Toda campanha de m\u00eddia digital come\u00e7a com uma pergunta que quase ningu\u00e9m faz em voz alta:<\/p>\n\n\n\n
Essa audi\u00eancia representa quem eu acho que representa?<\/strong><\/p>\n\n\n\n Na maioria das vezes, a resposta honesta seria: n\u00e3o sei. E isso tem um nome t\u00e9cnico, erro amostral. O problema \u00e9 que o mercado de m\u00eddia program\u00e1tica trata audi\u00eancias como fatos consolidados, quando muitas delas s\u00e3o, na melhor das hip\u00f3teses, estimativas estatisticamente fr\u00e1geis.<\/p>\n\n\n\n Entender amostra estat\u00edstica em marketing digital n\u00e3o \u00e9 exerc\u00edcio acad\u00eamico. \u00c9 o que separa uma decis\u00e3o de investimento embasada de uma aposta com linguagem t\u00e9cnica.<\/p>\n\n\n\n <\/p>\n\n\n\n Em estat\u00edstica, popula\u00e7\u00e3o<\/strong> \u00e9 o conjunto completo de elementos que voc\u00ea quer estudar. Amostra<\/strong> \u00e9 o subconjunto que voc\u00ea consegue de fato observar.<\/p>\n\n\n\n No contexto de m\u00eddia digital, a popula\u00e7\u00e3o seria o universo total de pessoas que voc\u00ea quer atingir, todos os consumidores de uma categoria, todos os frequentadores de um tipo de estabelecimento, todos os decisores de compra de um segmento. A amostra \u00e9 o grupo que sua plataforma de audi\u00eancia conseguiu identificar e segmentar.<\/p>\n\n\n\n O que poucos param para avaliar: qual \u00e9 a rela\u00e7\u00e3o entre esses dois n\u00fameros?<\/strong> Se voc\u00ea quer atingir 500 mil pessoas e sua audi\u00eancia tem 12 mil devices, o que essa audi\u00eancia realmente representa? Ela \u00e9 suficientemente grande? Ela foi constru\u00edda com crit\u00e9rios que garantem representatividade? Ou ela captura apenas a fra\u00e7\u00e3o mais acess\u00edvel e n\u00e3o necessariamente a mais relevante?<\/p>\n\n\n\n Essas perguntas n\u00e3o s\u00e3o apego exagerado a estatistica. Elas determinam se o resultado da sua campanha vai refletir a realidade do mercado ou um vi\u00e9s que voc\u00ea n\u00e3o sabia que existia.<\/p>\n\n\n\n <\/p>\n\n\n\n Antes de ativar qualquer segmenta\u00e7\u00e3o, independente da plataforma ou da fonte de dados, existem tr\u00eas dimens\u00f5es que determinam se voc\u00ea est\u00e1 trabalhando com uma audi\u00eancia estatisticamente s\u00f3lida ou com uma que vai gerar conclus\u00f5es dif\u00edceis de interpretar.<\/p>\n\n\n\n Existe um limiar m\u00ednimo abaixo do qual qualquer resultado de campanha \u00e9 estatisticamente inconcluso. Uma audi\u00eancia muito pequena em rela\u00e7\u00e3o \u00e0 popula\u00e7\u00e3o que se prop\u00f5e a representar amplifica o efeito de comportamentos at\u00edpicos e pode distorcer completamente a leitura de performance.<\/p>\n\n\n\n O tamanho adequado depende de dois fatores: o quanto a popula\u00e7\u00e3o-alvo \u00e9 heterog\u00eanea em comportamento, e o n\u00edvel de confian\u00e7a que voc\u00ea precisa nas conclus\u00f5es. N\u00e3o existe n\u00famero universal, mas o princ\u00edpio \u00e9 consistente: quanto mais diverso o comportamento da popula\u00e7\u00e3o que voc\u00ea quer atingir, maior precisa ser a audi\u00eancia para represent\u00e1-la com fidelidade.