Ferramenta ajuda marcas a atingir suas verdadeiras audiências com alta probabilidade de convertê-las em potenciais consumidores ao combinar dados com perfis de interesse

Com o intuito de ajudar os profissionais de marketing a alcançar novas audiências e criar engajamento com seus negócios, a Outbrain, desenvolveu a Lookalike Audiences, ferramenta que é capaz de encontrar um público-alvo para marcas e empresas baseada em interesses e comportamentos comuns e, em seguida, segmentar essas audiências em escala, através da rede de distribuição premium.

Isso permite que profissionais de marketing ampliem as interações – fora das mídias sociais – conectando suas marcas ao público com maior probabilidade de se tornar um cliente, usando como base o conteúdo com o qual eles estão ativamente interagindo.

A Outbrain mapeia bilhões de interações de consumo de conteúdo dos usuários na web e, a partir disso, entende os interesses reais do usuário e seu modo de descoberta, muito além do comportamento público que esse usuário compartilha na rede. Ao combinar a ferramente, Lookalike Audiences, com o gráfico de interesse proprietário da Outbrain, gera-se maior eficiência e valor para marcas que possuem metas de desempenho.

Um recente estudo de caso com a Brooklinen, loja especializada em artigos para casa,  mostrou que a marca obteve um CPA 50% menor em comparação com as campanhas padrão utilizando a ferramenta, assim como uma taxa de conversão 15% maior, no mesmo dia, se comparada às plataformas sociais com CPC (custo por clique) 3X mais baixo.  “Outbrain provou-se um parceiro forte, capaz de casar o nosso conteúdo com o cliente certo, conduzindo audiências de qualidade para comprar em escala em nosso site”, afirmou Justin Lapidus, General Manager na Brooklinen.

De acordo com Amit Elisha, Vice Presidente de Produtos na Outbrain, o objetivo da ferramenta é oferecer dados direcionados e mensuráveis impulsionados pelas soluções que se encaixam com as estratégias sociais e de busca das empresas e das marcas e permitem atingir a audiência certa de uma forma autêntica. “Por meio da Lookalike Audiences, Outbrain continua a avançar na categoria de descoberta e permite que as marcas vão além dos limites de mídias sociais e encontrem seus reais consumidores na web utilizando uma melhor correspondência entre conteúdo e audiência e, assim, melhorando as recomendações personalizadas para conduzir conversões”, explicou Amit.

Alcance mais audiências em um só lugar

A ferramenta Lookalike Audiences, pode ser modelada a partir de dados proprietários do cliente como, por exemplo, visitantes do site, segmentos dentro de uma DMP, listas de CRM etc. Quanto mais homogêneo o público e quanto mais próximo estiver a audiência dos conversores de funil, melhor será o desempenho da audiência conduzido pela ferramenta.

Para Roy Sasson, Chief Data Scientist na Outbrain, existe uma diferença significativa entre o que lemos e o que compartilhamos com os amigos nas mídias sociais e as marcas precisam aproveitar esse fato e estender seu alcance a novos públicos que estão verdadeiramente interessados ​​no que a marca tem para oferecer.

“Os dados obtidos de nossa pesquisa mostram que as categorias que recebem muitas visualizações e poucos compartilhamentos nem sempre refletem os interesses daqueles que as consomem, enquanto que categorias como arte, educação, arquitetura, carreira, e literatura recebem muitos compartilhamentos e poucas visualizações com baixo engajamento. Essa nova ferramenta pode ajudar marcas a atingir suas verdadeiras audiências, com alta probabilidade de convertê-las em potenciais consumidores”, explicou Sasson.

A ciência dos dados no seu máximo: como o modelo Lookalike funciona:

Moran Gavish, o Data Scientist que liderou a pesquisa e desenvolveu a estrutura da ferramenta Lookalike Audiences, explicou brevemente como o algoritmo funciona. “Um negócio como por exemplo um e-commerce, oferece para a Outbrain uma lista de usuários que fizeram uma compra, não necessariamente tendo sido redirecionados por um anúncio dentro da rede da Outbrain. Utilizamos modelos de aprendizagem mecânica, como regressão logística, árvores de decisão e factorização de matriz para caracterizar os interesses de conteúdo desses usuários valiosos. Tais interesses (chamamos “features”) podem incluir as principais categorias de conteúdo lidas e não suscetíveis de serem lidas, websites que visitam e que não são suscetíveis de visitar, pessoas e empresas em que estão interessados, etc. Usando esses modelos, identificamos em tempo real um usuário que não está incluído na lista da marca, mas é semelhante a esses usuários valiosos, e recomendamos a eles campanhas desta marca”.