Segmentação preditiva de audiência: como a Retail Media passa de regras para probabilidade

Um público tradicional de Retail Media costuma seguir uma regra do tipo “sim ou não”: inclui os shoppers que atendem a um critério histórico e exclui todos os demais. A segmentação preditiva de público acrescenta uma pontuação contínua, mas essa pontuação ainda não constitui uma audiência.

A mudança operacional é a política de conversão de pontuações em segmentos: um método documentado que converte a saída do modelo em faixas de audiência, exclusões, tratamentos por canal, controles, regras de atualização e ações alternativas. Este artigo trata dessa camada de conversão.

Uma regra descreve a elegibilidade; a probabilidade classifica a oportunidade

As regras continuam úteis para a elegibilidade. Localização geográfica, disponibilidade do produto, status de permissão, histórico mínimo de dados, política de campanha e exclusões por uso sensível podem permanecer como restrições rígidas. A probabilidade altera o tratamento dado aos shoppers após a aplicação desses controles.

A camada preditiva faz uma pergunta delimitada: dadas as informações disponíveis no momento da decisão, qual é a probabilidade de um evento específico ocorrer dentro de um horizonte especificado? A política, então, determina qual ação, se houver, decorre de diferentes partes da distribuição da pontuação.

Sinais comportamentais, como a afinidade com uma categoria, podem servir como variáveis de entrada. Eles não constituem a política de audiência completa. A afinidade descreve uma relação no comportamento observado. A segmentação preditiva acrescenta um resultado, um horizonte temporal, uma pontuação do modelo, um limiar de decisão e uma ação.

Quatro objetos que as equipes nunca devem confundir

A segmentação baseada em probabilidade torna-se difícil de governar quando quatro objetos diferentes são chamados de “a audiência”.

1. A pontuação é a saída do modelo usada para classificar ou estimar um resultado.
2. A probabilidade calibrada é uma pontuação que foi verificada em relação às taxas de eventos observadas. O Scikit-learn descreve um classificador bem calibrado como aquele em que os casos que recebem uma probabilidade próxima a um determinado nível produzem uma taxa positiva observada próxima a esse nível.[1]
3. O segmento é uma faixa ou grupo definido, criado a partir de pontuações e condições de elegibilidade.
4. A decisão de ativação é o que o sistema de mídia faz com esse grupo: incluir, suprimir, alterar um lance, selecionar um canal, ajustar o momento ou reservar um grupo de controle.

Um modelo pode classificar bem os shoppers sem produzir probabilidades confiáveis. Uma pontuação tecnicamente sólida também pode levar a uma campanha ruim se a política atribuir o tratamento errado, gastar além da escala alcançável ou deixar de preservar um grupo de controle.

Limites são escolhas comerciais, não fatos naturais

Um modelo pode gerar um valor contínuo, mas um sistema de ativação precisa de uma decisão. O guia de classificação do Google explica que um limite converte a saída numérica do modelo em classes e que alterar o limite altera o equilíbrio entre verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.[2]

É por isso que um limite padrão não é uma estratégia. O limite correto depende do custo de cada erro e do objetivo da campanha.

Para um orçamento de conversão limitado, um falso positivo pode significar pagar para alcançar alguém com pouca demanda pela categoria no curto prazo. Para uma campanha de recuperação de compradores inativos, um falso negativo pode significar deixar de alcançar alguém que corria risco real de deixar de comprar. Para uma campanha de crescimento, definir um limiar muito alto pode criar uma audiência que pareça eficiente, mas seja pequena demais ou muito concentrada em pessoas que teriam comprado de qualquer maneira.

Os limites devem, portanto, ser selecionados com base em um objetivo explícito, requisito de alcance, custo de mídia, margem do produto (quando legitimamente disponível) e desenho do teste. A mesma pontuação pode sustentar limites de segmento diferentes para campanhas distintas sem alterar o modelo subjacente.

Crie faixas de ação, não um único “melhor público-alvo”

O projeto operacional mais robusto geralmente preserva vários tratamentos.

• Faixa de serviço ou supressão: shoppers cujo comportamento previsto já é altamente provável podem receber mensagens úteis de atendimento, comunicações de fidelização ou nenhuma mídia de aquisição.
• Faixa de teste prioritário: shoppers com sinais relevantes e incerteza significativa podem receber o tratamento principal da campanha, pois há tanto oportunidade quanto espaço para que o comportamento mude.
• Faixa de exploração: uma parcela controlada de shoppers com classificação mais baixa, mas elegíveis, pode proteger o aprendizado, detectar demanda não atendida e impedir que o sistema segmente repetidamente apenas comportamentos já conhecidos.
• Faixa de controle: os shoppers elegíveis não recebem nenhum tratamento da campanha, ou uma alternativa acordada, para que a equipe possa estimar o que teria acontecido sem a ativação.

Essas faixas não são universais. Os limites e os tratamentos devem ser versionados para cada caso de uso. Uma faixa de pontuação que funciona para uma categoria de supermercado comprada com frequência pode ser inadequada para uma categoria sazonal ou de baixa frequência de compra.

Uma política ilustrativa de conversão de pontuações em segmentos

Considere uma marca que esteja tentando conquistar compradores da categoria que ainda não compraram a marca. Este é um exemplo ilustrativo de planejamento, não um resultado medido de campanha.

