O uso de modelos de marketing e algoritmos evolutivos para otimizar campanhas publicitárias

Baseado no artigo “Estrutura de evolução diferencial para otimização de orçamento em modelos de marketing com efeitos de saturação e estoque de anúncios” de Morais et al. (2024), disponível em ScienceDirect.

Os modelos de marketing são métodos estatísticos e matemáticos que visam elucidar os verdadeiros resultados da publicidade e, embora esses modelos não sejam tão populares quanto os modelos de linguagem grande (LLMs) e os novos modelos de IA generativa, eles são igualmente importantes. Podemos, por exemplo, usar um modelo de atribuição multitoque para estimar qual canal de mídia é fundamental para as conversões ou avaliar qual peça publicitária tem o melhor desempenho com um teste A/B controlado. Mas, quando se trata de entender e otimizar o impacto da mídia, a necessidade de uma modelagem de mix de marketing é certa. Construir um modelo como esse parece fácil à primeira vista, já que existem muitas ferramentas de código aberto disponíveis para ajudar nessa tarefa, mas é aí que muitas empresas geralmente cometem erros: criar esses modelos sem a compreensão adequada dos conceitos envolvidos provavelmente levará a interpretações errôneas e, consequentemente, a uma estratégia de publicidade errada.

Esse tipo de modelagem, comumente chamado de MMM, está entre as ferramentas de marketing mais importantes e geralmente se baseia em várias regressões lineares aplicadas a modelos de previsão de séries temporais, considerando os efeitos de transferência e saturação de publicidade, conceitos muito importantes para a compreensão de como a publicidade funciona. Esse primeiro efeito, também chamado de “estoque publicitário”, é um conceito estudado desde a década de 1960 que se relaciona com o aspecto “acumulativo e decadente” dos anúncios. Em termos simples, cada peça publicitária pode ter um efeito imediato e um efeito de longo prazo que decai com o tempo, o que implica que investimentos publicitários sucessivos podem criar um efeito virtual de “investimento acumulado”, que pode levar a um resultado totalmente diferente do esperado. Quanto ao efeito de saturação, também um conceito estudado desde a década de 1960, está relacionado aos retornos decrescentes que a superexposição a um anúncio pode causar. Basicamente, todo canal de mídia tem um ponto de saturação, indicando o momento em que um aumento no investimento em publicidade não levará a um aumento na resposta, o que significa que tudo além desse ponto é gasto demais. Um ponto frequentemente negligenciado é que a curva de saturação é função da resposta do investimento virtual (adstock), não do valor real do investimento. Isso significa que investimentos publicitários sucessivos podem fazer com que um canal de mídia fique saturado, mesmo que o valor imediato do investimento seja baixo.

Como podemos ver, há muitas variáveis a serem consideradas para otimizar uma campanha de marketing. O fato de que o efeito acumulativo dos anúncios deve ser considerado quando se analisa a saturação significa que não apenas a parcela do orçamento entre os canais é importante, mas também a forma como o orçamento de cada canal é alocado ao longo do tempo, já que o mesmo valor de investimento pode levar a resultados diferentes dependendo da distribuição das inserções. A soma desses fatores torna isso um problema com várias soluções. E como podemos calcular qual é a melhor distribuição para o orçamento considerando tudo isso? Por meio de um algoritmo de otimização, é claro! Esses são algoritmos que visam encontrar a solução ideal para qualquer problema e têm muitas categorias e aplicações. Existem, por exemplo, algoritmos de enxame, que são baseados em populações e geralmente imitam o comportamento dos animais na natureza, e também existem algoritmos evolutivos, que são baseados no processo de evolução biológica e seleção natural e usam os conceitos de evolução através de gerações e sobrevivência do mais apto para alcançar a solução ideal. O artigo no qual este artigo se baseia propõe uma solução que usa o algoritmo de evolução diferencial, um algoritmo evolutivo derivado do algoritmo genético clássico conhecido por sua versatilidade e capacidade de evitar mínimos locais.

O processo de otimização visa encontrar o melhor valor a ser investido em cada canal de mídia e também como esse valor deve ser distribuído ao longo do tempo. Para isso, devemos encadear dois algoritmos de evolução diferencial simultâneos: o primeiro algoritmo realiza a “otimização global”, recebendo o orçamento disponível para a campanha e sugerindo possíveis distribuições desse valor entre os canais. O segundo algoritmo, então, realiza a “otimização local”, recebendo o valor alocado pelo global e buscando a distribuição ao longo do tempo desejado que concederá a cada canal de mídia o melhor retorno sobre o gasto publicitário (ROAS) enquanto calcula os efeitos de estoque de anúncios e saturação. O algoritmo global então recebe de volta o resultado do algoritmo local para cada canal de mídia e executa uma nova distribuição com base no resultado total, e esse processo continua entre a otimização local e global até que a melhor solução para o sistema seja alcançada. Esse processo, quando aplicado corretamente, tem a capacidade de tirar o máximo proveito das campanhas de marketing, alcançando o melhor resultado, às vezes, mesmo gastando menos.

Esse é um exemplo de como conceitos de várias áreas podem ser unidos para criar soluções que podem ser aplicadas em cenários do mundo real. Dada a grande quantidade de dinheiro que é gasta em publicidade, é inaceitável ainda ter marketing baseado em intuição. De fato, há uma necessidade crescente de modelos de marketing, mas também deve haver a necessidade de conhecimento para criar esses modelos, avaliar soluções de empresas terceirizadas, que às vezes dependem da falta de informação de seus clientes para fornecer modelos ruins, e até mesmo avaliar as ferramentas de código aberto, que fornecem essa otimização com o MMM, mas a maioria delas tem falhas em sua metodologia, o que motivou a redação deste artigo. Informações mais detalhadas sobre os tópicos mencionados e uma aplicação prática podem ser encontradas no artigo de Morais et al. (2024).