<\/strong><\/p>\n\n\n\n A pergunta pr\u00e1tica n\u00e3o \u00e9 s\u00f3 “quantos devices tem essa audi\u00eancia?” mas “quantos devices tem essa audi\u00eancia em rela\u00e7\u00e3o ao universo real que ela pretende representar?”<\/p>\n\n\n\n A forma como uma audi\u00eancia \u00e9 constru\u00edda determina quem ela captura bem e quem ela sistematicamente deixa de fora. Audi\u00eancias baseadas em dado declarado capturam quem se disp\u00f5e a declarar. Audi\u00eancias baseadas em um \u00fanico tipo de fonte de dados refletem as caracter\u00edsticas dos usu\u00e1rios daquela fonte, n\u00e3o necessariamente da popula\u00e7\u00e3o total.<\/p>\n\n\n\n Isso n\u00e3o \u00e9 um defeito de nenhuma metodologia espec\u00edfica, \u00e9 uma propriedade estrutural de qualquer processo amostral. O que importa \u00e9 conhecer o crit\u00e9rio de constru\u00e7\u00e3o para entender os limites da representatividade. Uma audi\u00eancia constru\u00edda com crit\u00e9rios transparentes e documentados permite que voc\u00ea use os resultados com o n\u00edvel de confian\u00e7a adequado. Uma audi\u00eancia constru\u00edda como caixa-preta n\u00e3o.<\/p>\n\n\n\n Uma audi\u00eancia constru\u00edda com dados de uma regi\u00e3o pode n\u00e3o se comportar da mesma forma que a popula\u00e7\u00e3o de outra, mesmo com perfil demogr\u00e1fico similar. Padr\u00f5es de deslocamento, frequ\u00eancia de visita a estabelecimentos, tempo de perman\u00eancia, tudo isso varia geograficamente de formas que dados agregados n\u00e3o mostram.<\/p>\n\n\n\n O eixo temporal tem o mesmo peso: uma audi\u00eancia capturada numa janela sazonal espec\u00edfica carrega o comportamento daquele per\u00edodo. Us\u00e1-la fora desse contexto sem considerar essa vari\u00e1vel \u00e9 introduzir um erro que nenhum algoritmo de otimiza\u00e7\u00e3o vai identificar, porque ele n\u00e3o sabe que o problema existe.<\/p>\n\n\n\n <\/p>\n\n\n\n Aqui est\u00e1 o ponto que muda a conversa.<\/p>\n\n\n\n A l\u00f3gica amostral tradicional, selecionar um subgrupo para inferir o comportamento do todo, existe por uma raz\u00e3o pr\u00e1tica: coletar dados de toda a popula\u00e7\u00e3o \u00e9 invi\u00e1vel. Voc\u00ea n\u00e3o consegue entrevistar 50 milh\u00f5es de consumidores. Voc\u00ea n\u00e3o consegue observar todos os comportamentos de compra em tempo real.<\/p>\n\n\n\n Mas quando falamos de dados de geolocaliza\u00e7\u00e3o comportamental coletados passivamente, a l\u00f3gica muda.<\/p>\n\n\n\n Um pol\u00edgono geogr\u00e1fico, a delimita\u00e7\u00e3o exata de um shopping, de um aeroporto, de uma avenida, de uma \u00e1rea residencial, garante que apenas os dispositivos detectados dentro daquela \u00e1rea espec\u00edfica entram na audi\u00eancia. N\u00e3o h\u00e1 extrapola\u00e7\u00e3o de raio, n\u00e3o h\u00e1 contamina\u00e7\u00e3o de passantes fora do contexto. O que \u00e9 capturado, \u00e9 capturado com precis\u00e3o de contorno.