Em um mercado digital cada vez mais competitivo, dado o crescimento exponencial do e-commerce observado ao longo de todo o ano de 2020, as empresas se desdobram agora para maximizar seus resultados de mídia online. Como esperado, o período promocional foi extremamente intenso, com aumentos significativos não apenas em vendas, mas também no investimento publicitário. Dentro de casa, observamos um aumento de 80% nas conversões em campanhas que estiveram ativas em novembro de 2019 e 2020.
No caso da mídia programática, que, segundo a IAB, atualmente responde por 78% da publicidade online no Brasil, as negociações com os publishers são realizadas de forma automatizada em tempo real nos leilões por meio de algoritmos, que avaliam, dentre outros fatores, a relevância dos anúncios para cada usuário individualmente.
Nesse cenário, o deep learning, ramo do machine learning que simula os padrões neurais humanos na tomada de decisões autônomas, é um aliado poderoso das marcas na criação de novas experiências para o público, aliando a personalização à alta performance. Isso porque, diferente do machine learning convencional, ele elimina etapas manuais de classificação. Ou seja, a máquina consegue literalmente “aprender sozinha” dentro daquele escopo pré-definido e obter um nível maior de precisão em tarefas de classificação a partir de imagens, textos ou sons. O que libera os profissionais de marketing para a coordenação de atividades mais estratégicas da organização.
Graças aos mecanismos assertivos de recomendação do algoritmo inteligente sobre a valoração do potencial de compra do usuário no momento do leilão — ou na escolha do produto ideal para compor o banner, ou ainda na definição do melhor momento e local para exibir o anúncio —, é possível incrementar conversões em até 300% com o deep learning no marketing digtal.
Isso porque a precisão desse algoritmo inteligente nos permite ter uma visão holística e precisa sobre a posição exata de cada usuário dentro do funil de vendas. Com isso, personalizar anúncios específicos para cada momento, seja no formato ou no conteúdo. Tudo realizado de forma automatizada e dentro da dinâmica rápida e intensa do ecossistema programático.
Há soluções de Streaming Video Ads, por exemplo, que incorporam a dinâmica de performance aos anúncios em vídeo para topo de funil. Permitem, por exemplo, a personalização de até 10 mil variações de um mesmo criativo com base nas predições dos algoritmos sobre comportamento e preferências de cada usuário.
Big data: de mãos dadas com o deep learning
Para uma aplicação de deep learning ser bem-sucedida, ela precisa de uma grande quantidade de dados (milhares de conjuntos de informações) para aprender o padrão. O mesmo vale para uma grande capacidade de processamento para analisar rapidamente esses dados e fornecer inputs.
Por isso, apesar de o conceito ter sido inicialmente teorizado na década de 60, o deep learning só foi viabilizado em 2012, quando o processamento se tornou suficientemente barato e poderoso — com uma quantidade de dados catalogados disponíveis suficiente para nutrir o trabalho de aprendizagem dos algoritmos. Desde então, o poder computacional só tem crescido, tornando cada vez mais avançada sua performance.
Para dar uma ideia mais palpável da diferença no poder de processamento em questão, basta pensarmos que o deep learning consegue atingir 200 mil FLOPS (Floating Operating Points per Second, ou Operações de Pontos Flutuantes por Segundo) — que é o número máximo de operações de pontos flutuantes que o hardware pode realizar. Já técnicas de machine learning convencional se limitam a, no máximo, 80 FLOPS.
De carros autônomos ao delivery preditivo
O deep learning é atualmente a chave por trás de avanços tecnológicos disruptivos em diversas indústrias. Seja no diagnóstico e tratamento de doenças complexas, no desenvolvimento de carros autônomos, ou mesmo na interface de voz de assistentes virtuais. Em todos os campos, vemos resultados surpreendentes e até então impossíveis de serem obtidos com tecnologias convencionais de inteligência artificial.
Outras aplicações do deep learning que também são importantes no setor de marketing envolvem avanços no campo do de reconhecimento de imagens. Se torna muito mais precisa com o potencial do deep learning, ao ponto de possibilitar feitos como a reprodução de pensamentos em imagens concretas. Apesar de estudos como este ainda estarem em desenvolvimento, o reconhecimento de imagens já é realidade em diversas aplicações atreladas às experiências de compra via mobile. Ao possibilitar, por exemplo, que o usuário identifique um produto em uma loja e acesse todas as suas informações apenas apontando a câmera do celular para ele. O deep learning se torna aqui um diferencial competitivo importante para garantir precisão e velocidade, um elemento também fundamental quando falamos de mobile shopping.
Ainda no campo da predição de comportamento. Um caso emblemático que promete uma grande disrupção na indústria é a tecnologia de predictive shopping da Amazon, que teoricamente será capaz de enviar produtos antes mesmo de os usuários os comprarem.
Por fim, uma outra área que também merece destaque é o NLP (Natural Language Processing). Neste caso, permite ao computador analisar dados da linguagem humana e gerar inputs valiosos para otimizar desde mecanismos de chatbot até processos de SEO, análise de sentimento e processos de produção de conteúdo e branding, que se tornam mais precisos e efetivos.
Estes são apenas alguns casos que mostram como o deep learning está efetivamente beneficiando a indústria de marketing, mas vale ressaltar que ainda há muito por vir.