Dois compradores ao lado de expositores de supermercado com produtos.

Afinidade por categoria: como o comportamento de compra se transforma em uma audiência de Retail Media

A maioria dos planos de audiência de Retail Media parte de pessoas que já compraram a marca. Isso funciona para reposição de estoque, fidelização e reconquista de clientes. É uma resposta inadequada para um briefing de crescimento, pois o público-alvo se limita a clientes já conhecidos.

Dois compradores com um carrinho ao lado de prateleiras de uma loja com produtos.

A afinidade com a categoria amplia a busca. Ela estima o grau de conexão entre o comportamento observado de um shopper e uma categoria ou conjunto de produtos e, em seguida, identifica os não compradores cujo comportamento sugere que a categoria é relevante para eles.

A palavra importante aqui é “estima”. A afinidade é uma pontuação de modelo, não um fato sobre uma pessoa e nem prova de que um anúncio mudará o comportamento. Um bom produto de afinidade deixa claros seus dados de entrada, janela de análise retrospectiva, exclusões e validação. Um produto fraco atribui um rótulo familiar a uma audiência ampla e leva os compradores a presumir que há precisão.

Este guia se concentra na questão da propensão comportamental: como construir, ativar e testar um público de afinidade com uma categoria. Uma taxonomia regulamentada e uma camada de mapeamento de SKUs fornecem o universo de produtos. O guia mais abrangente sobre audiências preditivas aborda a segmentação baseada em probabilidade em relação a resultados; a afinidade com a categoria é o caso de uso específico para essa categoria. As missões e os momentos de compra, por sua vez, descrevem o objetivo e o contexto de uma ida às compras.

O que significa afinidade de categoria

Não existe uma fórmula padrão única do setor para a afinidade com categorias. O método abaixo é um padrão de implementação recomendado: definir um conjunto de produtos regulamentado, construir características comportamentais transparentes, atribuir uma pontuação a um resultado futuro explícito e validar o resultado ao longo do tempo. Uma pontuação de afinidade de categoria pode, então, representar a conexão relativa de um shopper com uma categoria com base em compras, frequência, recência, gasto, troca de marca e cestas de categorias relacionadas.

Suponha que um shopper não tenha comprado um novo cereal proteico. Ao longo de seis meses, no entanto, ele comprou repetidamente iogurte grego, granola, frutas vermelhas, manteiga de nozes e lanches proteicos. Essas compras podem indicar uma pontuação alta para um conjunto de café da manhã voltado para a saúde. A pontuação não indica que ele comprará o cereal. Ela indica que seu padrão é mais semelhante ao dos compradores da categoria do que ao padrão médio de um shopper qualificado.

A afinidade pode ser definida em vários níveis:

  • uma categoria ampla, como cuidados com animais de estimação;
  • um conjunto de necessidades, como café da manhã rápido;
  • um nível de preço ou proposta, como café premium;
  • uma relação entre categorias adjacentes, como cerveja artesanal e lanches premium;
  • um modelo de entrada de marca restrito a compradores da categoria que ainda não adquiriram a marca anunciada.

O conjunto de produtos deve ser versionado. Um modelo chamado “afinidade com a saúde” é impossível de auditar se ninguém puder listar os produtos que criaram o rótulo.

Afinidade não é retargeting, dados demográficos ou interesse declarado

O retargeting seleciona pessoas que já realizaram uma ação definida. Os dados demográficos descrevem características da população. Os interesses declarados provêm do que as pessoas dizem ou escolhem em outro contexto. A afinidade usa o comportamento observado para estimar uma relação que pode se estender além da compra direta do produto anunciado.

O artigo da Amazon sobre filtragem colaborativa item a item descreve a correspondência de cada item comprado ou avaliado com itens semelhantes e a combinação dessas relações em recomendações (artigo da Amazon sobre filtragem colaborativa item a item). A modelagem de afinidade por categoria opera em um nível de decisão diferente, mas a lição subjacente é relevante: a semelhança comportamental pode ser construída a partir de relações entre itens, e não a partir de semelhanças demográficas.

Isso não torna o comportamento infalível. Uma compra doméstica pode representar várias pessoas. Um presente pode parecer uma preferência pessoal. Uma promoção pontual pode distorcer a frequência. O modelo deve, portanto, ser validado em relação ao comportamento futuro e utilizado com controles de privacidade.

