Growth Marketing: Dominando análises preditivas e atribuição de campanhas

Aplicações de modelos preditivos no marketing - Apresentação

Apresentando a instrutora e o curso

Olá! Meu nome é Bárbara, sou instrutora da Alura, e hoje vamos dar nosso primeiro passo no universo de modelos preditivos aplicados ao marketing.

Audiodescrição: Bárbara é uma mulher branca, de cabelo castanho claro e comprido, olhos castanhos, e veste uma blusa azul. Ela está em um ambiente de escritório, com uma parede clara ao fundo e uma estante com livros e plantas.

Antes de começarmos, gostaria de me apresentar. Tenho mais de 10 anos de experiência em marketing e já trabalhei em áreas como CRM e mídia, sempre com o foco em transformar dados em decisões mais inteligentes. Atualmente, sou gerente de mídia em uma empresa de tecnologia. Já atuei em outros segmentos, como varejo e fintechs, sempre com o objetivo de construir marcas fortes utilizando dados, histórias e gerando grande impacto.

Introduzindo o conceito de modelos preditivos no marketing

Quando falamos de marketing, temos a preocupação de investir dinheiro no lugar certo, identificar o melhor canal para investir e determinar se estamos alocando a quantidade adequada de recursos. O modelo preditivo é um aliado nesse processo, pois auxilia na tomada de decisão. Ele consiste em coletar informações do passado e tentar prever tendências futuras.

Neste curso, abordaremos todos esses aspectos, discutindo como aplicar o modelo preditivo e como ele pode ajudar a transformar dados em decisões mais acertadas para o futuro. Vamos começar a explorar os modelos preditivos?

Aplicações de modelos preditivos no marketing - O que é um modelo preditivo

Introduzindo o conceito de modelo preditivo

Vamos iniciar este curso discutindo o conceito de modelo preditivo. Muitas vezes, ao mencionarmos modelos preditivos, pode parecer algo distante ou excessivamente técnico, mas, na verdade, eles estão muito presentes em nosso cotidiano. A ideia aqui é apresentar esse conceito e demonstrar o quanto o utilizamos em nosso dia a dia, seja no trabalho ou na vida pessoal.

Quando falamos de modelos preditivos, estamos nos referindo a algo que combina dados históricos com algoritmos. Esses dados podem ser de vendas, mídias, CRM, entre outros. Ao juntarmos essas informações com algoritmos, eles analisam os dados, identificam padrões e utilizam essas informações de forma inteligente para prever eventos futuros. Por exemplo, ao rodarmos uma campanha de mídia no Google Ads, podemos obter informações sobre quantas pessoas clicaram, de onde são essas pessoas e qual a faixa etária. Analisando tudo isso, construímos uma tendência ou padrão para campanhas futuras, permitindo decisões mais assertivas.

Explicando a precisão dos modelos preditivos

Em outras palavras, o modelo preditivo aprende com o passado para antecipar o futuro. Ele não adivinha, mas calcula. Quanto mais dados temos, mais preciso ele se torna. É importante possuir uma base histórica relevante, de 3 a 5 anos, para que o modelo seja mais preciso. Resumindo, o modelo preditivo utiliza dados para prever o que pode acontecer, oferecendo uma base mais segura para a tomada de decisão. Ele transforma o achismo em probabilidade.

No passado, falávamos muito sobre achismo no marketing, mas hoje, com a ajuda dos modelos preditivos, conseguimos construir tendências e padrões de comportamento em campanhas e em outras áreas do marketing. É interessante destacar que o modelo preditivo não é algo tão técnico e está presente em diversas situações.

Exemplificando o uso de modelos preditivos no cotidiano

Por exemplo, o aplicativo de previsão do tempo no celular informa que há 80% de chance de chuva amanhã. Isso não é achismo ou mágica; ele analisa anos de dados meteorológicos, como temperatura, pressão, umidade e direção do vento. Ao reconhecer padrões, ele aplica esse conhecimento para prever a probabilidade de chuva, aprendendo com o histórico e aplicando no presente.

