Mais opções
Aplicações
Os profissionais de marketing gastam US$ 16,4 bilhões por ano em marketing de influência, um aumento de 18,8% em 2022, mas as marcas ainda têm dificuldade para medir o impacto de todo esse investimento.
Medir o ROI dos influenciadores foi algo em que passei muito tempo pensando enquanto criava a equipe de ciência de marketing da Harry’s — uma marca DTC de produtos de barbear masculinos —, então sei como isso pode ser difícil. Rapidamente descobrimos que não é possível depender apenas de códigos promocionais: muitos clientes se esquecem de usá-los, e afiliados menos confiáveis sentem-se tentados a compartilhar códigos em portais de troca de cupons para gerar mais cliques.
Em vez disso, os códigos promocionais precisam fazer parte de uma abordagem de mensuração mais ampla e holística, que integre o rastreamento digital e a Modelagem de Mix de Marketing (MMM), trabalhando em conjunto para eliminar gastos desperdiçados em mídia com campanhas que não geram vendas incrementais.
Começaremos abordando os problemas de mensuração que você pode estar encontrando em suas campanhas de marketing de influência. Em seguida, apresentaremos brevemente a Modelagem de Mix de Marketing, seus pontos fortes e limitações, e por que as marcas DTC modernas a adotaram.
Por fim, mostraremos na prática como criar um modelo simples de mix de marketing no Excel / GSheets. Você verá de que tipo de dados precisa, como a técnica funciona e que tipo de decisões pode tomar com os resultados.
O marketing de influência é um dos canais digitais mais difíceis de mensurar, pois é “extracontábil” — em vez de pagar uma plataforma como a Meta (Facebook & Instagram) por publicidade, você normalmente entra em contato com influenciadores individuais e trabalha diretamente com eles.
Os resultados costumam variar, pois grande parte do sucesso da campanha depende de 1) quão relevante seu produto é para o público de um influenciador, 2) se o influenciador é apaixonado pelo seu produto e 3) da execução criativa da sua campanha. Há também o problema da fraude. Em 2021, por exemplo, 49% das contas de influenciadores no Instagram foram afetadas por fraude, o que leva os profissionais de marketing a verificar se há seguidores falsos. A FTC e as plataformas de redes sociais também estão reforçando a exigência de divulgação adequada de posts publicitários feitos por influenciadores.
Um dos principais métodos de mensuração usados pela maioria das marcas são os já consagrados códigos promocionais. Essa técnica remonta à década de 1920, durante a Grande Depressão, quando o uso de cupons estava no auge. Os primeiros profissionais de marketing científico, como Daniel Starch e Claude Hopkins, foram pioneiros na prática de atribuir códigos promocionais exclusivos a diferentes variações de textos publicitários para testar sua eficácia.
Infelizmente, essa técnica simples, mas eficaz, apresenta falhas significativas quando usada na economia digital atual.
Em nenhum desses cenários as vendas registradas são “incrementais” — elas ainda teriam acontecido se você não tivesse um campo para código promocional —, portanto, qualquer valor pago a afiliados ou descontado do preço do produto foi desperdiçado.
Por outro lado, muitos clientes simplesmente se esquecem de usar seus códigos promocionais! Ou talvez não tenham percebido o código escondido no texto da publicação. De qualquer forma, qualquer profissional de marketing com experiência na execução de campanhas com influenciadores dirá que observa picos nas vendas quando essas campanhas vão ao ar, além do que seria possível explicar com rastreamento.
A Modelagem de Mix de Marketing (MMM) foi introduzida na década de 1960 para associar picos e quedas nas vendas a ações de marketing (e fatores externos). Quando bem feita, ela pode mostrar o impacto incremental de cada parte da sua estratégia de marketing, para que você possa tomar decisões baseadas em dados sobre onde alocar seu orçamento de marketing.
Historicamente, ela era usada principalmente por grandes anunciantes, do tipo que gasta milhões em anúncios do Super Bowl, mas foi adotada por marcas DTC modernas em resposta às mudanças de privacidade do iOS14 da Apple, ao GDPR/CCPA e aos bloqueadores de anúncios, que limitam a capacidade dos profissionais de marketing de rastrear usuários. A MMM funciona sem precisar de dados em nível de usuário, por isso é perfeita para canais difíceis de rastrear, como TV, podcasts e influenciadores.
Depois de criar um modelo, você poderá determinar quanto gastar em cada canal de marketing, realocando o orçamento de canais com baixo desempenho para aqueles com maior potencial de escala. Ela serve como uma segunda opinião para seu rastreamento e suas análises digitais, muitas vezes sendo o critério de desempate entre o que o Google Analytics, o rastreamento de códigos promocionais e a pesquisa “como você ficou sabendo de nós” indicam sobre quais canais merecem crédito pelas vendas.
Os modelos de mix de marketing podem ser difíceis de acertar e, às vezes, exigem conhecimentos estatísticos avançados, como familiaridade com algoritmos bayesianos. Eles oferecem uma visão mais ampla, canal por canal, do impacto geral, em vez de permitir uma análise detalhada de campanhas individuais, criativos/mensagens ou táticas. Dito isso, se você acertar, os MMMs são uma parte valiosa da moderna stack de atribuição.