Construa o universo de produtos antes das audiências

A primeira decisão de modelagem não é o algoritmo. É o universo de produtos.

Defina:

  1. a categoria focal ou o conjunto de produtos em análise;
  2. os compradores diretos da categoria;
  3. os compradores de marcas anunciadas a serem incluídos ou excluídos;
  4. categorias adjacentes permitidas como sinais;
  5. produtos ou transações a serem excluídos;
  6. a hierarquia e a versão do mapeamento;
  7. a população elegível.

Se “café premium” for inferido a partir de um sinalizador de premium inconsistente, o modelo aprenderá com erros do catálogo. Se um varejista tiver transferido recentemente o café pronto para beber para outro ramo da taxonomia, uma consulta baseada apenas na categoria pode omitir compras relevantes. É por isso que o ativo de afinidade depende da taxonomia canônica e da camada de mapeamento de SKUs, ao mesmo tempo em que permanece um produto de audiência distinto.

Escolha sinais com um fundamento

Mais características não geram automaticamente uma audiência melhor. Cada sinal deve ter uma hipótese.

Comportamento direto da categoria

Recência, frequência, gasto, unidades e participação na carteira podem distinguir compradores habituais de compradores ocasionais. Normalize de acordo com os ciclos de compra da categoria: o comportamento recente tem um significado diferente em alimentos frescos do que em colchões.

Mudança de marca

A troca de marca pode ser testada como um sinal de abertura à experimentação, em vez de ser considerada uma prova disso. Uma característica de troca de marca pode ajudar a separar o engajamento com a categoria do hábito estável em relação à marca, caso melhore a previsão para o futuro desse varejista e dessa categoria.

Comportamento entre categorias

Compras conjuntas repetidas podem revelar necessidades complementares. Comida para bebês e fraldas, macarrão e molho, ou queijo premium e vinho podem formar relações úteis. Trate a relação como uma hipótese até que ela preveja o comportamento futuro fora da amostra.

Contexto da cesta e da ocasião

Uma relação entre categorias pode mudar ao longo da ida ao mercado. Um comportamento voltado para a saúde no café da manhã durante a semana pode ser mais relevante do que a mesma pontuação durante uma ida ao mercado para compras de festa. As camadas de missão e momento devem ser aplicadas após a definição da afinidade básica, e não misturadas em um rótulo inexplicável.

Evidência negativa

Compras repetidas de uma categoria sem resposta a ofertas semelhantes, exclusões alimentares, produtos incompatíveis ou cancelamento recente podem reduzir a elegibilidade. As exclusões podem melhorar a precisão ao remover casos comprovadamente incompatíveis; cada exclusão deve ser testada quanto ao valor preditivo, perda de alcance e efeitos proxy injustos.

Um exemplo de pontuação transparente

Um varejista deseja identificar compradores prováveis para uma nova marca premium de ração para gatos. O que se segue é um fluxo de trabalho ilustrativo, não um parâmetro de referência de desempenho.

  1. Defina as datas. Use as 26 semanas que terminam na data de elegibilidade como janela de observação. Defina o resultado como compra de ração premium para gatos ou da marca recém-lançada em uma janela posterior de oito semanas. Mantenha todas as transações da janela de resultado fora da construção de características.
  2. Defina a elegibilidade e a supressão. Comece com os domicílios vinculados a programas de fidelidade que estiveram ativos nos últimos 90 dias. Suprima os compradores atuais da marca recém-lançada para uma campanha de penetração e mantenha um marcador separado para outros compradores de ração premium para gatos.
  3. Normalize sinais transparentes. Converta a recência da compra de ração para gatos em um valor de zero a um em relação ao ciclo de compra da categoria; converta a frequência de compra em um percentil entre os domicílios elegíveis; expresse a participação de produtos premium como o gasto com ração premium para gatos dividido pelo gasto total com ração para gatos; e codifique compras adjacentes de produtos para cuidados com gatos e troca de marca no mesmo intervalo de zero a um. Aplique penalidades explícitas para cestas exclusivamente com produtos para cães e para identidades de domicílios desatualizadas ou incertas.
  4. Escolha o método. Para uma primeira versão, calcule a média dos sinais positivos normalizados e subtraia as penalidades documentadas. Trata-se de uma pontuação baseada em regras, não de um modelo de probabilidade treinado. Um modelo treinado poderá substituí-la somente se a validação e o monitoramento fora do tempo mostrarem um benefício operacional significativo.
  5. Crie faixas de pontuação. Classifique os não compradores elegíveis em faixas quantílicas fixas, preserve um estado incerto ou inelegível e armazene os IDs do conjunto de produtos, das características e da versão da pontuação.
  6. Defina a política de ativação com base em evidências de holdout. No período futuro, compare as taxas de compra por categoria e marca para cada faixa com a linha de base da população elegível. Ative apenas as faixas que apresentem separação preditiva estável, escala alcançável suficiente e efeitos de supressão aceitáveis. Não invente um ponto de corte universal nem chame a faixa superior de “alta intenção”.

