Vivemos o boom do marketing como forma de prospecção e venda nos meios digitais. Serviços, produtos e experiências ficam cada vez mais conectados e inteligentes, e nessa era da Indústria 4.0, essas conexões são mais complexas e volumosas. Neste cenário, utilizar soluções de Inteligência Artificial e Machine Learning podem otimizar muito o processo de tomada de decisão. Neste artigo vamos explicar as diferenças chaves entre o workflow da abordagem tradicional de marketing e da abordagem com uso intensivo de inteligência artificial. O exemplo abrange as áreas de e-commerce e da indústria de serviços digitais, baseados na venda de assinaturas online.  

O cenário final visa mostrar que: a união de métodos de aleatoriedade condicional à inteligência artificial, pode mudar significativamente a forma como ocorrem as operações nesses ambientes (assinatura de serviços digitais), que tentam responder a perguntas como: 

  • Qual layout de um anúncio leva a mais cliques? 
  • Uma cor ou posição diferente do botão de compra levaria a uma taxa de conversão mais alta? 
  • Uma oferta especial realmente atrai mais clientes – e em qual fase da jornada de compra isso tem mais impacto?
  • Quantos e quais artigos você deve deixar cada perfil de leitor ler para assinar um serviço de conteúdo digital (paywall dinâmico)?
  • Qual algoritmo faz a melhor recomendação de produtos? 
  • Qual ação é a mais efetiva em cada fase da compra? 

Workflow 1: Marketing na visão tradicional

Os analistas de marketing frequentemente utilizam testes A/B para avaliar o desempenho de suas estratégias de campanha. O objetivo é ter este feedback para melhorar constantemente as campanhas, de modo a atrair mais clientes para as ações desejadas. Como resultado, a taxa de conversão aumentará. Alguns dos itens a maximizar podem ser: 

  • Aquisições concluídas;
  • pedidos de cotação;
  • downloads de documentos digitais;
  • subscrições de boletim informativo;
  • cliques em anúncios ou banners; e 
  • qualquer outra ação estratégica no site. 

Trabalhando desta forma, as ações se tornam bastante manuais (artesanais) e o aprendizado de cada fase e/ou mudança da estratégia fica primeiramente associado ao conhecimento dos operadores, podendo estes ter dificuldade em expressá-las e até em operacionalizá-las;. 

Workflow 2: I.A no funil de conversão

O teste da aplicação da inteligência artificial começa com a análise do funil de conversão, identificando qual página precisa ser aprimorada. Além disso, você precisa identificar exatamente o elemento que, uma vez alterado, fará uma diferença real no envolvimento do cliente. Uma boa compreensão do comportamento do cliente, combinada ao conhecimento da ergonomia do site, pode apontar para esse elemento-chave, que pode ser: 

  • Marketing: preços, ofertas, call to action;
  • Redação: manchetes, estilo de cópia, duração do texto;
  • Design: layout, cores, fundo, fotos.

A hipótese deve implicar uma conquista de metas. Por exemplo, você pode criar uma hipótese que indique “O endereçamento direto para os clientes através do conteúdo do site aumentará a taxa de conversão em até 5%” ou “A remoção de um campo do formulário de contato aumentará os leads em 4%”.

Seleção das bases de treinamento da I.A

Um percentual dos usuários do site deve receber uma flag (uma nova coluna) marcando que fazem parte do grupo de testes. O sistema deve fazer a atribuição, aleatoriamente, ao longo do dia para que os usuários marcados e não marcados estejam nas mesmas proporções em todas as faixas de horário. Inicialmente separamos os dois grupos:

  • Grupo 1 Método tradicional (50%): Conjunto formado de usuários que recebem as políticas de abordagem padrão vigente, ou seja, o grupo dos usuários normais;
  • Grupo 2 – I.A Exploration (50%): Conjunto de usuários marcados aleatoriamente para receberem testes de intervenções aleatórias com fins de descoberta de padrões. 

Ações aleatorizadas e aprendizado de máquina

Nesta etapa o grupo “Exploratório” começa a receber a aplicação de abordagens aleatórias a depender de qual foi a escolha dos comportamentos a serem aplicados. Vamos dizer que determinado produto tem 3 tipos diferentes de abordagem de venda: 

  1. Compre agora e ganhe desconto de 30%;
  2. Promoção 30% desconto até terminar os estoques;
  3. 30% desconto à vista.  

Ao longo do tempo, os diferentes perfis de compra começarão a emergir, revelando assim diferenças estatísticas entre os perfis. Inclusive, podem acontecer casos onde o grupo 2 (I.A Exploration) tenha um melhor desempenho que o grupo 1 (Método Tradicional). 

I.A aplicada na prática

Com os grupos 1 e 2 selecionados, é possível aplicar a I.A para estudar os comportamentos existentes entre todos os perfis levantados. Neste exemplo, ter apenas 3 opções para cada perfil é algo que pode ser facilmente realizado por analistas humanos. Porém, quando se multiplica a quantidade de produtos pela quantidade de novas ações a serem realizadas, a I.A faz toda a diferença na automação e na escalabilidade do comportamento inteligente, potencializando as descobertas dos perfis de clientes e os resultados. 

marketing tradicional vs marketing com inteligencia artificial
Fluxo de funcionamento do I.A Exploration Exploitation

A escolha das proporções do roteamento de cada grupo é tarefa dos cientistas de dados durante a fase de exploração dos datasets. Agora, o grupo que passou pelo processo de I.A (Que chamamos de Exploration & Exploitation),  deve gerar recomendações em tempo real, mais adequadas a cada perfil, e consequentemente, ter um desempenho de conversão superior ao grupo tradicional, ou seja: O método com I.A gera muita variabilidade, mais aprendizado e mais ganho (conversões).