Outro exemplo interessante é quando uma plataforma de streaming, como a Netflix, nos indica uma nova série. Ela não lê nossa mente ou simplesmente acha que vamos gostar; na verdade, observa tudo o que assistimos, analisa todos os dados, incluindo os de pessoas com comportamentos semelhantes, e faz previsões comparando com milhões de outros usuários. Estamos falando de uma base de dados muito robusta. A plataforma identifica padrões, cria tendências e nos apresenta, logo na capa, a série que temos 90% de chance de gostar, demonstrando um modelo preditivo em ação. Esses sistemas aprendem com comportamentos passados para antecipar o futuro, aplicando-se ao nosso dia a dia.

Aplicando modelos preditivos em marketing e negócios

Agora, vamos trazer um exemplo mais relacionado ao contexto de marketing e negócios. No marketing, utilizamos o modelo preditivo para antecipar previsões futuras e prever tendências. Antigamente, baseávamos nossas decisões em suposições, mas hoje o modelo preditivo nos ajuda a responder perguntas que antes dependiam apenas de experiência ou intuição. Por exemplo, conseguimos prever vendas futuras com base em dados históricos e sazonalidade, estimando quanto a empresa deve vender nos próximos meses. Outro exemplo é a estimativa de leads. Conhecendo o desempenho de campanhas passadas, conseguimos prever quantos leads uma nova ação provavelmente gerará.

Um exemplo interessante é a probabilidade de churn, que é a chance de um cliente cancelar um serviço com base no comportamento de uso, frequência de compra ou engajamento. Podemos prever se um cliente vai cancelar o serviço e atuar para remediar essa tentativa de churn antes que realmente aconteça. Além disso, ao analisar o histórico de performance, conseguimos prever qual canal de investimento tende a ter mais retorno, seja Google Ads, TikTok, e-mail ou offline. Em todos esses casos, o modelo cruza dados históricos, identifica padrões e gera previsões que orientam decisões de investimento, planejamento e performance. O que muda é a variável, mas o princípio e o modelo são sempre os mesmos.

Relacionando modelos preditivos a decisões pessoais

Para fixar o conceito de modelo preditivo e trazê-lo para o nosso presente, vamos a um exemplo de vida pessoal: um TED Talk da Hannah Fry, "The Mathematics of Love". A matemática e pesquisadora Hannah Fry apresenta como algoritmos e estatísticas conseguem prever padrões até em decisões humanas, como relacionamentos. Ela analisa dados de encontros e mostra que é possível prever a probabilidade de duas pessoas combinarem com base em comportamentos e escolhas anteriores. Isso é semelhante ao que o marketing faz ao tentar prever o comportamento do consumidor. A palestra serve como uma metáfora para entender e fixar o conceito de modelo preditivo, que não se aplica apenas a máquinas ou planilhas, mas também ajuda a entender o comportamento humano. No fundo, prever o consumo e prever o amor não são tão diferentes ou distantes. Em ambos os casos, a lógica é aprender com o passado para aumentar as chances de um bom resultado no futuro.

Aplicações de modelos preditivos no marketing - Diferença entre análise histórica e preditiva

Introduzindo a importância do entendimento do passado

Se assistimos à aula anterior, já entendemos como os modelos preditivos conseguem antecipar comportamentos, desde a previsão de chuva até a recomendação de séries. No entanto, antes de qualquer previsão, é fundamental o entendimento do passado. É isso que guiará nossa aula de hoje. Vamos discutir a diferença entre análises históricas e preditivas.

Na aula anterior, falamos um pouco sobre análises preditivas e a importância dos dados. No dia a dia, em qualquer área, seja marketing, produto, etc., há uma confusão ao tratar uma análise histórica versus uma análise preditiva. Muitas vezes, são tratadas como se fossem a mesma coisa, mas elas respondem a perguntas completamente diferentes. Hoje, vamos entender o porquê.

Comparando análises históricas e preditivas

Quando falamos de dados, existem duas formas principais de analisá-los. Primeiro, temos a análise histórica, que explica o que aconteceu, e a análise preditiva, que projeta o que provavelmente vai acontecer. Essas duas etapas são complementares e não realizam o mesmo trabalho. Empresas como o Google e a Amazon, que são muito avançadas, tratam essas camadas de análise como funções separadas. Elas entendem primeiro o histórico e, em seguida, usam esse histórico como base para a predição, o que discutimos na primeira aula: ter uma base robusta e um histórico para prever tendências e comportamentos comuns.

