logo_whatsap_transp_red_01.png
Buscar

Microexato na Conferência Growth Marketing 2019, na Califórnia – Parte 03/04

Por Rafael Fernandes*

Nos dias 10 e 11 de dezembro de 2019, no histórico hotel Fairmont, em São Francisco, aconteceu mais um evento intitulado Growth Marketing Conference. A Microexato esteve lá e apresenta alguns destaques em uma série de posts. A primeira parte pode ser lida neste link e a segunda aqui. Nesta terceira, o tema é Machine Learning.

Inteligência Artificial

O destaque do primeiro dia foi Jim Sterne, fundador da Rising Media e diretor emérito da Digital Analytics Association, que discorreu sobre um assunto cada vez mais importante para o marketing e os negócios: Inteligência Artificial (Artificial Intelligence). Seu enfoque foi em Machine Learning, que é um método que cria modelos analíticos a partir de uma grande quantidade de dados e se adapta a mudanças – ou seja, “aprende” à medida que o modelo vai sendo aperfeiçoado. Sterne separou esse “aprendizado” em três tipos:

  1. Supervisionado (Supervised): a máquina (machine) aprende (learn) de uma IMENSA variedade de dados rotulados (labeled)

  2. Não Supervisionado (Unsupervised): a máquina (machine) encontra estruturas e padrões nos dados

  3. Reforço (Reinforcement): não existem “absolutos” – algumas respostas são melhores que outras

Machine Learning não é bom com poucos dados

Ele destacou, ainda, que Machine Learning pode fazer bem correlações, segmentação, agregar dados (clustering) e encontrar anomalias. Também é bom em ranqueamento, classificação (sorting), Big Data, encontrar padrões e similaridades (look-alikes), contar, medir e achar outliers. Além disso, Sterne apontou que Machine Learning não é bom com poucos dados; ele indica seu uso nas seguintes situações:

  1. Milhares e Milhares de exemplos/dados

  2. Muitas variáveis, um número imenso de combinações

  3. Os dados estão bem classificados (labeled)

  4. Métodos mais simples – como excel – não estão funcionando

  5. Quando se tem metas claras sobre o que se quer atingir com esses dados

  6. Vale o esforço de compilar e depurar essa quantidade enorme de dados

Aprender com erros e fracassos

O fundador da Rising Media também ressaltou que o resultado final do Machine Learning deve ser de dados consistentes e confiáveis – a ponto de se poder apostar o emprego nessa confiabilidade. Lembrou, ainda, que em muitos casos – como no marketing – os dados são muito confusos, pois estão relacionados a comportamento e com dados despadronizados que levam muito tempo para serem compilados organizados. E indica que são dois os itens essenciais para trabalhar com Machine Learning: 1) Construir uma infraestrutura de dados (data infrastructure) e 2) Ter a paciência de aprender com os erros e fracassos.

Para os profissionais de marketing, o palestrante mostrou o conceito de ser um “Augmented Marketer”, ou seja, um profissional de marketing “incrementado”. Nesse novo perfil, o profissional não apenas deve saber sobre divulgação de marca, seu mercado e Analytics, mas também ser capaz de trabalhar com imensa base de dados e usar isso a seu favor, comocriar bots e lidar com automação. Deu como exemplo as plataformas X.AI, que usa Inteligência Artificial para encontrar as melhores horas para reunião entre as agendas e comportamentos de diversas pessoas, e AutoHotkey, que cria scripts para automação de tarefas de dia a dia, como auto preenchimento, entre outros.

Comandos por voz

Sterne mostrou, ainda, o crescimento nos EUA do uso de dispositivos comandados por voz, como Ok Google, Siri e Alexa e em como isso impacta no marketing. Se os consumidores vão usar cada vez mais comandos de voz, o objetivo das marcas devem ser fazer com que seus produtos sejam “Top Of Mind”, os primeiros que vão aparecer em sua mente numa necessidade de compra. Isso acontece pelo fato dos comandos de voz serem mais objetivos; um exemplo é que, ao comprar pilha, o usuário não vai falar “procurar pilhas”, mas, sim, “comprar pilhas AAA duracell”. As marcas e produtos que não forem Top Of Mind vão acabar ficando para trás.

M2M: Machine to Machine

Ele sugeriu um novo conceito de Marketing, o M2M: Machine to Machine. Sterne parte do princípio de que os consumidores cada vez menos querem deixar seu dados nas mãos do GAFTA, acrônimo para Google, Apple, Facebook, Twitter e Amazon. Sendo assim, ele propõe as seguintes premissas:

  1. Os consumidores querem controlar seus próprios dados

  2. Os consumidores querem eles mesmos armazenar seus dados e deixá-los seguros. Ex: via blockchain

  3. Os consumidores querem eles mesmos escolher os “agentes” que guardam alguns de seus dados

  4. Os consumidores querem optar por permitir quem acessa os dados – e quais dados – no “dispositivo/agente” que escolher

Nesse sentido, os profissionais de marketing vão ter que criar formas de “conversar” com os diferentes “agentes” que mantém os dados dos consumidores. Em suas palavras “faça sistemas que vão conversar com sistemas para fazer marketing”. Daí o termo M2M – Máquina para Máquina. Por fim, estabeleceu os 3 principais objetivos do trabalho de marketing com Inteligência Artificial e Machine Learning:

  1. Identifique o problema

  2. Decida quais dados considerar

  3. Avalie o resultado

Na próxima semana a última parte da série de 4 posts sobre o Growth Marketing 2019 Veja os posts anteriores: parte 01 e 02

* Rafael Fernandes, formado em administração na FGV/SP, é sócio-diretor da Microexato. Linkedin

3 visualizações

Informações

Marcas

Artigos

2020 © Copyright | Todos Direitos reservados Microexato | CNPJ: 03.697.421/0001-01