\u00a0<\/p>\n\n\n\n Isso n\u00e3o \u00e9 uma amostra no sentido estat\u00edstico cl\u00e1ssico. \u00c9 uma captura censit\u00e1ria dentro de um universo definido.<\/p>\n\n\n\n A diferen\u00e7a pr\u00e1tica \u00e9 significativa: voc\u00ea n\u00e3o est\u00e1 inferindo quantas pessoas frequentam aquele aeroporto, nem estimando com margem de erro qual \u00e9 o perfil de quem visita aquela avenida. Voc\u00ea est\u00e1 trabalhando com o registro comportamental real, hora de chegada, tempo de perman\u00eancia, frequ\u00eancia de retorno, padr\u00e3o de dias da semana, de todos os dispositivos detectados naquele espa\u00e7o.<\/p>\n\n\n\n Isso elimina os dois principais problemas de amostragem discutidos acima: o vi\u00e9s de sele\u00e7\u00e3o (porque o crit\u00e9rio de inclus\u00e3o \u00e9 puramente geogr\u00e1fico e comportamental, n\u00e3o demogr\u00e1fico ou declarado) e a n\u00e3o representatividade (porque a audi\u00eancia \u00e9<\/em> a popula\u00e7\u00e3o daquele comportamento naquele espa\u00e7o, n\u00e3o uma estimativa dela).<\/p>\n\n\n\n O que resta como limite n\u00e3o \u00e9 mais estat\u00edstico, \u00e9 de cobertura. Qual percentual do universo de dispositivos reais est\u00e1 dentro do banco de dados da plataforma? Essa \u00e9 a pergunta certa a fazer. E a resposta varia muito dependendo da fonte de dados e da metodologia de coleta.<\/p>\n\n\n\n <\/p>\n\n\n\n Considere uma marca de produtos de higiene pessoal que quer ativar uma campanha para consumidores de supermercados premium em tr\u00eas capitais brasileiras.<\/p>\n\n\n\n Abordagem A \u2014 audi\u00eancia por dados declarados:<\/strong> A plataforma constr\u00f3i uma audi\u00eancia baseada em perfil demogr\u00e1fico e interesse autodeclarado. 180 mil devices. O problema: quem declara interesse em “produtos premium” num formul\u00e1rio ou numa navega\u00e7\u00e3o web n\u00e3o \u00e9 necessariamente quem entra num supermercado premium toda semana. A audi\u00eancia \u00e9 uma amostra com vi\u00e9s de sele\u00e7\u00e3o enorme, captura quem pensa que compra nesse canal, n\u00e3o quem efetivamente compra.<\/p>\n\n\n\n Abordagem B \u2014 audi\u00eancia por comportamento geolocalizado:<\/strong> A plataforma delimita os pol\u00edgonos exatos das unidades dos supermercados premium nas tr\u00eas capitais. Detecta todos os dispositivos que estiveram presentes dentro desses pol\u00edgonos pelo menos duas vezes no \u00faltimo trimestre, com tempo de perman\u00eancia m\u00ednimo de 20 minutos, o que elimina passantes e funcion\u00e1rios. Resultado: 94 mil devices.<\/p>\n\n\n\n O n\u00famero \u00e9 menor. Mas o que esses 94 mil devices t\u00eam em comum \u00e9 um comportamento verificado, n\u00e3o uma declara\u00e7\u00e3o. A “amostra” aqui n\u00e3o \u00e9 uma estimativa de quem frequenta supermercados premium, ela \u00e9<\/em> o registro de quem frequentou, dentro do universo de cobertura da plataforma.