Entendendo a verdadeira Jornada do Cliente: um caso de uso do algoritmo de Modelagem Preditiva

Qual é a jornada de usuário mais comum antes da instalação do meu aplicativo? Existe um canal em que o engajamento se correlaciona diretamente com os caminhos mais curtos de clique para conversão? As atividades de marketing específicas para topo de funil influenciam mais do que outras?

O caminho de um cliente para a conversão raramente — ou nunca — é simples. Mas, preencher as lacunas para entender como os usuários estão interagindo com seus programas de marketing antes do “last touch” ficou ainda mais fácil com o algoritmo de Modelagem Preditiva da Branch.

Definindo o Last Touch e Atribuição Multi-toque

A lógica da Atribuição de último toque (last touch) dá crédito de um evento de conversão ao clique ou impressão mais recente.

Já a lógica de Atribuição Multi-toque (multi-touch) consegue dar o crédito de um evento de conversão a cliques e impressões que realmente levaram o evento de conversão a acontecer.

Embora a Atribuição de último toque ofereça dados importantes para avaliar o desempenho da campanha e a eficácia dos custos de marketing, ela não mostra toda a dimensão da jornada de um usuário até a conversão. Por exemplo, se um usuário clica em três links em um blog , um link no e-mail e, depois disso, clica em um banner no site móvel e converte ali, um modelo de último toque atribuirá a conversão inteiramente ao site. Por outro lado, com os relatórios de atribuição multi-toque, você descobrirá insights sobre as atividades de marketing além desse último toque, mas que também contribuem para a conversão. Assim, é possível entender o caminho completo de um usuário até o aplicativo, não importa o quão sinuoso seja.

Então, por que todo mundo não usa a Atribuição Multi-toque para melhorar as decisões de marketing?

Embora o Multi-toque seja visto como modelo para relatórios de atribuição, é difícil colocá-lo em prática. Em primeiro lugar, ele demanda resolver a identidade de usuários através de uma variedade de pontos de contato — uma tarefa difícil para uma empresa que não mantenha a maioria de seus usuários constantemente logada (e ainda mais difícil quando se trata de vincular tráfego anônimo). Mesmo quando esses pontos de dados estão disponíveis, você também precisa de um modelo de dados que possa digerir essas informações e torná-las úteis para os gestores de cada canal. Em outras palavras, obter o verdadeiro valor do relatório Multi-toque é um processo demorado e caro.

Como habilitar os insights Multi-toque com a Branch

A Branch tradicionalmente aproveitou a atribuição de último toque (last touch) para dar o crédito a diversos canais de marketing. No entanto, o algoritmo de modelagem preditiva que funciona por trás da nossa atribuição também nos permite colocar juntos os caminhos de múltiplos toques até a conversão.

Estamos apresentando essas grandes perspectivas pela primeira vez com um algoritmo de modelagem preditiva. Ele gera uma visualização única anônima capaz de reunir eventos que se acreditava serem anônimos e não rastreáveis (ou seja, visitantes do site não logados, cliques que não convertem etc). É possível usar essa visão para entender melhor as interações do usuário com pontos de contato – informação que pode impulsionar a estratégia de marketing, mapear a jornada do cliente e criar modelos MTA complexos.

Estudo de caso de dados de um cliente anônimo

No trecho do relatório abaixo, com base em dados de um cliente da área de mídia, podemos entender entender que tipos de insights de negócios um algoritmo de modelagem preditiva pode gerar.

Jornada Multi-Toque Pré-Instalação

Esse cliente da Branch viu aproximadamente 25% dos usuários tocarem links da Branch em dois ou mais canais em sua jornada antes de instalar o aplicativo de sua janela de atribuição de clique-to-install.

Análise de Touch Position

A aquisição de usuários não é impulsionada apenas por toques de aquisição. Às vezes, uma aquisição fraca no site móvel seguida por um re-engajamento inteligente é exatamente o que um usuário precisa para solidificar a intenção de download. Usando um algoritmo de modelagem preditiva, conseguimos entender melhor os pontos de contato que impulsionam tanto a descoberta de topo de funil funil quanto o re-engajamento downstream.