Essa sequência permite que outro analista reproduza o caminho das transações elegíveis até as faixas de pontuação sem tratar os mecanismos ilustrativos como resultados medidos.

Valide o modelo antes de associar alegações de mídia

Como controle recomendado no desenvolvimento do modelo, use um holdout baseado no tempo. Construa características a partir de uma janela de observação e, em seguida, teste se as faixas de pontuação mais altas predizem o comportamento-alvo pré-especificado durante uma janela futura. Não valide com base nas mesmas transações usadas para criar a pontuação e valide o padrão separadamente para o varejista, a categoria e a população de ativação pretendida.

Diagnósticos úteis incluem:

  • taxa de compra por categoria, por faixa de pontuação;
  • aumento em relação à linha de base da população elegível;
  • precisão entre os shoppers com classificação mais alta;
  • cobertura e tamanho do público alcançável;
  • calibração, de modo que um aumento na pontuação corresponda a um aumento significativo na probabilidade;
  • estabilidade entre lojas, regiões e épocas do ano;
  • desempenho para shoppers novos, pouco frequentes e de alto valor;
  • sobreposição com audiências de compradores existentes e de retargeting.

Um modelo de afinidade pode ser bom na previsão de compras por categoria e, ainda assim, ser um público-alvo inadequado para a campanha. A faixa superior pode consistir principalmente de pessoas que comprariam de qualquer maneira. O aumento preditivo não é um aumento incremental.

A ativação depende do objetivo da campanha

Para retenção, os compradores diretos podem ser o público-alvo correto. Para penetração, exclua compradores recentes da marca e alcance não compradores com afinidade com a categoria. Para upgrade, comece com compradores da categoria cujas cestas e mix de preços indiquem a proposta relevante. Para venda cruzada, use uma relação claramente definida entre uma categoria de origem e uma categoria-alvo.

O manual da IAB recomenda alinhar a veiculação de conteúdo in-store ao objetivo da campanha (Manual da IAB para Digital Out of Home (DOOH) e Retail Media in-store). O nome da audiência não é suficiente. O comprador precisa dos dados de origem, da lógica, da taxa de correspondência endereçável e do canal de mídia.

A escolha do canal também é importante:

  • O canal offsite pode alcançar uma audiência de afinidade antes de uma sessão ativa de compras.
  • Onsite pode combinar a pontuação com a navegação ou pesquisa atual.
  • A mídia in-store pode usar ativação no nível de coorte ou de localização, desde que a vinculação individual e o consentimento permitam.

A peça publicitária deve refletir a lógica das audiências. Um não comprador da categoria precisa de um motivo para entrar. Um comprador frequente da categoria pode precisar de uma diferenciação no nível do produto. Um consumidor que muda de marca pode responder a uma prova de diferenciação, em vez de uma mensagem genérica sobre a categoria.

Avalie a campanha separadamente do modelo de audiências

Há duas questões diferentes:

  1. A pontuação de afinidade identificou pessoas mais propensas a realizar o comportamento-alvo?
  2. A mídia veiculada para essas audiências gerou resultados incrementais?

A primeira é uma validação preditiva. A segunda requer um desenho experimental ou contrafactual confiável.

As diretrizes da IAB/MRC distinguem resultados de atribuição da medição causal e exigem um escopo claro de público e produto (Diretrizes de Medição de Retail Media da IAB/MRC). Sempre que possível, distribua aleatoriamente os shoppers elegíveis entre os grupos de tratamento e holdout dentro das mesmas faixas de afinidade. Isso mantém a definição das audiências constante enquanto testa o efeito da exposição.