Se tentarmos prever sem entender o passado, estaremos apenas adivinhando, sem realmente criar um modelo de predição. Agora, falando especificamente de análise histórica, se fôssemos resumir ou trazer um sinônimo, seria como um retrovisor. Ela é descritiva, responde ao que aconteceu e é onde avaliamos a evolução de vendas, CAC, CPA, taxa de recompra, sazonalidade, quedas, picos, etc. Analisamos diversos KPIs, como em uma loja de varejo, para decidir o que repor, redistribuir ou até mesmo quando revisar o histórico de fraudes para identificar padrões e ajustar regras de segurança. Isso tudo explica o passado, mas não traz projeções ou visões de futuro, apenas analisa o histórico sem indicar tendências.

Explorando a análise preditiva

A análise preditiva, por outro lado, é como um para-brisa. Ela não foca em explicar o que já aconteceu, mas em usar o passado como base para estimar o que vem pela frente. Responde a perguntas como: se aumentarmos o orçamento, quantas conversões teremos? Ou, se mudarmos o preço, qual será o impacto na demanda? Quanto devemos produzir ou estocar? Diferente da análise histórica, a análise preditiva realmente nos ajuda a prever certos comportamentos.

Como podemos abastecer, por exemplo, o centro de distribuição antes da demanda existir? Temos a Amazon e o Mercado Livre como exemplos. Atualmente, eles mantêm os centros de distribuição abastecidos, e, ao realizar uma compra, é possível receber o produto no mesmo dia, dependendo da localização. Isso ocorre porque utilizam um modelo de predição para abastecimento. Já discutimos também, na primeira aula, sobre a previsão de cancelamento com base no comportamento. Se assinamos um serviço de streaming de música ou vídeo, por exemplo, é possível prever o risco de cancelamento com base em X dias sem ouvir música ou assistir a vídeos, permitindo tomar ações para evitar que o cliente se torne um possível churn.

Aplicando análises em campanhas de marketing

Agora, trazendo um exemplo mais realista em marketing do dia a dia, imaginemos que estamos planejando uma campanha de Black Friday. Ao analisar a campanha de Black Friday de 2024, percebemos que ela resultou em 1.200 vendas. Isso é um diagnóstico útil, mas limitado, pois descreve apenas o que ocorreu no passado. Com a análise preditiva, planejamos 2025. O modelo analisará a curva de conversão, o desempenho dos criativos, o CPM dos últimos meses, o CPC dos últimos meses, a variação por canal, a base ativa versus a taxa de recompra, e projetará algo como 20% a mais de orçamento, resultando em 1.500 a 1.800 vendas. Isso altera completamente as metas de planejamento de estoque, distribuição de orçamento, estratégia de criativos e estimativa de ROI.

É exatamente assim que empresas como Google e Meta estruturam seu planejamento. Elas se baseiam no histórico e no modelo preditivo, utilizando ambos de forma complementar para um planejamento mais inteligente. É interessante associar isso ao marketing, como mencionado, e isso se relaciona com o livro sugerido, "Kotler e Marketing 5.0". Kotler afirma que o marketing moderno precisa ir além do descritivo. O desafio agora é prever comportamentos e antecipar necessidades. A jornada de maturidade analítica envolve entender o que aconteceu, por que aconteceu, o que vai acontecer (modelo preditivo) e o que devemos fazer a partir disso (modelo prescritivo). O foco está na transição para prever o que vai acontecer e o que devemos fazer a partir disso.

Concluindo a importância das análises para decisões estratégicas

Para finalizar, resumindo o que aprendemos nesta aula: a análise histórica explica o passado, enquanto a análise preditiva projeta o futuro. Juntas, elas criam uma base sólida para decisões de marketing, produtos e negócios, formando a base de qualquer estratégia orientada por dados. Essa combinação certamente ajudará a tomar decisões mais estratégicas e inteligentes, seja em uma empresa ou negócio. Na próxima aula, começaremos a conectar tudo isso com modelos mais robustos e aplicações práticas para marketing, mídia e negócios.

Sobre o curso Growth Marketing: Dominando análises preditivas e atribuição de campanhas

O curso Growth Marketing: Dominando análises preditivas e atribuição de campanhas possui 262 minutos de vídeos, em um total de 66 atividades. Gostou? Conheça nossos outros cursos de Marketing Digital em Inovação & Gestão, ou leia nossos artigos de Inovação & Gestão.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Aula 1
• Aula 2
• Aula 3
• Aula 4
• Aula 5
• Aula 6
• Aula 7