<\/p>\n\n\n\n Para a marca, a pergunta relevante n\u00e3o \u00e9 “qual audi\u00eancia tem mais volume?” mas “qual audi\u00eancia est\u00e1 mais pr\u00f3xima da popula\u00e7\u00e3o real que eu quero atingir?” e a resposta muda o crit\u00e9rio de avalia\u00e7\u00e3o de qualidade de audi\u00eancia completamente.<\/p>\n\n\n\n Se voc\u00ea \u00e9 respons\u00e1vel por decis\u00f5es de m\u00eddia e quer aplicar o racioc\u00ednio de amostra estat\u00edstica no dia a dia, essas s\u00e3o as perguntas que valem fazer antes de ativar qualquer segmenta\u00e7\u00e3o:<\/p>\n\n\n\n Sobre o universo:<\/strong><\/p>\n\n\n\n Sobre o processo de constru\u00e7\u00e3o:<\/strong><\/p>\n\n\n\n Sobre os limites:<\/strong><\/p>\n\n\n\n N\u00e3o existe audi\u00eancia perfeita. Existe audi\u00eancia cujos limites voc\u00ea conhece e audi\u00eancia cujos limites voc\u00ea ignora. A diferen\u00e7a entre as duas n\u00e3o est\u00e1 no CPM, est\u00e1 na capacidade de interpretar corretamente o que a performance da campanha est\u00e1 te dizendo.<\/p>\n\n\n\n <\/p>\n\n\n\n O mercado de m\u00eddia digital evoluiu muito na capacidade de criar e ativar audi\u00eancias. Evoluiu menos na cultura de questionar a qualidade estat\u00edstica dessas audi\u00eancias antes de investir nelas.<\/p>\n\n\n\n Entender amostra estat\u00edstica em marketing digital \u00e9, na pr\u00e1tica, desenvolver um crit\u00e9rio mais rigoroso para avaliar o que voc\u00ea est\u00e1 comprando quando compra uma audi\u00eancia. \u00c9 a diferen\u00e7a entre otimizar uma campanha dentro de um vi\u00e9s que voc\u00ea n\u00e3o sabe que existe e tomar decis\u00f5es com dados que t\u00eam correspond\u00eancia real com o comportamento de mercado.<\/p>\n\n\n\n A tecnologia de dados comportamentais passou por uma mudan\u00e7a de paradigma nos \u00faltimos anos. A capacidade de capturar comportamento real, onde as pessoas v\u00e3o, com que frequ\u00eancia, por quanto tempo, sem depender de dado declarado ou de infer\u00eancia demogr\u00e1fica, aproxima a audi\u00eancia digital do censo comportamental e afasta do problema cl\u00e1ssico de amostragem.<\/p>\n\n\n\n Conhecer essa diferen\u00e7a \u00e9 o que permite usar audi\u00eancias com a precis\u00e3o que elas oferecem e n\u00e3o com a imprecis\u00e3o que voc\u00ea n\u00e3o sabia que estava aceitando.<\/p>\n\n\n\n
\n\n\n\nO que \u00e9 amostra estat\u00edstica e por que isso importa para quem compra m\u00eddia<\/h2>\n\n\n\n
\n\n\n\nAs tr\u00eas dimens\u00f5es de qualidade que toda audi\u00eancia precisa responder<\/h2>\n\n\n\n
1. Volume em rela\u00e7\u00e3o ao universo-alvo<\/h3>\n\n\n\n
2. Origem e processo de constru\u00e7\u00e3o<\/h3>\n\n\n\n
3. Ader\u00eancia geogr\u00e1fica e temporal ao contexto da campanha<\/h3>\n\n\n\n
\n\n\n\nQuando a amostra deixa de ser amostra: o caso dos dados comportamentais passivos<\/h2>\n\n\n\n
\n\n\n\nAmostra estat\u00edstica em marketing digital na pr\u00e1tica<\/h2>\n\n\n\n
\n\n\n\nO que perguntar antes de confiar em qualquer audi\u00eancia<\/h2>\n\n\n\n
\n
\n
\n
\n\n\n\nConclus\u00e3o: amostra estat\u00edstica em marketing digital n\u00e3o \u00e9 teoria, \u00e9 crit\u00e9rio de compra<\/h2>\n\n\n\n
\n\n\n\n