Destacamos algumas aplicações que as organizações podem executar para extrair o máximo da utilização das redes sociais a partir da Ciência de Dados, como análise de cluster, otimização de anúncios, segmentações de públicos, entre outros.
Todos os dias, milhões de publicações, textos, vídeos, fotos e outros dados são publicados em redes sociais como Instagram, Facebook, YouTube, LinkedIn, Twitter entre outras. Alguns desses dados serão importantes para sua marca. Outros não terão impacto algum. Em meio a esse emaranhado de pessoas conectadas, como faço para encontrar meu público de interesse e me conectar com eles? A Ciência de Dados pode ajudar.
É comum as empresas fazerem testes de audiência para checar qual corresponde melhor aos seus objetivos, como awareness de marca, tráfego para o site, engajamento ou mesmo compra direta. Há também algumas funcionalidades das próprias plataformas, como públicos personalizados, públicos semelhantes, segmentações por interesse e comportamento, entre outros. Ao longo do caminho, é preciso entender como o seu público se envolve com suas ofertas e seu conteúdo.
Análise de sentimento
A Ciência de Dados pode contribuir nesse processo ao implantar algoritmos para ajudar a identificar os tópicos mais discutidos nas mídias sociais em seu nicho específico. É possível comparar o alcance de certos assuntos, por exemplo, artesanato, comida ou beleza, a uma plataforma específica, como Pinterest, Facebook ou Instagram. Em seguida, é possível classificar o sentimento expresso pelos usuários em diferentes conversas sobre sua marca ou sua concorrência. Eles são fãs de seus outros produtos? Eles interagiram com seu concorrente? Com o que eles se preocupam em geral quando se trata do assunto em questão?
Análise de cluster
Um ponto forte é a análise de cluster, que permite agrupar usuários em segmentos específicos para delimitar os prováveis clientes. Por exemplo:
-
Mulheres, solteiras, com idade entre 19 e 25 anos, cursando graduação, interessadas em produtos para cabelos a preços acessíveis e truques de beleza;
-
Mulheres, casadas, com idade entre 25 e 35 anos, com uma renda média de R$ 60 mil ou superior, interessadas nos “melhores” produtos para cabelos, suplementos e tratamentos de salão.
Com um algoritmo de agrupamento K-Means avançado é possível estabelecer uma proximidade maior entre esses grupos de usuários, estimando a frequência com que acessam certos sites ou uma determinada loja e combinar suas preferências com dados demográficos adicionais. O perfil de cliente ficaria assim:
-
Fãs do Instagram de 20 a 25 anos, que acessam a plataforma de três a seis vezes por dia, postando sobre #haircolour #hairstyles #Loreal #Dove. Expressaram opiniões negativas sobre a marca X. Tem opinião neutra sobre marcas de suplementos e vitaminas para cabelos. Frequentemente, curtem e se envolvem com posts sobre saúde, beleza, família e planejamento de viagens.
Case Taco Bell
Um caso de uso conhecido é o da Taco Bell, que aplicou uma abordagem semelhante ao lançar seu aplicativo de delivery nos EUA. Para criar um impulsionamento massivo, a empresa utilizou Data Science para analisar sentimentos de usuários e identificar 3,5 milhões de pessoas que expressaram pensamentos positivos sobre a marca nas redes sociais nos últimos três anos. Esse público foi dividido em 90 micro segmentos, com base no que disseram que gostam na Taco Bell. Aí a empresa criou uma série de anúncios exclusivos para cada cluster. Alguns resultados alcançados:
-
O aplicativo foi baixado 3,7 milhões de vezes logo após a campanha de lançamento;
-
A Taco Bell estendeu seu alcance em 4 vezes;
-
Atingiu uma taxa de retweets 2,5 vezes maior do que outros públicos do Twitter.
As vozes das redes
A ciência de dados também permite que as empresas “ouçam” o seu público, sem precisar aplicar a tal pesquisa de satisfação do cliente. Por exemplo, a Crimson Hexagon usou algoritmos para identificar sobre o que os compradores de carros mais falam nas redes sociais:
Muitos proprietários atuais e futuros da Toyota se preocupam com a eficiência do combustível. Conhecendo essa conversa, é possível ajustar seus slogans e textos criativos nas redes sociais para tratar exatamente disso.