Relatório:

  • tamanho do público-alvo elegível;
  • tamanho correspondente e alcançável;
  • números do grupo de tratamento e do grupo de controle;
  • exposição e frequência;
  • resultados de compra por categoria e marca;
  • regras new-to-brand;
  • aumento incremental com incerteza;
  • resultados por faixa de pontuação;
  • lógica de supressão e sobreposição com outras audiências.

Se a faixa de maior afinidade apresentar alta conversão, mas pouco aumento de incrementalidade, o plano pode estar gastando demais para alcançar compradores inevitáveis. Uma faixa intermediária pode gerar menor conversão, mas mais clientes incrementais.

Modos comuns de falha

A afinidade se torna uma audiência de compradores por categoria com outro nome

Se todos os shoppers já adquiriram a categoria em foco, o produto pode ser útil, mas não se trata de um modelo de expansão. Deixe isso bem claro.

O modelo vaza informações futuras

Recursos criados após a elegibilidade da campanha ou a partir da janela de resultados fazem com que a validação pareça mais sólida do que realmente é.

O rótulo oculta sinais incompatíveis

Uma única audiência de “afinidade familiar” pode misturar padrões relacionados a bebês, merenda escolar e limpeza doméstica. Separe os casos de uso comercial.

O conjunto de produtos sofre variações

Se as atribuições de categoria mudarem, o tamanho das audiências e as distribuições de pontuação também mudam. Vincule o modelo a uma taxonomia e a uma versão do conjunto de produtos.

A correlação é tratada como persuasão

O fato de duas categorias ocorrerem juntas não prova que a publicidade de uma criará demanda pela outra. Pesquisas sobre cestas de compras com várias categorias também alertam que os produtos podem ocorrer juntos porque são complementares, compartilham ciclos de compra ou refletem fatores domésticos não observados (estudo da Marketing Science sobre cestas de compras).

Lista de verificação dos compradores

Pergunte à plataforma:

  • Qual conjunto exato de produtos define a afinidade?
  • Qual janela de observação e ciclo de compra são utilizados?
  • Os compradores atuais da marca são incluídos, excluídos ou pontuados separadamente?
  • Quais características determinam a pontuação?
  • Como é tratada a identidade do domicílio ou dos shoppers?
  • Como o modelo foi validado ao longo do tempo?
  • Qual é a linha de base utilizada para o aumento relatado?
  • Qual é o grau de sobreposição das audiências com o retargeting?
  • É possível randomizar o tratamento e o grupo de controle dentro das faixas de pontuação?
  • Como as atualizações da taxonomia invalidam ou atualizam o modelo?

Perguntas frequentes

A afinidade com a categoria é o mesmo que intenção de compra?

Não. Ela estima uma relação comportamental com uma categoria. A intenção é mais imediata e pode não ser observável apenas a partir de transações históricas.

Um não comprador pode ter alta afinidade com uma categoria?

Sim, se o comportamento adjacente indicar fortemente uma futura entrada na categoria. Essa previsão deve ser validada, e não simplesmente assumida.

Uma audiência de alta afinidade é sempre a melhor opção?

Não. Ela pode apresentar boa conversão porque contém compradores em potencial. A incrementalidade pode ser maior em uma faixa mais baixa, com mais espaço para persuasão.

Qual é o modelo mínimo viável de afinidade?

Um conjunto de produtos regulamentado, uma população elegível definida, características de recência e frequência, supressão de compradores da marca quando relevante, validação baseada no tempo e um grupo de controle para a campanha.

Conclusão

A afinidade de categoria é útil quando transforma dados de produtos e transações em uma hipótese de público-alvo transparente e testável. Defina o universo de produtos, explique os sinais, valide em relação ao comportamento futuro e teste a incrementalidade da mídia separadamente. Caso contrário, “afinidade” é apenas um nome atraente para um público-alvo que ninguém consegue auditar.

Quer ver como isso funciona na prática?

A Footprints AI ajuda marcas e varejistas a medir o que realmente importa. Conheça nossos cases de sucesso ou entre em contato para conversar sobre sua estratégia de Retail Media.

More Stories

By clicking “Accept All”, you agree to the storing of cookies on your device to enhance site navigation, analyze site usage, and assist in our marketing efforts. View our Privacy Policy for more information.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.