Nos últimos anos, todos os principais participantes da comunidade de tecnologia de publicidade notaram o provável retorno da publicidade contextual, causada pelas regulamentações de privacidade e melhorias na inteligência de máquina contextualizada. Os anunciantes também descobriram que esses anúncios podem ser mais envolventes para o público, porque os anúncios se combinam intimamente com o conteúdo circundante.
A contextualização disponível hoje pode melhorar significativamente a precisão, relevância e usabilidade dos modelos de segmentação e, por fim, gerar um maior ROI, garantindo a segurança da marca e a privacidade dos usuários. Vamos discutir como o potencial inexplorado dessas soluções pode finalmente ser utilizado.
O segundo pilar fundamental
A publicidade personalizada, que foi amplamente adotada por profissionais de marketing digital na última década, é baseada na capacidade do anunciante de entregar mensagens relevantes, oportunas e envolventes que ressoam com as intenções dos usuários.
Os principais tipos de segmentação dentro dessa abordagem são a segmentação contextual e baseada no público. O primeiro depende da correspondência de anúncios com o conteúdo da página, enquanto no segundo, os anúncios são exibidos para usuários específicos com base em seu comportamento online e/ou dados sócio-demográficos.
Até agora, a ênfase foi colocada na segmentação com base no público por meio de cookies. No entanto, os regulamentos de privacidade, como GDPR, CCPA e a eliminação de cookies de terceiros dos navegadores mais populares mudaram uma escala em direção a soluções contextuais. A segmentação contextual usa dados primários e permite que os usuários preservem a privacidade dos dados.
Por meio da categorização do conteúdo da web, é mais provável que a segmentação contextual corresponda às intenções atuais dos usuários do que ao seu comportamento online anterior. Por fim, os anúncios são veiculados ao público-alvo em um contexto particularmente relevante e envolvente para a marca.
Categorização e ML para melhor segmentação
A publicidade contextual existia muito antes da Internet; um exemplo disso é ver anúncios automotivos ao ler uma revista de automóveis. Hoje, devido aos avanços na ciência de dados e computação, os anunciantes podem se afastar da classificação genérica no nível vertical e mergulhar mais fundo no contexto.
Do ponto de vista tecnológico, os métodos de classificação, como a taxonomia, ainda estão no centro da segmentação contextual; no entanto, sua precisão e granularidade estão significativamente melhoradas. Por exemplo, na MGID, usamos classificação de conteúdo da web baseada em IA, que detecta quase 500 categorias de conteúdo exclusivas, e pode implantar opções adicionais mediante solicitação.
Algoritmos sofisticados permitem a classificação de tipos de conteúdo, tópicos e outras entidades (pessoas, produtos, etc.), e a análise de sentimento das informações subjetivas na página. Assim, a categorização e a compreensão do conteúdo da web são alcançadas não apenas por palavras-chave nas informações de texto, mas por categorias de alto nível que levam em consideração componentes e atributos de nível de detalhe. Por exemplo, os anunciantes podem colocar certos tópicos em uma lista negra das rodas de sua campanha e segmentar apenas as páginas com o sentimento mais favorável.
A classificação de texto profundo e o aprendizado de máquina também permitem discernir padrões em dados anteriores, avaliar alternativas e fazer recomendações direcionadas para otimização de campanha. Para fornecer insights relevantes e fazer recomendações, os cientistas de dados podem aplicar dois modelos básicos de análise prescritiva, ou seja, aprendizado de máquina supervisionado e não supervisionado.
No aprendizado supervisionado, a experiência humana anota os dados de origem, escolhe rótulos e categorias, que são então ajustados por meio do aprendizado ativo e usados pelo software para fazer previsões. No aprendizado não supervisionada, o próprio software cria o sistema de categorias a partir dos dados de origem e desenvolve recomendações para os casos agrupados. Por enquanto, as opções de modelagem predominantes de empresas de tecnologia de publicidade são combinar métodos de classificação tradicionais, como taxonomia e aprendizado de máquina supervisionado.
Considerações finais
Por enquanto, os dois tipos de segmentação, contextual e baseada no público, são relevantes no ecossistema de publicidade. No entanto, à medida que se torna mais fácil obter uma classificação refinada do conteúdo da web e garantir que os anúncios correspondam com precisão ao conteúdo mais relevante, o contexto provavelmente desafiará a primazia da publicidade baseada em cookies.
Grandes tecnologias e projetos como IBM Watson, Google Data Studio, MonkeyLearn e MetaMind desenvolveram os principais recursos necessários para adoção em massa – ferramentas de computação sob demanda e dados de código aberto. A partir de agora, o principal catalisador da expansão contextual é a capacidade de fornecer sistemas de controle adequados para a otimização de campanha e o desejo da comunidade publicitária de colocar novas soluções em produção.
