem prever coisas como o segmento ao qual o usuário provavelmente pertence ou a probabilidade do usuário realizar uma ação ou converter . E o ML provou ser tão eficiente quanto a segmentação determinística em níveis de escala semelhantes aos que estamos acostumados – enquanto melhora a precisão da localização. Nenhum identificador é necessário para treinar esses modelos.

O ML pode ajudar a compensar os identificadores que o setor está perdendo. E começa com os melhores dados de treinamento. As empresas com os melhores – não apenas os mais – dados terão a vantagem. Mas a maioria das empresas não deve esperar que seus próprios dados sejam suficientes. Em vez disso, eles devem olhar para seus parceiros de negócios digitais. Editores e plataformas precisam compartilhar recursos de dados. Também é importante explorar fontes de dados alternativas, especialmente agora que a IA torna a qualidade, não a quantidade, o fator fundamental. Por exemplo, as operadoras de celular são capazes de gerar opt-ins de forma única por meio de seus relacionamentos fortes e diretos com os consumidores; esse tipo de parceria pode fazer sentido para anunciantes de celular que buscam precisão e escala. No ultimate, as empresas precisam considerar os tipos de dados e seu valor actual para uso como dados de treinamento – não apenas o quantity de dados disponíveis.

o indústria virtual tem pouco pace para “resolver” a identidade, mas não há uma solução de troca rápida. O futuro não será uma imagem espelhada do passado. É hora de agregar valor com a tecnologia, pois perdemos valor com os dados. O aprendizado de máquina verá um estrondo este ano, pois proporciona eficiência e alcance. Como qualquer anunciante ou editor se apropria de seus dados primários, eles devem considerar seu papel não apenas na segmentação, mas no treinamento dos algoritmos que ajudarão as campanhas a atingir as metas no futuro.

Alistair Goodman é o CEO da Ericsson Emodo.