MTA com Cadeias de Markov: Como Transformamos Jornadas Complexas em Decisões de Mídia

Introdução

Você sabe como funcionam modelos de atribuição para seu negócio e como você pode usar isso ao seu favor nos seus resultados de mídia?

Para entender melhor, vamos começar falando do usuário.

Quando um usuário está navegando online, ele passará por diversos canais em sua jornada, canais esse que chamaremos a partir de agora de “touchpoints”, ou pontos de contato, antes de fazer uma compra ou gerar um lead, isso acaba tornando a jornada do usuário mais complexa. 

Nesse momento, surge uma pergunta: Como sabemos o quanto cada canal contribuiu? 

Modelos Heurísticos

Dentro dos modelos, temos uma diferença entre modelos single touch-point e multi touch-point, a diferença principal entre eles é que enquanto os modelos single touch dão crédito apenas a um canal da jornada, os multi touch dão crédito para 2 ou mais canais, dependendo da especificidade de cada modelo.

Modelos Algorítmicos

Por outro lado, modelos algorítmicos utilizam probabilidade e estatística para definir a contribuição de cada canal com base em definições matemáticas formais, essa é a lógica por trás da Atribuição Multicanal. 

Nesse post falaremos apenas das Cadeias de Markov, que foi ponto central na nossa análise de jornada.

Cadeias de Markov

Utilizamos as cadeias de Markov em atribuição multicanal para calcular a probabilidade de interação entre pares de canais de mídia com a Matriz de Transição. 

Acima vemos  a matriz de transição, onde cada linha indica em qual canal estamos e as colunas é a probabilidade de transição de cada canal, isso ajuda a entender os canais iniciadores, influenciadores e conversores.

Em relação a contribuição de cada canal nas conversões, o Removal Effect vem: 

Para cada jornada, um dado canal é removido e a probabilidade de conversão é calculada.      

Depois, o valor atribuído a um canal é obtido pela taxa da diferença entre a probabilidade de conversão geral e a probabilidade geral depois que dado canal foi removido.

Em outras palavras, quanto maior o removal effect do canal, maior é a sua contribuição.

Vemos no seguinte exemplo:

Quando trabalhamos com Processos Markovianos não há restrições para a quantidade ou ordem dos canais, mas a sequência deles é uma parte fundamental do algoritmo.

A sequência é fundamental porque é nela que reside a "vizinhança" do canal. 

O algoritmo entende o valor de um canal pela sua capacidade de mover o usuário para o próximo canal até a conversão.

Com tudo isso, poderemos comparar modelos para saber qual é o modelo de atribuição ideal para o seu negócio e saber onde colocar seus investimentos.

Aplicamos essa metodologia na DP6 em diversos projetos.

Recentemente, em parceria com uma das maiores plataformas de compra e aluguel de imóveis do país, iniciamos um desafio estratégico: superar as limitações do modelo Last Click através de soluções orientadas por dados.

Problema inicial

A segmentação da jornada do consumidor em múltiplos dispositivos e canais torna o modelo utilizado, o Last Click, simplista demais para ditar a atribuição.

O desafio central era decifrar o comportamento multicanal, visto que as jornadas deste cliente são longas, para entender aonde alocar melhor os recursos em fontes de tráfego que performam melhor em vários níveis da jornada, desde o ínicio até o fim da jornada, assim como o meio da jornada, e com base nisso sugerir melhorias no modelo de atribuição usado.

Abordagem DP6 

Utilizamos uma análise exploratória de dados combinada à nossa biblioteca proprietária de modelos de atribuição (MAM).

Essa metodologia permitiu processar os dados de interação nas jornadas para sair da visão simplista do last click.

Cruzamos métricas de engajamento com modelos matemáticos para isolar a contribuição individual de cada canal dentro do ecossistema digital do parceiro.

Desafios Técnicos

Volume de Dados

Como o volume de dados por vezes supera o nosso poder de processamento utilizado, optamos por realizar quebras de período, o que possibilitou ter uma visualização granular de como cada canal se comporta em diferentes momentos do ano.

Falta de Cross-device

A falta de um user_id que identificasse um usuário dentro de plataformas diferentes (site e aplicativo) nos fez tomar rumos diferentes dentro da análise para verificar qual seria a melhor solução para contornar isso.

Depois do esforço mútuo para solucionar esse problema, optamos por fazer uma quebra entre as duas plataformas para verificar as jornadas de cada uma separadamente.

Configuração de Bases

Como a MAM precisa de uma configuração específica e detalhada de tabelas para conseguir rodar cada modelo de atribuição sem erro e calcular o peso de cada canal, foi necessário uma configuração completa de bases com regras de negócio muito bem definidas para que não houvesse erros no desenvolvimento do código.

Resultados

Inteligência de Conversão

Identificamos os canais com maior potencial de serem influenciadores, conversores ou iniciadores da jornada, e onde estratégias que até então tinham um objetivo, como reconhecimento de marca ou introdução à jornada, não performarem como esperado.

Saúde da Jornada

Mapeamos os canais responsáveis por manter o usuário ativo, entendendo como otimizá-lo para reduzir as taxas de abandono ao longo do funil.

Gestão de Risco e Impacto

Quantificamos o risco real de queda no volume de leads caso canais específicos fossem cortados, por meio do efeito remoção, revelando dependências que estavam ocultas.

Eficiência Operacional

Extraímos métricas críticas como o tempo médio para conversão, o número médio de pontos de contato e a duração da jornada, entregando um roadmap estratégico para a otimização de investimentos.

Comparativo Inicial de Modelos

Com base nos modelos calculados pela MAM, pudemos ver uma estimativa de onde é interessante alocar e remanejar mais recursos.

Conclusão

Este projeto reforça o papel da Atribuição Multicanal e da utilização de estratégias data-driven como ferramentas indispensáveis para decifrar jornadas complexas.

Ao entender não apenas quem converte, mas quem engaja e retém o usuário, transformamos a análise de dados em vantagem competitiva.

Para marcas que operam em mercados de alta consideração, como o imobiliário, dominar essas atribuições é a diferença entre gastar orçamento de mídia e investir estrategicamente em crescimento.

Se a sua empresa também enfrenta o desafio de entender jornadas complexas, ir além do Last Click e tomar decisões de mídia realmente orientadas por dados, a DP6 pode ajudar.

Entre em contato conosco para entender como aplicar modelos avançados de mensuração e atribuição multicanal no seu negócio e construir uma solução sob medida, assim como fizemos neste case. Transforme dados em inteligência acionável, otimize seus investimentos e ganhe vantagem competitiva com estratégias baseadas em estatística, tecnologia e profundo conhecimento de negócio.