(*Texto original, em inglés, por Philip Paisnel. Para acessá-lo clique aqui.)
Em tempos mais simples empresas de mídia operavam de acordo com as regras de competitividade, que embora previsíveis, controlavam os modelos de distribuição. Os editores, por exemplo, prosperaram construindo uma base de assinantes e oferecendo aos anunciantes acessos demográficos atrativos por meio da segmentação dos públicos-alvo. Emissoras e empresas de TV a cabo desenvolveram programações que renderam altas classificações e a receita de publicidade permaneceu relativamente estável.
Hoje, obviamente, as coisas são menos diretas. Os consumidores agora acessam conteúdo e entretenimento por meio de diversos canais e fóruns - aplicativos, programas de transmissão e satélite, mídias sociais, redes multicanais via YouTube, além de uma grande variedade de outros tipos de ecossistemas de consumo. Em vez de oferecer ao público um artigo ou programação longos, a mídia moderna deve atentar-se à “Geração Gen-Z”, cujo período de atenção varia entre 3 a 5 min.
Nesse novo ambiente, a função das organizações de mídia muda, fundamentalmente, de apenas levar o conteúdo ao público, para primeiro atraí-lo e, posteriormente, prover acesso a conteúdos especificamente definidos e relevantes. Isso, por sua vez, cria uma necessidade de segmentação mais apurada para a entrega de conteúdos e experiências mais relevantes.
Por exemplo, o insight sobre como, quando e onde os consumidores acessam o conteúdo se tornou fundamental. E a parte “onde” da equação envolve não apenas a localização geográfica, mas o contexto de como o consumidor se envolve com o conteúdo - e tudo isso pode afetar o comportamento e os interesses do consumidor.
Compreender o público, por sua vez, requer a coleta de insights preciosos, provenientes de montanhas de dados não estruturados e/ou inacessíveis que residem em uma infinidade de fontes internas e externas díspares, desconectadas e diversas.
Aí reside o desafio para os profissionais de Marketing.
Especificamente, por onde você começa a buscar insights de dados de clientes e de mercado? Como você organiza as variadas fontes de dados e desenha conexões significativas entre elas? Quais saídas podem ser criadas para gerar decisões fundamentadas e mensuráveis?
Para lidar com essas questões, os profissionais de marketing estão se unindo cada vez mais às suas equipes e parceiros de serviços de tecnologia para desenvolver soluções e executar estratégias voltadas à organização da infraestrutura de dados e possibilitando a migração destes dados. Além disso, ao utilizar a Inteligência Artificial (IA), e alavancar a análise preditiva para conhecer o público, as empresas de mídia podem oferecer uma experiência de conteúdo contextualizada e relevante.
As oportunidades são significativas - os sistemas de Machine Learning podem executar centenas de modelos “what if” em tempo real e implantar recursos de reconhecimento de padrões para identificar links e correlações entre conjuntos de dados que, aparentemente, são aleatórios. Tais análises apontam as preferências do público e como os consumidores respondem aos diferentes tipos de conteúdo, canais de distribuição e fatores externos. Por exemplo, o interesse do público pode ser afetado por variáveis como o clima, a hora do dia e eventos que vão desde o Super Bowl até os ataques terroristas. Os sistemas de Machine Learning podem avaliar o impacto dessas variáveis, bem como a importância relativa do nível de influência de uma determinada variável.
Os obstáculos para alcançar essa visão, entretanto, são assustadores. Os problemas organizacionais perpetuam a existência de silos operacionais que impedem o compartilhamento e a integração de dados. Infraestruturas inadequadas dificultam ainda mais a transparência dos dados e prejudicam a eficácia das ferramentas de Machine Learning. Até 80% dos Big Data são desestruturados e inutilizáveis. Como resultado, as equipes de marketing de mídia encontram dificuldade para obter dados estruturados disponíveis, bem como acessar e utilizar dados não estruturados potencialmente valiosos. As ferramentas analíticas existentes carecem de Machine Learning e análises preditivas, normalmente são baseadas em partes limitadas de dados e não são capazes de fornecer visualizações real-time, 360 graus e altamente necessárias de um público-alvo.
Problemas com plataformas diferentes são outra questão: de acordo com o ChieMarTec.com, quase 5000 provedores de soluções estão hoje criando silos de dados, muitas vezes sem uma fonte única de informações.
Então, como você pode superar esses obstáculos e perceber o potencial de usar modelos preditivos para desenvolver estratégias mais inteligentes para o seu público?
Temas: Mídia
