Estimando o Alcance da Publicidade em Diferentes Plataformas

A publicidade é importante pra empresas alcançarem clientes em potencial e crescerem seus negócios. Mas, pode ser complicado saber quão efetiva uma campanha publicitária é, especialmente quando envolve várias plataformas, como sites ou redes sociais. Quando um anunciante roda uma campanha em diferentes publicadores, ele quer saber quantos usuários únicos ele alcançou. Isso é conhecido como estimativa do "alcance" de uma campanha publicitária.

#O Problema

No mundo da publicidade, especialmente online, medir o alcance pode ser bem complexo. Os anunciantes muitas vezes ficam na dúvida sobre a sobreposição entre os usuários alcançados em diferentes espaços publicitários. Por exemplo, se três publicadores diferentes relatam que cada um alcançou 100 mil usuários, o número real de usuários únicos pode variar de 0 a 300 mil. Sem informações adicionais, fica difícil saber quantos usuários únicos foram alcançados.

Pra resolver isso, os anunciantes querem estimar o alcance em todas as possíveis combinações de publicadores. Mas, à medida que o número de publicadores aumenta, se torna inviável medir todas as combinações, especialmente por questões de privacidade e limitações computacionais.

#Grupos de Compra

No contexto da publicidade, um grupo de compra (BG) pode se referir a qualquer um dos publicadores, um grupo de publicadores ou uma estratégia de direcionamento específica usada em uma campanha publicitária. Portanto, estimar o alcance de qualquer subconjunto desses grupos de compra permite que os anunciantes tomem decisões melhores sobre suas estratégias.

#Estimativa de Alcance Incremental

Uma maneira de pensar sobre alcance é através do alcance incremental, que se refere a quantos usuários adicionais são alcançados por um publicador específico em comparação com um conjunto de outros publicadores. Por exemplo, se um anunciante quer determinar o alcance incremental de um publicador em relação a uma combinação de outros publicadores, ele precisa olhar de perto a sobreposição dos usuários.

Se um anunciante tem vários BGs, e ele só sabe o alcance de alguns deles, estimar o alcance dos subconjuntos não observados se torna essencial. Essa estimativa ajuda a decidir se o orçamento publicitário foi gasto de forma sábia ou se ajustes são necessários.

#Abordagens para Estimar o Alcance

Pra enfrentar esses desafios, desenvolvemos dois métodos principais. Um é uma abordagem sem modelo e o outro é uma abordagem baseada em modelo.

#Abordagem Sem Modelo

A abordagem sem modelo não depende de um modelo estatístico específico. Em vez disso, usa dados existentes pra fornecer estimativas. A ideia é olhar a consistência do alcance entre os subconjuntos observados de BGs. Se certas relações se mantêm entre os alcances desses grupos, podemos prever o alcance de um grupo não observado.

Esse método usa programação linear pra definir restrições com base nos dados observados. Ao aplicar essas restrições, ele pode fornecer limites superior e inferior pro alcance de qualquer subconjunto não observado. Assim, os anunciantes têm uma ideia melhor de quantos usuários podem ser alcançados sem precisar medir todos os subconjuntos possíveis.

#Abordagem Baseada em Modelo

A abordagem baseada em modelo usa um modelo estatístico pra estimar o alcance. Esse método assume que existem padrões na forma como diferentes BGs interagem com os usuários. Ao aproveitar um modelo de independência condicional, podemos estimar o alcance com base nos dados observados.

A ideia principal é segmentar os usuários em diferentes grupos com base na probabilidade de serem alcançados por cada BG e, em seguida, usar essa segmentação pra criar um modelo. Esse modelo ajuda a fornecer uma estimativa pontual mais precisa do alcance de subconjuntos não observados.

#Combinando Abordagens

Pra conseguir o melhor dos dois mundos, combinamos as Abordagens Sem Modelo e baseada em modelo. Esse framework integrado permite que os anunciantes, primeiro, usem a abordagem sem modelo pra obter uma faixa de alcance potencial e, em seguida, refinem essa estimativa com a abordagem baseada em modelo.

#Seleção de Pontos de Treinamento

Nesse framework combinado, escolher os pontos de treinamento certos pro modelo é crítico. O objetivo é selecionar aqueles subconjuntos de BGs cujas medições de alcance podem melhorar significativamente a precisão das estimativas. Usar seleção adaptativa com base na incerteza permite que o modelo atualize continuamente e melhore suas previsões.

#Ajuste de Parâmetros

Ajustar os parâmetros do modelo também é necessário pra garantir que o modelo se encaixe bem com os dados de treinamento. Técnicas de validação cruzada podem ser aplicadas aqui pra avaliar quão bem os parâmetros escolhidos preveem o alcance em dados não vistos. Essa etapa ajuda a manter um equilíbrio entre overfitting (onde o modelo é muito ajustado aos dados de treinamento) e underfitting (onde o modelo não consegue capturar tendências).

#Avaliando o Framework

Pra avaliar quão efetiva nossa abordagem é, fizemos experimentos usando dados sintéticos. Ao simular diferentes cenários, conseguimos determinar o quão bem a integração das abordagens sem modelo e baseada em modelo funcionou. Especificamente, olhamos quão bem cada abordagem poderia prever o alcance com diferentes quantidades de dados de treinamento.

#Resultados dos Experimentos

Nos nossos experimentos, fixamos o número de pontos de treinamento no primeiro teste. No segundo, introduzimos a capacidade de selecionar pontos de treinamento extras com base nas necessidades. Os resultados mostraram que o framework combinado poderia fornecer estimativas de alcance mais precisas do que usar qualquer uma das abordagens separadamente.

À medida que o número de pontos de treinamento aumentou, a precisão do alcance estimado melhorou. O método foi particularmente eficaz quando havia uma quantidade significativa de sobreposição nos usuários alcançados por diferentes BGs. Em casos onde os usuários eram mais distintos entre os BGs, o modelo teve dificuldade em fornecer estimativas precisas.

#Conclusão

O desafio de estimar o alcance em várias plataformas de publicidade é crítico no ambiente publicitário atual. Nosso framework integrado que combina abordagens sem modelo e baseadas em modelo fornece uma solução robusta pra esse problema. Ao aproveitar dados observados e empregar técnicas adaptativas, os anunciantes podem obter estimativas mais confiáveis do alcance de suas campanhas.

À medida que a publicidade continua a evoluir e a complexidade aumenta, refinar essas técnicas de estimativa será vital pra maximizar a eficácia da publicidade e garantir que os orçamentos sejam gastos de forma sábia. O trabalho futuro envolverá dados do mundo real pra validar e aprimorar ainda mais nossas metodologias.