O problema com a otimização handbook e o que fazer em vez disso

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

A otimização handbook, como os profissionais de advertising sabem muito bem, é um aborrecimento. É um trabalho difícil, estressante e tedioso que leva uma eternidade – e assim que você pensa que finalmente decifrou o código, algo acontece e toda a sua estratégia precisa ser reconfigurada. No entanto, apesar de suas ineficiências, otimização handbook ainda é o processo de escolha para a maioria dos anunciantes. Por que isso acontece e o que os anunciantes podem fazer para tornar seu processo de otimização mais eficiente?

Para entender por que os profissionais de advertising estão optando por otimizar manualmente, primeiro precisamos observar a evolução da programática. Quando entrou em cena, a programática foi inovadora porque permitiu que anunciantes e editores automatizassem sua compra de mídia e oferecessem aos anunciantes a oportunidade de comprar inventário de anúncios rapidamente e a preços mais baixos. Em tese, esses preços mais baixos foram viabilizados pela falta de intermediários envolvidos no processo de compra e venda.

Claro, teoria e realidade são muitas vezes completamente divergentes uma da outra. Embora a programática tenha facilitado para os anunciantes a compra de canais de anúncios e os editores para vendê-los, também criou amplas oportunidades de fraude – sem mencionar que os editores e profissionais de advertising eram constantemente atingidos por taxas ocultas de tecnologia. Além disso, os anunciantes estavam lutando para controlar onde estavam anunciando, levando a preocupações com a segurança da marca.

Foi graças a esse estado de coisas que nasceu a plataforma de autoatendimento. Agora, em vez de entregar a compra de mídia a um algoritmo que pode se adaptar em pace actual, os anunciantes estão tomando essas decisões por si mesmos, usando ferramentas como planilhas do Excel e, se forem avançadas, árvores de decisão básicas para descobrir o que fazer em seguida . Embora o autoatendimento ofereça aos anunciantes mais transparência e controle sobre o posicionamento do anúncio, ele vem com seu próprio conjunto de problemas. De certa forma, ele realmente fez empregos de marqueteiros mais difícil exigindo que os buyers sejam cientistas de dados sem nenhuma experiência em ciência de dados.

Por exemplo, os anunciantes precisam percorrer grandes quantidades de dados se quiserem realmente encontrar os padrões certos para segmentar. Este tipo de análise de dados leva muito pace se feito corretamente – e os comerciantes não têm pace nem recursos para fazer isso direito. Quando a análise é feita, as descobertas não são mais relevantes ou a nova tática funciona apenas por um curto período de pace. Para usar esses insights de forma eficaz, os profissionais de advertising precisam ser capazes de implementá-los o mais próximo possível do pace actual – o que, ao trabalhar manualmente, é praticamente impossível de fazer.

Outro problema com a otimização handbook é o fato de ser inconsistente. Você pode tropeçar em uma estratégia eficaz um dia, apenas para tentar novamente no dia seguinte e descobrir que seus resultados são completamente diferentes. Isso geralmente ocorre porque os padrões encontrados são devido a dados de proxy que ocultam o verdadeiro motivo pelo qual a publicidade está funcionando. A otimização handbook é um jogo constante e ineficiente de tentativa e erro e obstruct que os anunciantes consigam dimensionar com eficiência. Em outras palavras, a otimização handbook força os anunciantes a trabalhar no curto prazo, deixando muito pouco espaço para traçar uma estratégia de longo prazo.

O que os anunciantes precisam é de um meio termo entre a primeira iteração da programática – programática 1.0 – e a bagunça que o autoatendimento se tornou. Em outras palavras, eles precisam trazer de volta algum nível de automação para facilitar suas vidas e melhorar os resultados, mas sem abrir mão da transparência.

Assim, surge uma nova forma de compra: o algoritmo personalizado automatizado. Existem algumas empresas fazendo isso agora, mas para realmente aproveitar os dados e encontrar a escala necessária para o sucesso a longo prazo, os anunciantes precisam do poder do aprendizado profundo. Os algoritmos de aprendizado profundo podem tomar decisões em pace actual sobre quais canais comprar e quais evitar. Existem vários benefícios para essa abordagem: ou seja, o fato de que o aprendizado profundo é capaz de realizar análises de dados e fazer previsões em um nível muito mais sofisticado do que os humanos – e muito parecido com os humanos – podem aprender com seus erros e evitar cometê-los novamente. .

Aprendizado profundo mudou a maneira como interagimos com a tecnologia nos últimos anos – carros autônomos, efeitos do Instagram, realidade aumentada e falar com seus dispositivos são exemplos de tecnologia habilitada para aprendizado profundo. Para os anunciantes, o aprendizado profundo significa que eles não precisam mais se preocupar em fornecer desempenho em escala; à medida que o algoritmo aprende mais sobre como os membros da audiência se comportam, ele pode melhorar suas previsões, levando a uma redução nos custos e aumento do ROI ao longo do pace. Por fim, algoritmos habilitados para aprendizado profundo podem otimizar as decisões de compra em pace actual, dando aos buyers pace e liberdade para supervisionar todas as suas campanhas de forma eficaz e se concentrar em estratégias gerais em vez de táticas diárias.

Para ser claro, não há mais a necessidade de os profissionais de advertising realizarem a otimização handbook. É ineficiente, caro e ineficaz, e o pace de todos seria muito melhor gasto em outro lugar. É hora de nós, como indústria, abraçarmos o próximo estágio na evolução da programática – uma que facilite a vida dos profissionais de advertising e ainda forneça resultados.

Jeremy Fain é o CEO e cofundador da Cognitivo.