Quando a atribuição parece mais precisa do que os dados por trás dela

Os profissionais de marketing têm dados menos observáveis, mas relatórios cada vez mais precisos. Ao mesmo tempo, uma parcela crescente do que aparece nesses relatórios é modelada ou reconstruída estatisticamente.

Meu argumento é que compreender a diferença entre o que foi medido e o que foi estimado pode ser a diferença entre tomar uma boa decisão e tomar uma decisão ruim com confiança.

Quanto custa a ‘perda de sinal’

A perda de sinal não vem de uma fonte. Ele se acumula em termos de consentimento, alterações de dispositivos, restrições de plataforma e lacunas entre sistemas. E a maioria das pessoas só percebe quando os números param de fazer sentido.

A jornada do usuário tornou-se menos observável diretamente e o que resta depende da configuração de consentimento, sistemas próprios, relatórios modelados, estado de login, integração de CRM, etc.

O comportamento entre dispositivos torna isso ainda mais confuso. Uma pessoa ouve você em um podcast, depois pesquisa o nome da marca em um laptop de trabalho, lê dois artigos, é redirecionada no celular, depois volta pelo Direct e converte.

Ok, então, qual parte foi a descoberta? Qual parte foi a persuasão? Qual parte foi apenas a última interação identificável?

Os sistemas de atribuição, porém, veem diferentes fragmentos desconectados. Dependendo da configuração, o podcast pode ficar invisível, algumas pesquisas podem acabar classificadas como diretas ou orgânicas e a interação de retargeting pode receber crédito desproporcional.

Em outras palavras, o ponto de contato mais fácil de medir não é necessariamente aquele que teve maior influência na decisão. A atribuição pode dizer o que foi capaz de conectar à conversão, mas isso nem sempre é o mesmo que reconstruir toda a jornada que a criou.

A consequência prática é uma má afectação orçamental em grande escala. Quando os canais do funil superior parecem não contribuir com nada, as equipes os retiram do financiamento. A decisão parece baseada em dados, embora possa simplesmente refletir o que o sistema de medição foi capaz de ver.

Veja também: Repensando a segmentação de público em uma era de perda de sinal (com a estrutura REM)

AI entra em ação: dados ausentes tornam-se dados modelados

As plataformas responderam a estas lacunas com medições mais modeladas. Algumas plataformas importantes, como o Google, integraram modelagem baseada em aprendizado de máquina em seus sistemas de medição.

Quando uma ligação direta entre interações e uma conversão já não pode ser observada, estes sistemas utilizam padrões em dados observáveis ​​e agregados para estimar algumas das atribuições em falta. Esses resultados modelados podem então alimentar relatórios, atribuição, lances e otimização de campanha.

Isso resolve parte do problema de observabilidade, mas introduz outra questão mais difícil: saber quando as estimativas são boas o suficiente para apoiar uma decisão, especialmente quando a interface de relatório apresenta resultados modelados e observados diretamente com confiança visual semelhante.

Meu conselho é tratar qualquer métrica rotulada como “modelada” ou “estimada” nos relatórios de sua plataforma como direcional, não definitiva.

Por que um modelo de atribuição não é suficiente

Um dos mitos mais persistentes na atribuição é que existe um modelo correto esperando para ser descoberto. Más notícias: não existe.

Cada modelo de atribuição responde a perguntas ligeiramente diferentes, portanto o objetivo não deve ser encontrar o modelo “correto”. Na verdade, estou mais interessado no que muda quando os comparo.

Se um canal parece importante sob diversas abordagens diferentes, isso é útil. Se a sua contribuição desaparecer assim que o modelo mudar, isso também será útil.

É por isso que recomendo às equipes que desejam usar a atribuição de forma mais eficaz que não escolham um modelo e o defendam, mas que triangulem múltiplas metodologias e procurem para onde os sinais convergem.

Trate as divergências entre eles como questões que valem a pena investigar, e não como erros a serem resolvidos escolhendo um vencedor.

Quando seus sistemas de medição discordam

Este é um cenário que ocorre constantemente nas equipes de marketing. O Google Analytics 4 relata 150 conversões. Alegações plausíveis 180. O CRM mostra 120 novos clientes. Três plataformas, três realidades, nenhuma delas compatível.

Talvez o GA4 conte as compras, o CRM conte os clientes aprovados, as plataformas de anúncios usem atribuição de visualização, os reembolsos sejam excluídos de um sistema, mas não de outro, ou os relatórios de data de clique e data de conversão sejam diferentes.

Essa incompatibilidade não significa automaticamente que você tenha um problema de qualidade de dados. Isso é simplesmente o resultado de cada plataforma usar sua própria janela de atribuição, definição de conversão, lógica de relatórios e suposições de modelagem.

Normalmente, eu começaria com o sistema mais próximo do resultado real do negócio, como dados de CRM, registros de pedidos, dados de assinatura ou outra fonte de back-end, e depois usaria análises e plataformas de publicidade para entender as diferentes partes da jornada em torno dele.

Isso muda a questão. Em vez de perguntar qual plataforma relata mais conversões, você começa a perguntar quais resultados realmente aconteceram, quais partes dessas jornadas você pode observar ao seu redor e quais pontos de contato aparecem de forma consistente nessas jornadas.

Esses sistemas empresariais também não são fontes de atribuição perfeitas. Eles podem conter dados de aquisição ausentes, campos sobrescritos, registros duplicados ou muito pouca informação sobre o que aconteceu antes da conversão. Seu valor não é explicar por que alguém converteu, mas fornecer uma âncora mais forte para confirmar se o resultado do negócio realmente aconteceu.

Essa reformulação não exige um acompanhamento perfeito, mas requer dados unificados e uma disposição para aceitar respostas incompletas.

Tomando decisões sem falsa precisão

As partes interessadas ainda querem uma resposta definitiva para uma questão que os dados não conseguem responder de forma definitiva: qual canal merece o orçamento?

E ser explícito sobre o que os dados mostram versus o que estimam pode parecer arriscado, mas torna a incerteza visível em vez de a esconder atrás de números precisos.

As equipes que comunicam limitações de medição tendem claramente a tomar melhores decisões ao longo do tempo, porque não estão ancorando a estratégia em falsa precisão.

A coleta de dados primários tornou-se inegociável neste ambiente, não apenas para conformidade com a privacidade, mas também para qualidade de medição. Quanto mais diretamente você observar o comportamento do cliente por meio de sua própria infraestrutura, menos dependente você estará de plataformas externas para reconstruir o que aconteceu.

O rastreamento do lado do servidor, por exemplo, pode melhorar a confiabilidade e o controle dos dados, mas, é claro, não elimina magicamente as lacunas de consentimento nem recria interações que você nunca foi capaz ou teve permissão de observar.

Como resultado, uma configuração de medição original não elimina a incerteza, mas pode mudar o problema de “não sabemos o que aconteceu” para “temos uma imagem razoável com pontos cegos conhecidos”.

A função da atribuição não é mais nos dizer exatamente o que causou uma conversão. É reduzir a incerteza o suficiente para tomar uma decisão melhor.

Os profissionais de marketing que navegam bem nisso deixarão de esperar que sua pilha de atribuições produza verdades básicas e começarão a tratá-la como uma entrada entre várias informações úteis, direcionais, mas sempre dignas de questionamento.

Mais recursos:

Imagem em destaque: Overearth/Shutterstock