A Visão de Mundo de Last Touch

O normal no setor é relatar o último toque que levou à instalação do aplicativo e, por isso, queremos iniciar este estudo de caso com essa visão. Isso é o que você veria diretamente em qualquer painel de relatórios que utilizar. Observe que, claro, o Journeys e as chamadas para ação (CTAs) de download de aplicativo representam a maior fatia do gráfico pizza aqui, com 53%. Isso faz sentido, já que o usuário já tem a intenção de fazer download e só quer o caminho mais rápido para esse fim.

Quais canais contribuíram para o último toque

Em vez de usar alguns modelos complexos para designar peso, a maneira mais simples de entender a atribuição além do último toque é com o conceito de assistências. Este gráfico especifica TODOS os toques que não foram o último. Por exemplo, se o usuário clicou em um e-mail, visualizou uma página do site e depois clicou em um banner para instalar o aplicativo, tanto os toques no e-mail e quanto a página do site serão incluídos abaixo, mas não o banner de instalação do aplicativo.

Os dados CPID ajudam você não apenas a entender a lista de volume dos toques de assistência. Eles também oferecem uma maneira orientada por dados de valorar suas atividades de marketing com a jornada completa do cliente em mente. Por exemplo, para esse cliente, fica claro, ao olhar para o gráfico abaixo, que o e-mail está sendo subvalorizado pela empresa, já que mais de um terço do crédito está sendo concedido a outros recursos mesmo nos casos em que um toque de assistência no e-mail levou uma instalação dentro da janela de atribuição do cliente.

1Dados extraídos dos 8 principais canais
2Calculado por divisão Número de instalações de último toque/ Número de instalações de último toque e assistidas

Compreendendo a Jornada Multi-Toque Completa1

Usando a atribuição de último toque é quase impossível obter informações sobre como um usuário engajou com seus programas de marketing antes da conversão. O algoritmo de modelagem preditiva da Branch ajuda a preencher essa visualização, proporcionando informações sobre todos os toques que levaram àquele last touch. Esse gráfico reflete um percentual detalhado por ferramenta com que os usuários engajaram ao longo da jornada até a instalação. Por exemplo, se um usuário compartilhou um conteúdo, depois clicou em um link do e-mail e então, finalmente, instalou o aplicativo por um post do blog, os toques do compartilhamento, e-mail e blog seriam capturados como LT-2, LT-1 e Último Toque, respectivamente.

1Dados extraídos dos 8 principais canais
2Calculado por divisão Número de toques de e-mail LT-1/ Número de toques LT-1

Eficácia da Conversão de Instalação (%) por Canal1

O gráfico abaixo mede a eficácia dos recursos em levar os usuários a instalar o aplicativo e em qual quantidade de toques. Os banners do Journeys do cliente e jogos de celular foram muito eficazes para gerar caminhos curtos de clique-para-conversão, com mais de 90% dos primeiros toques provenientes de ambos resultando em instalação. Por outro lado, os links do site foram mais eficazes em impulsionar instalações quando o usuário não fez o download imediatamente.

1Dados extraídos dos 8 principais canais
2Calculado por divisão Número de primeiros toques de e-mail que resultaram em instalação/ Número total de primeiros toques atribuído ao e-mail
3Refere-se a uma posição de toque fixa, ao contrário do touch position relativo ao último toque

Recomendações descobertas através de um algoritmo de modelagem preditiva e MTA

Em última análise, nosso algoritmo de modelagem preditiva dá às equipes de marketing a capacidade de tomar decisões orientadas por dados com a jornada completa do usuário em mente, sem ter que criar um modelo de atribuição de multi-toque do zero.

Para esse cliente, mais da metade dos primeiros toques vieram do site (Journeys ou links incorporados) e foram bastante eficazes em gerar instalações. Mas, quando o usuário não converte imediatamente, o e-mail (e as visitas ao site móvel geradas por e-mail) tornaram-se exponencialmente mais valiosos.

Com base nesses insights, as recomendações incluem:

  • Aumentar a cobertura do Journeys em todo o mapa do site para melhorar o conhecimento da marca
  • Dobrar os esforços de e-mail como um canal crítico para re-engajamento
  • Escalar jogos interativos em toda a experiência mobile.

Se você quiser aprender mais sobre um algoritmo de modelagem preditiva, entre em contato com seu Gerente de Sucesso do Cliente ou com a equipe de Vendas da Branch para obter mais informações!

TO LEARN MORE ABOUT BRANCH'S
PRODUCTS AND SERVICES

Request a demo