A era da otimização da atenção e da inteligência criativa está chegando. As marcas que vencerão a batalha pela atenção serão aquelas que puderem definir claramente as métricas de atenção, otimizá-las por meio de aprendizado de máquina e outras técnicas e obter insights exclusivos que comprovadamente melhoram a fidelidade do cliente e o lucro incremental.
Com os orçamentos de publicidade digital sob crescente escrutínio dos executivos que buscam otimizar os custos dos negócios, os profissionais de marketing precisam considerar cuidadosamente como medir e relatar o sucesso de suas campanhas online.
Aqueles que tomam as decisões sobre para onde vão os investimentos, não estão apenas interessados em saber quantas visualizações ou cliques um anúncio recebeu, mas estão exigindo mais medidas de qualidade de engajamento, vinculadas diretamente aos resultados de negócios. Isso levou a um desejo crescente de se afastar da abordagem desatualizada de visibilidade e focar em métricas mais valiosas. Mais notavelmente, na métrica de atenção.
A conversa sobre atenção está em andamento há algum tempo. Embora haja uma aceitação geral de que é o futuro da medição de anúncios digitais, o que ainda está em debate é como isso deve ser calculado.
Dentro da mídia digital, há uma riqueza de dados comportamentais mensuráveis que ajudam a fornecer indicadores sólidos sobre se um anúncio recebeu atenção significativa.
Por exemplo, a tecnologia da Adludio via AI ajuda a entender a contribuição relativa dos recursos criativos e dos efeitos estruturais – como a cor do primeiro plano, a cor de fundo e outras – e como diferentes combinações desses impulsionam o engajamento. Outros atores neste espaço, conforme documentado em um artigo da VideoWeek, também estão criando tecnologias para ajudar a medir a atenção:
- O Realeyes mede se um usuário está prestando atenção em um anúncio analisando seus rostos por meio das câmeras de seus telefones celulares e captando sua resposta emocional.
- A TVision utiliza tecnologia de sensores para medir tanto o tempo que um indivíduo está na sala quando o conteúdo baseado na TV está sendo reproduzido, quanto a porcentagem desse tempo em que o espectador está assistindo à tela.
- A Adelaide faz uso de dados de rastreamento de anúncios junto com insights de rastreamento ocular, e eles produziram uma moeda centrada na atenção para substituir métricas como CPM.
No futuro, as métricas que focam na qualidade da atenção serão cada vez mais derivadas de métodos de aprendizado de máquina, dado o grande volume e a frequência dos dados envolvidos e a necessidade de granularidade.
Graças aos avanços na AI, isso levou a um aumento do nível de sofisticação em vários métodos, como aprendizado profundo e, finalmente, na AI generalizada.
Por exemplo, técnicas como visão computacional podem ser usadas para identificar os recursos estruturais de um anúncio, bem como os objetos criativos dentro dele. Aplicar o aprendizado de máquina a como diferentes combinações de objetos criativos atraem a atenção será especialmente benéfico, pois essas técnicas podem ser cada vez mais aplicadas em tempo real.
Métodos baseados em AI – incluindo aprendizado profundo, visão computacional, redes neurais e processamento de linguagem natural – são capazes de gerenciar o relacionamento entre todos os objetos criativos, reconhecimento facial e texto. Identificar esses relacionamentos permite que os anunciantes entendam o que contribui para uma atenção significativa. Além de apenas verificar se um anúncio recebeu atenção, utilizar a AI dessa maneira também permite que os anunciantes otimizem as campanhas para chamar a atenção.
O que vem a seguir na jornada para chamar a atenção?
Há uma série de abordagens para medir a atenção e um certo grau de desacordo sobre quais elementos devem ou não ser usados. É necessário considerar uma ampla gama de fatores que são o resultado direto de interações significativas ou de alta qualidade do consumidor. Eles incluem, por exemplo, medidas difíceis, como conclusão de vídeo, mas também conclusão de vídeo com reprodução de som. Estes, por sua vez, podem ser consolidados em um único modelo ao longo do tempo e, em seguida, otimizados para eventos de base de funil, como uma compra concluída.
Avançando, as marcas não podem se dar ao luxo de confiar na subjetividade em suas medições. Em vez disso, eles devem reconhecer medidas sofisticadas de atenção com base no comportamento real do consumidor e como essas medidas geram lucro incremental, maior aquisição e retenção.
Isso exigirá uma compreensão de como os consumidores se envolvem com o conteúdo digital em um nível de granularidade nunca antes visto. Embora haja uma variedade de técnicas baseadas em AI, as marcas terão que aceitar que a assistência da AI é essencial para gerenciar o volume e a frequência dos dados necessários para medir a atenção.
Ao avançar, tanto as empresas adtech quanto os profissionais de marketing, terão que enfrentar os temores de que a tecnologia seja uma “caixa preta” por natureza. Essas preocupações podem ser cada vez mais abordadas com o crescente número de cientistas e engenheiros de dados qualificados que entendem as implicações comerciais de seu trabalho.
Combinados com o acesso incomparável a muitas bibliotecas de código aberto, como PyTorch e TensorFlow, bem como capacidade de computação e memória baseada em nuvem, esses recursos podem ajudar a colocar ao alcance de qualquer profissional de marketing.
Isto é apenas o começo de uma nova era.
Texto referência do Ian Liddicoat, diretor de tecnologia e chefe de ciência de dados, que lidera os insight de marketing mundial na Adludio.