Para acompanhar, confira o modelo desta publicação, baseado em dados de uma empresa fictícia de e-commerce, extraídos dos cursos de modelagem de mix de marketing da Vexpower:
> Modelo de MMM para influenciadores
Para uma grande marca corporativa, um modelo de mix de marketing pode ser um projeto complexo, que leva até 3 meses para várias pessoas concluírem e exige trabalho contínuo de manutenção. Se você estiver nessa situação, faz sentido usar uma biblioteca existente, como a Meta Robyn, ou experimentar uma ferramenta de modelagem de mix de marketing totalmente automatizada, como a que oferecemos na Recast.
No entanto, como uma pequena ou média empresa ou startup, você pode chegar a um modelo “bom o suficiente” em uma tarde usando apenas o Excel ou o Google Sheets.
Você precisa de dados de todo o seu mix de marketing, de tudo pelo que paga e que gera vendas, para que o modelo possa separar o impacto dos influenciadores de todo o resto. Os dados precisam estar em formato tabular, como mostrado, ou seja, uma linha para cada dia ou semana e uma coluna para cada canal ou campanha.
Observação: ao trabalhar com canais como o YouTube, é improvável que você obtenha todos os resultados no dia ou na semana em que o conteúdo é publicado. Se você espera tráfego contínuo de longo prazo, este modelo não atribuirá esses benefícios de longo prazo.
—
Dica profissional para modelar influenciadores:
Associe os gastos ao seu cronograma de publicações
O segredo é associar o valor gasto em cada publicação ao momento em que ela foi ao ar. Caso contrário, o modelo buscará o impacto no lugar errado. Atribuir o investimento ao dia em que o negócio foi fechado é um erro comum, assim como agrupar o investimento por semana ou mês do calendário.
—
Idealmente, em todos os canais de mídia, você deve medir o efeito do investimento: quantos dólares você recebe de volta para cada $1 investido? Ou seja, se possível, você deve modelar o custo real das suas campanhas, e não o alcance, as impressões, os seguidores ou outras métricas fáceis de manipular.
Você também pode querer controlar variáveis externas de grande impacto, como, neste caso, seu ranking na Amazon ou suas ações de RP, embora deva ter cuidado com a forma de incorporá-las.
Essa pilha indecifrável de números é o resultado da função LINEST, disponível tanto no Excel quanto no Planilhas Google. A linha superior contém os coeficientes (observação: eles aparecem em ordem inversa), que informam o impacto de cada atividade de marketing (pressupondo que o modelo esteja correto).
Você pode interpretar os coeficientes da seguinte forma. Para as Campanhas de Influenciadores da Modash, o coeficiente é 0,02, o que significa que, para cada $1 de orçamento, você obteve 0,02 vendas. Se você dividir 1 por 0,02, obterá o Custo por Aquisição (CPA), que, no nosso modelo, é de US$ 46,60. Você pode comparar isso ao número fornecido pelo rastreamento de códigos promocionais, que pode ser maior ou menor.
O multiplicador é a proporção entre esses dois números, que você pode usar como regra geral ao estimar o ROI "real" das suas campanhas daqui em diante. Por exemplo, se você executar uma nova campanha que apresente um CPA de US$ 50 por meio do rastreamento de códigos promocionais, com um multiplicador de 0,73, poderá ter razoável confiança de que o CPA “real” ficou mais próximo de US$ 37 (50 x 0,73 = 37).
No nosso caso, podemos ver que o modelo prevê muito bem as vendas passadas. O MAPE — uma medida de precisão/erro — normalmente fica abaixo de 5% em qualquer semana e é de 3,5% no total. Este é um bom começo, mas não é suficiente!
Em seguida, devemos verificar se nosso modelo consegue prever com precisão novos dados que ainda não viu: por exemplo, as vendas das próximas 4 semanas.
Também é importante que o modelo seja plausível: se ele tivesse nos dito que nossos influenciadores estavam gerando vendas a $5, e não $50, seria difícil acreditar, e isso seria um sinal de que há algo errado com o modelo. De qualquer forma, esses modelos devem ser validados e calibrados com base no que você aprendeu com outros métodos de atribuição de marketing, incluindo, em especial, experimentos controlados e randomizados (testes A/B).
À medida que você busca maior precisão e validade estatística, começará a querer adotar técnicas mais avançadas, como MMM bayesiano, além de medir o impacto defasado das suas campanhas de influenciadores (por quanto tempo após a publicação as vendas ainda ocorrem?) e os retornos decrescentes (quanto é possível investir antes de atingir a saturação?), bem como uma série de outras importantes características de um bom modelo de mix de marketing. É nesse momento que você precisa começar a aprender técnicas avançadas de MMM, contar com um cientista de dados ou contratar um fornecedor como a Recast, capaz de lidar com essa complexidade e garantir que seu modelo seja preciso.