Inteligência Artificial (IA) não é mais um conceito distante ou futurista. Os assistentes pessoais virtuais como Siri e Cortana, ou mesmo os carros que se dirigem sozinhos do Google ou Tesla, estão aí para mostrar que a IA está, aos poucos, tomando conta das nossas tecnologias do dia a dia. No ecossistema da publicidade isso não é diferente.

Não é de hoje que os holofotes iluminam o que chamamos de Machine Learning – uma subcategoria de AI, onde os computadores aprendem com dados próprios. De acordo com o relatório MarketsandMarkets, a indústria de Inteligência Artificial deve ultrapassar os US$ 5 bilhões até 2020, com um crescimento anual (CAGR) de 53,65%. E uma das principais razões para isso é o aumento exponencial do uso de tecnologia de Machine Learning pela indústria da publicidade e comunicação.

Sabemos que o Real-time Bidding (RTB), por exemplo, só é possível porque algoritmos de autoaprendizagem fornecem aos anunciantes a capacidade de identificar os compradores digitais mais valiosos e direcionar anúncios personalizados para cada um deles. E não precisamos nem citar o fato de que os robôs não dormem, o que permite que possamos observar e ajustar esses processos em uma operação 24 x 7.

Uma perspectiva ainda mais interessante sobre o Machine Learning, e que já vem sendo implementada com sucesso, explora o conceito de Deep Learning. Em termos mais técnicos, trata-se de um modelo de aprendizagem de máquina baseado em um conjunto de algoritmos com várias camadas de processamento, que conseguem tratar dados abstratos. Já em uma linguagem mais prática, é uma tecnologia capaz de reconhecer a atitude, a intenção e o estado geral de cada usuário ao visitar um site, mesmo quando eles não clicam em nenhum anúncio.

O Deep Learning está mudando a forma como calculamos o potencial de compra dos consumidores

Prever a probabilidade de conversão dos usuários por meio de algoritmos e machine learning é um passo importante para entregar bons resultados em uma campanha e aumentar o ROI. A maneira como esse conhecimento será adquirido, por sua vez, varia de anunciante para anunciante. Não existe uma “fórmula mágica”. Afinal, uma predefinição de recursos e, eventualmente, sua aplicação nem sempre será adequada para todas as campanhas de retargeting. Na prática, ajustar essas padronizações manualmente é algo que requer uma quantidade significativa de trabalho especialista humano, uma vez que é necessário rever e parcialmente reexplorar as informações disponíveis para cada novo anúncio.

Outra limitação é a qualidade dos dados analisados por estes modelos de machine learning atuais. Modelos típicos trabalham com fotografias do momento da impressão do usuário, o que significa que ignoram os dados daqueles que não viram qualquer anúncio. Isso faz com que a informação seja, de certa forma, distorcida ou incompleta. Afinal, a jornada do consumidor é abrangente e a grande maioria deles não converte imediatamente depois de clicar em um anúncio. E é justamente aí que o Deep Learning pode fazer a diferença.

Cada usuário registra centenas de pequenos passos quando visita um site, e algoritmos específicos de aprendizagem de máquina podem analisar cada um desses eventos. Graças a eles podemos, a partir dessas “pegadas”, encontrar padrões na tomada de decisão de um usuário. Ao contrário do que acontece com um histórico de atividades tradicional, não vamos mais olhar apenas para os dados ligados a registros de cliques, mas também para aqueles relacionados à navegação particular do usuário, como suas categorias de interesse, o seu comportamento na cesta, táticas que usa na busca, etc.

Ao usar o Deep Learning, mais do que responder a questões simples como “quando foi a última visita do usuário?”, ou ainda, “ele adicionou qualquer produto à cesta recentemente?”, podemos começar a “prever” as próximas ações do consumidor durante sua navegação com base quase que inteiramente em conhecimento histórico científico e em cálculos provados. Com isso, será possível identificar, por exemplo, qual será a próxima categoria de produto a ser visitado, ou até mesmo qual será o intervalo de tempo para a próxima conversão.

Quebrando a resistência aos anúncios

Conhecimento é poder, assim diz o ditado. E um o principal benefício do Deep Learning é que a técnica nos permite aprender não só sobre os atuais compradores, mas também sobre aqueles que nunca compraram – que não geraram conversão. Esse é um passo fundamental para que a intuição humana definitivamente dê espaço ao embasamento estatístico na definição do potencial de compra de cada consumidor.

Mas, afinal, como obter informações sobre a probabilidade de conversão de usuários que sequer demostraram interesse no anúncio veiculado para eles?

Mais uma vez, a chave está no Deep Learning. Graças à tecnologia, que utiliza estruturas matemáticas inspiradas nos neurônios biológicos em nossos cérebros (redes neurais recorrentes), é possível obter dados mais detalhados e confiáveis sobre o potencial de compra do consumidor, tudo a partir de descrições sobre o usuário que podem ser interpretadas pela máquina, sem qualquer intervenção humana.

A diferença é que algoritmos comuns podem aprender a partir de dados limitados, especificamente preparados para executar determinadas funções. Já o Deep Learning oferece uma análise abrangente que revela uma compreensão muito mais ampla sobre as intenções dos visitantes do site, promovendo novas e reais perspectivas sobre quais grupos de pessoas são mais indicados para determinada campanha. Mais do que isso, podemos saber onde encontrá-los, quais são seus interesses e os seus canais preferidos de interação.

Aplicar o Deep Learning nas previsões de conversão, a partir de uma solução em tempo real, com dados abundantes e baseada no contexto do usuário, definitivamente permite gerar campanhas de retargeting personalizadas, menos invasivas, mais assertivas e poderosas.