Marketing de influenciadores
Outro ponto em que é possível contribuir com Data Science é o marketing de influenciadores. Embora essa disciplina seja utilizada largamente e com resultados eficazes para muitas marcas, é comum também o veto aos candidatos ineficazes, geralmente avaliados por pesquisas manuais ou pela métricas de engajamento padrão concedidas pelas próprias plataformas de redes sociais.
A Influential, startup que aproveita o stack de tecnologia Watson AI da IBM, usa Data Science para identificar o público, o perfil e a personalidade da marca com base em sua presença nas mídias sociais. Em seguida, os algoritmos executam uma avaliação semelhante dos influenciadores listados em seu banco de dados. Eles pegam as últimas 22.000 palavras produzidas por um influenciador e as analisam com base em 47 traços psicográficos. O objetivo é prever a probabilidade de parcerias contínuas de sucesso entre uma marca específica e um influenciador com base na sobreposição contextual e de personalidade, juntamente com os resultados de campanhas anteriores gerados por um determinado influenciador.
Também é possível empregar a análise de cluster em uma escala menor para identificar líderes de opinião e influenciadores dentro de suas comunidades-alvo e abordá-los com acordos de parceria. Isso ajuda a embasar em dados as campanhas de marketing de influência e não apenas em métricas de vaidade.
Otimização de anúncios
Data Science também pode ser extremamente útil para anúncios. As plataformas existentes hoje, como o próprio Facebook, mas também o Google, usam Machine Learning em larga escala para melhorar a experiência de usuários e anunciantes de forma contínua. A tecnologia pode prever onde um anúncio deve ser colocado na página para obter o máximo de cliques. Ou pode combinar os anúncios individuais mais relevantes com os interesses do público para melhorar os cliques. Também pode determinar quais variações de um anúncio obtêm mais cliques, quais locais de anúncio fornecem o CPL mais baixo ou quais canais fornecem os leads de maior qualidade.
O objetivo geral é ajudá-lo a construir o melhor modelo de lance de anúncio possível – um que evolua continuamente à medida que recebe novos dados ou conforme os fatores externos mudam, para que você continue otimizando seus gastos com publicidade.
Algumas das principais maneiras pelas quais a ciência de dados e o aprendizado de máquina podem melhorar seu modelo de lance de anúncio são:
-
Em que horas do dia, ou dias da semana, seus anúncios ganham mais tração?
-
O seu CPL é melhor no Facebook ou LinkedIn? Você consegue um melhor ROI com os anúncios do Instagram ou do Twitter? As plataformas que geram mais interesse também fornecem leads de melhor qualidade?
-
Os lances em tempo real para a publicidade gráfica permitem comprar impressões de anúncios em leilão, dando lances para colocar seu anúncio na frente de um determinado usuário quase em tempo real. Já é utilizado algoritmos orientados ao aprendizado de máquina para otimizar esse processo, tanto para melhorar as taxas de conversão e garantir que o sistema agregue valor aos anunciantes e para gerenciar o processo de licitação para o lucro máximo. O Google Ads, por exemplo, permite que os anunciantes definam lances para posições de anúncio com base em prioridades como CPA, ROAS ou CPC.
Se você estiver usando o aplicativo de lances inteligentes do Google ou o gerenciador de anúncios do Facebook, você depende do algoritmo deles. Não é possível acessar os dados brutos sozinho nem examinar ou ajustar o mecanismo de aprendizado de máquina ou criar novas prioridades nas quais se concentrar. Você está agindo em terreno alugado – e se eles descontinuaram o produto amanhã, você voltaria à estaca zero, sem nenhuma maneira de alcançar os usuários finais sozinho. É por isso que é tão importante fazer sua própria ciência de dados e construir seus próprios modelos preditivos também, para obter vantagem competitiva e poder jogar em seu próprio terreno, personalizando os dados exclusivamente para a realidade do seu negócio.