Talvez você se pergunte – Por que devemos ainda manter um grupo aleatório? A resposta é simples, a aleatoriedade estará sempre fazendo a pesquisa sobre novos comportamentos, desta forma a I.A pode aprender continuamente com o comportamento dos usuários, mesmo que este mude com o tempo. Comportamentos sempre mudam.

Testes das abordagens

As experiências de ambas as abordagens devem ser conduzidas sob regras estritas para que os resultados sejam precisos e preciosos. Assim, existem alguns fatores a serem levados em conta:

  • Tempo: ambos os grupos devem ser atendidos no mesmo período. Caso contrário, os resultados podem ser influenciados pela sazonalidade, tendências e outros eventos externos;
  • Duração do teste: as páginas que receberão comportamentos inovadores (aleatórios ou baseadas na I.A) devem ser executadas por um período de tempo que permita que o teste forneça resultados robustos. A relevância é determinada pelo número total de visitas, o número de visitas incluídas no teste e a meta estabelecida;
  • Quantidade de visitantes: Dependendo do tamanho total de visitantes do serviço, é possível que as variações aleatórias não formem uma quantidade de observações para que os modelos de I.A sejam capazes de aprender. 

O que muda no Marketing após a I.A? (quadro comparativo) 

Logicamente, o processo de implantação de de I.A não é tão simples como exposto neste artigo. Buscamos ser o mais genérico possível uma vez que entendemos que cada negócio apresenta uma complexidade e individualidade característica das tecnologias e modelo de negócio usados. Abaixo fazemos um sumário de como vemos a mudança da forma como o marketing tradicional deve ser alterado pela influência dos modelos que utilizam Inteligência Artificial. 

CaracterísticaTradicionalI.A
Escalabilidade de descoberta de insightsManual 
Os testes AB são manuais. O crescimento é linear, ou seja, para cada x testes é necessário um número x de pessoas. Embora campanhas possam ser automatizada. 
Automático contínuo
A aleatoriedade produz um grande número de tentativas e erros que geram aprendizados de forma constante, apontando tantos os pontos com maior tendência de conversão como também situações totalmente improváveis de conversão. 
Duração dos testesPontual
Os testes A/B tradicionais são pontuais conforme a intuição e capacidade de elaboração de cenários da equipe. 
Contínuo
O processo mineração de novos padrões está acontecendo em tempo real em grupos específicos de usuários pela aplicação de aleatoriedade em pelo menos uma faixa do canal de conversões.
Volume de testesTestes específicos
A combinação de fatores limitada. Ex. Teste A/B onde o produto X é selecionado para persona Y durante tempo Z.  estes A/B
Testes em faixas combinatórias
Os testes podem ocorrer em faixas de valores com múltiplas possibilidades de combinações. Chamamos de teste XX que significa eXploration/eXploitation. Ex. Vamos permitir que a o valor de X varie de 30 a 80 para todas as personas durante tempo Z. 
Fatores de sucesso ou fracassoSubjetivo
O conhecimento dos principais fatores do sucesso ou fracasso de cada tentativa é limitada a um conjunto pequeno de fatores isolados e em muitos caso é incorporado ao conhecimento tácito dos membros da equipe.  
Objetivo
A inferência é quantitativa sobre um conjunto de fatores de análise é quase ilimitado já que este pode pode crescer ao longo do tempo com a ampliação das integrações de dados às bases externas, tais como dados do clima, do trânsito e da economia por exemplo. Dependendo dos algoritmos utilizados para a descoberta de padrões é possível se extrair até as regras de negócio para utilizar na forma tradicional. 
Vire seu dispositivo para visualizar a tabela!

Conclusões

Neste artigo tratamos da comparação metodológica que envolvem dois cenários contrastantes na área de marketing. No primeiro cenário, tratado como marketing tradicional, tem-se com base regras fixas, bem como a experiência dos profissionais marketing, o que torna difícil a replicação e aprimoramento da operação e a escalabilidade dos testes e descobertas de insights. 

No segundo cenário utiliza-se inteligência artificial + técnicas de aleatorização condicional de dados aplicadas de forma intensiva, para explorar e descobrir oportunidades de otimização da conversão de leads. Com este método de exploração reunimos mais informações que podem nos levar a melhores decisões no futuro e ao mesmo tempo executamos a exploração, que é a melhor decisão tomada no momento mais propício. Ainda, é importante salientar que a estratégia de aleatorização depende de análises exploratórias profundas para a customização ideal da plataforma na operação. 

Hoje vemos que apesar do aumento da complexidade do stack tecnológico envolvido na aplicação da IA, há uma tendência de investimentos bastante forte neste sentido para aumentar escalabilidade aos negócios digitais de forma cada vez mais inteligente e personalizada. 

Por fim, mas não menos importante. Ressaltamos a necessidade de revisar os indicadores de desempenho para então trabalhar em sua otimização. Recomendamos um estudo de seu processo de geração e testes, pois os indicadores podem estar descalibrados, algumas dicas já foram escritas neste outro artigo 7 dicas de ouro sobre design de indicadores. Em nossa experiência, acompanhamos diversas situações de indicadores com problemas conceituais desajustados às políticas e as expectativas da gestão e com isso nenhuma das abordagens traziam resultados.