Planejamento de campanha: adotar segmentação contextual ou baseada em interesses? Depende.

Por Fernanda Acácio*

A segmentação contextual tem sido um modelo utilizado pelas marcas desde os primórdios da publicidade digital. No entanto, antes das regulamentações de proteção de dados, como a LGPD, no Brasil, e a GDPR, na Europa, os dados de usuário estavam prontamente disponíveis, permitindo a exploração de soluções alternativas. Agora, com o uso de cookies de terceiros perto do seu fim, a indústria enfrenta novos desafios e busca maneiras de identificar e direcionar públicos-alvo sem ferir a privacidade do usuário.

Fernanda Acacio

De acordo com a pesquisa State of Data Brasil: 2023, realizada pelo IAB Brasil em parceria com a Nielsen, 48% dos profissionais ainda não se sentem preparados para o fim da extensão aos cookies de terceiros, e apenas 17% disseram tem informação suficiente e se sentem aptos para as mudanças. Com isso, os modelos de segmentação contextual estão ressurgindo como uma possibilidade para anunciantes que procuram promover uma experiência positiva para seus consumidores.

Esse formato não apenas possibilita alcançar audiências baseadas no contexto ou em categorias de interesse, mas também proporciona mais segurança e proteção para as marcas. Além disso, avanços em inteligência artificial (IA) estão abrindo novas possibilidades para o modelo. Já há dois anos, 61% dos publishers esperavam ver um aumento no orçamento para compra de campanhas com segmentação contextual.

A ascensão da IA na tecnologia publicitária, especialmente os modelos de aprendizado de máquina capazes de processar e aprender com grandes volumes de dados, ampliou a escala, velocidade e precisão das soluções contextuais. O maior avanço foi o processamento de linguagem natural, permitindo que os programas compreendessem a linguagem de forma semelhante aos humanos, podendo categorizar o conteúdo com base em seu significado semântico.

A segmentação baseada em interesses também está evoluindo com a IA. Embora grande parte da identificação do usuário nessa abordagem ainda seja determinística, usando identificadores como endereços de e-mail, a identificação probabilística emprega a IA para combinar vários sinais e dados a fim de prever se um indivíduo se encaixa em um determinado segmento de público. Essa identificação é menos precisa, mas oferece escalabilidade e pode preencher as lacunas de reconhecimento.

A vantagem dessa segmentação é que ela preserva e analisa o comportamento passado de um consumidor para determinar o valor de uma impressão. Assim, é possível criar campanhas com mensagens diferentes, dependendo de onde este usuário se encontra no funil de vendas. No entanto, essas soluções também podem continuar a segmentar consumidores que não são mais relevantes, desperdiçando impressões que não levarão a conversões.

Por outro lado, embora a publicidade contextual não leve em consideração o histórico do consumidor, essa estratégia funciona bem no ambiente atual, em que a jornada do consumidor é rápida. Ou seja, campanhas que necessitam de uma compreensão mais profunda da jornada do consumidor podem se beneficiar mais da segmentação baseada em interesses. Já aquelas que precisam ser operadas imediatamente podem contar com a segmentação contextual, que é mais versátil.

Isso mostra que a escolha do melhor modelo de segmentação depende, na verdade, do que está sendo anunciado e dos objetivos da campanha. Ambas as soluções continuam a ter o seu lugar no ecossistema que prioriza a privacidade. A diversidade de soluções é a combinação necessária para acelerar as estratégias de publicidade digital e a competição entre a segmentação contextual e a baseada em interesses impulsiona inovações que beneficiam os interesses de marcas e consumidores. A busca pelo modelo mais adequado eleva o setor a novos patamares e contribui para a evolução de campanhas, com mais impacto e personalização.

*Fernanda Acácio é CEO da plataforma global de publicidade MGID.

Dados, máquinas e pessoas

Fronteiras digitais: como o protagonismo dos dados pode impor nova convergência entre máquinas e pessoas

Por Débora Morales*

A transformação digital de empresas em todos os setores é um fenômeno. As empresas são desafiadas a ter sucesso ao abraçar a transformação por meio da inovação digital para alcançar vantagens competitivas. O negócio digital envolve a criação de novos modelos que confundem as fronteiras entre mundo digital e físico, devido à convergência de pessoas, negócios, coisas, máquinas e serviços inteligentes.

Este é um momento crítico para a transformação dos negócios digitais na história do desenvolvimento e adoção de inteligência artificial (IA). Hoje em dia, as tecnologias de IA impactam a maioria das categorias de aplicativos e muitos desafios de negócios. A IA torna-se útil quando enriquece a tomada de decisão que é aprimorada pela aplicação do Big Data (BD) e Advanced Analytics (AA).

As empresas precisam considerar os dados como matéria-prima para a tomada de decisões. Os dados e análises precisam ser pensados em termos de processamento de plataformas de negócio digitais corporativas, assumindo assim um papel mais ativo e dinâmico no fortalecimento das atividades de toda a organização.

A tomada de decisão de negócios contemporânea deve direcionar o compartilhamento de diferentes recursos para exploração, descoberta, construção ou teste de ideias e ser baseada em dados que, quando estruturados e processados, criam informações e conhecimento. Dessa forma, podemos pensar em como os dados podem ser coorganizados e gerenciados em uma estrutura conceitual multidimensional estratégica para a tomada de decisões, com níveis relacionados de melhoria nas cadeias de valor da inovação.

Para avaliar o provável crescimento da automação baseada em IA, é importante avaliar a interação de humanos e máquinas nesses níveis e entender quem analisa os dados, quem decide com base nos resultados da análise e quem age com base na decisão.

Lembre-se: na atual Era Digital, quando os ativos intangíveis estão se tornando cruciais para o desempenho das empresas, as novas dimensões de valor de IA baseadas no BD e AA podem apoiar os líderes de negócios e suas equipes de gestão e fornecer medição e gerenciamento mais eficazes de seus ativos de capital intelectual e informativo.

*Débora Morales é mestra em Engenharia de Produção (UFPR) na área de Pesquisa Operacional com ênfase a métodos estatísticos aplicados à engenharia e inovação e tecnologia, especialista em Engenharia de Confiabilidade (UTFPR), graduada em Estatística e em Economia. Atua como Estatística no Instituto das Cidades Inteligentes (ICI).

Fonte: Central Press