×

Topo do funil vs. base do funil: banners funcionam, mas estão sendo medidos incorretamente

Medir o sucesso da publicidade online é um desafio bem conhecido pela indústria. A indústria tende a se concentrar em medir a resposta direta de anúncios digitais por métricas de conversão, mas não conseguiu encontrar um meio consistente para medir a eficácia do brand marketing. Publicado originalmente no site inglês ExchangeWire, o artigo de Martin Pavey (foto abaixo), diretor da Flashtalking no Reino Unido, descreve as etapas necessárias para criar um conjunto de dados mais limpo voltado para os modelos de atribuição.

Ao analisar sua estratégia de marketing online, eu estaria afirmando o óbvio se eu lembrasse você de garantir que sua estratégia seja diferente para os usuários do topo do funil ou da base do funil. Mas você pode não achar que fui tão óbvio se eu tivesse lembrado você de usar um meio de medição diferente para suas campanhas publicitárias digitais de topo de funil e outro para campanhas de base de funil.

Diferentes técnicas de anúncios de display são usadas em cada etapa do funil de compra. Algumas são usadas ​​para o brand marketing (marketing de marca), que pretende aumentar awareness e consideração, outras são usados ​​para a resposta direta com objetivo de levar o consumidor à conversão. Esses anúncios não podem ser medidos da mesma maneira.

Martin Pavey, diretor da Flashtalking no Reino Unido

Os anúncios de banners não funcionam, de acordo com Clare O’Brien, gerente sênior de programas da indústria do IAB no Reino Unido. A razão apontada por ela: “os banners devem ser servidos 1.250 vezes até que alguém clique em um”. Eu insisto em uma ideia oposta: os anúncios de banner funcionam sim; mas o que Clare não percebeu é que eles estão sendo medidos de forma incorreta, fazendo com que pareçam não funcionar. As execuções criativas que vemos hoje em dia também precisam de atenção, mas isso fica para uma próxima reflexão.

Os anúncios de display online estão sendo medidos por número de cliques – mas, como Clare afirmou com bastante precisão, uma porcentagem extremamente pequena de consumidores realmente clica em anúncios de display de brand marketing. Por que o número de cliques é importante? Se esses anúncios são projetados para gerar percepção do consumidor em relação à marca, então certamente seu sucesso deve ser medido pela quantidade de percepção que estão gerando e não pela quantidade de cliques que obtiveram. Se medimos erroneamente o sucesso de nossos anúncios, não temos os conjuntos de dados necessários para executar a atribuição e otimizar o investimento em marketing digital.

“Mas como medir a percepção?”, você pode questionar.

O ecossistema de ad tech é composto por uma série de agências especializadas que estão trabalhando duro para responder a essa pergunta e dizer quais anúncios estão realmente chegando aos nossos dispositivos e públicos. Há uma série de fatores a considerar ao medir awareness: o anúncio é realmente visível? O anúncio é exibido por tempo suficiente para o usuário realmente notar? Ele tem a atenção do consumidor? Quanta atenção o consumidor deu a ele? O consumidor que viu o anúncio em um dispositivo é a mesma pessoa que você acha que está convertendo em outro dispositivo?

Os cookies distorcem muito nossa visão de alcance e frequência nos dispositivos. Os arquivos de log incluem impressões e cliques fraudulentos; e os anúncios que nunca tiveram a chance de serem vistos geralmente são incluídos nos dados. Todos esses desafios da indústria levam a conjuntos de dados imprecisos; e você simplesmente não pode criar modelos de atribuição decentes a partir de dados ruins.

Para criar um conjunto de dados mais limpo para atribuição, as seguintes etapas devem ser consideradas:

– Integre uma solução de rastreamento sem cookies para capturar o caminho completo de impressões, cliques, visitas e conversões para cada usuário.

– Incorpore dados do gráfico do dispositivo para capturar a experiência e as ações dos consumidores em seus vários dispositivos.

– Integre os dados de verificação do nível do usuário para remover impressões fraudulentas e impressões fraudulentas que não foram visualizadas.

– Remova as impressões e os cliques que são entregues após o evento de conversão, e aqueles que representam a frequência não razoável em relação a indivíduos.

– Unifique e junte os dados de cada usuário para montar o histórico engajamento cada conversor e não-conversor.

– Divida o arquivo de log de display em dois conjuntos de dados: um para o topo do funil e outro para a base do funil.

Se você aplicar essas medidas, seus dados serão uma representação bem melhor do marketing que os consumidores estão realmente experimentando, ao contrário do que deveriam estar experimentando. Essa representação melhor vai gerar modelos mais precisos e acionáveis ​​para otimizar investimentos de mídia em plataformas, canais e parceiros de mídia.

Tags