A população elegível primeiro passa por regras não relacionadas ao modelo: o produto está disponível nas lojas relevantes, os shoppers estão autorizados para a ativação pretendida, a marca definiu a categoria e o horizonte de compra, e os compradores atuais da marca são excluídos do objetivo de aquisição.

O modelo, então, estima a propensão de compra na categoria dentro desse horizonte. Em vez de enviar a mesma mídia para todos que estiverem acima de um limite, a política operacional poderia fazer o seguinte:

• Suprimir da mídia de aquisição de alto custo os compradores habituais da categoria com maior probabilidade e manter uma amostra para mensuração.
• Usar a faixa médio-alta para o tratamento principal de aquisição, em que há relevância para a categoria, mas a compra não é considerada certa.
• Utilizar um grupo de exploração menor abaixo do limite principal para testar se o modelo está ignorando a demanda emergente.
• Reservar shoppers elegíveis comparáveis como grupo de controle em todas as faixas passíveis de ativação.

A equipe deve decidir esses tratamentos antes do lançamento. Caso contrário, os analistas podem ajustar os limites depois de ver os resultados e, sem querer, transformar um teste de audiência em uma busca pela narrativa mais favorável.

Uma migração em seis etapas das regras para a probabilidade

1. Congele a regra atual como referência

Documente a definição de audiência existente, a janela de análise retrospectiva, as exclusões, o tamanho alcançável, a veiculação de mídia, a conversão e as limitações conhecidas. Uma abordagem preditiva deve superar uma alternativa real, não uma linha de base fraca inventada.

2. Defina um evento e um horizonte

“Shopper com alta probabilidade” não é uma definição testável. “Com probabilidade de comprar a categoria na próxima janela de compra” está mais perto de ser uma definição testável, mas a janela, a população elegível, os produtos, as lojas e os canais ainda precisam de definições explícitas.

3. Separe as variáveis do modelo das regras de elegibilidade

Transações históricas, cadência, contexto da cesta de compras, troca de marca, preço, promoção e disponibilidade podem informar uma pontuação. Base jurídica, status de consentimento ou objeção, localização geográfica, estoque, política de campanha e exclusões de dados sensíveis devem permanecer como controles visíveis ao redor do modelo, em vez de desaparecerem dentro dele.

4. Valide a classificação e a calibração

Verifique se as faixas com classificação mais alta produzem taxas de eventos observadas mais altas. Em seguida, verifique se as probabilidades declaradas se alinham às taxas observadas. As curvas de calibração comparam as probabilidades previstas com a fração de resultados positivos em cada faixa de pontuação.[1] Use dados distintos daqueles utilizados para ajustar o modelo ao avaliá-lo e calibrá-lo.

5. Elabore o contrato de ativação

Para cada faixa, registre as condições de elegibilidade, o tratamento, o canal, a regra de frequência, a função do criativo, a lógica de supressão, a alocação de controle, o momento da atualização, o responsável e a ação de contingência. Esse contrato é o que torna o modelo auditável do ponto de vista operacional.

6. Lance com um projeto de aprendizado

Avalie separadamente a qualidade do modelo e o impacto da campanha. A mensuração em circuito fechado pode relacionar a exposição às transações, mas as vendas pós-exposição não são automaticamente vendas incrementais. Preserve um contrafactual confiável sempre que possível.

Avalie a política, não apenas o modelo

Um relatório de segmentação preditiva deve mostrar o desempenho do sistema de decisão como um todo.

• Cobertura: qual parcela da população elegível pôde receber uma pontuação e ser ativada.
• Distribuição: como os shoppers e as impressões alcançáveis foram distribuídos entre as faixas.
• Calibração: se a probabilidade prevista se alinhou às taxas de eventos observadas.
• Separação: se as faixas mais altas produziram taxas de eventos mais altas do que as faixas mais baixas.
• Entrega: se cada faixa recebeu o canal, a frequência, o material criativo e o investimento previstos.
• Incrementalidade: se o tratamento alterou os resultados em relação a um grupo de controle ou a uma comparação defensável.
• Estabilidade: se os resultados se mantiveram ao longo do tempo, em lojas, categorias, promoções e mudanças no fluxo de dados.
• Taxas de intervenção e exceção: com que frequência regras rígidas, dados ausentes, condições de estoque ou revisão humana alteraram a decisão orientada pelo modelo.

As diretrizes da IAB e da MRC enfatizam a medição transparente, consistente, precisa e confiável da Retail Media, controles contínuos de qualidade de dados e relatórios explícitos sobre lacunas de dados e limitações metodológicas.[3] Esses princípios se aplicam tanto à política de público-alvo quanto ao relatório final da campanha.

Atualize quando a decisão mudar, não apenas porque chegou a hora

As pontuações ficam desatualizadas quando novas transações chegam, a disponibilidade muda, uma promoção começa ou o horizonte de previsão avança. Mas atualizar com a frequência que for tecnicamente possível pode aumentar os custos e a instabilidade sem melhorar a decisão.

Defina a frequência de atualização com base no ritmo de compras da categoria, na latência dos dados, no atraso na ativação da mídia e no valor das novas informações. Defina também gatilhos para recálculos extraordinários, como uma grande mudança no sortimento, interrupção nos dados de fidelidade ou mudança abrupta na calibração observada.

Crie versões separadas para o modelo e a política. Uma equipe pode manter o mesmo modelo enquanto ajusta os limites para um orçamento restrito. Ou pode atualizar o modelo preservando as faixas de ativação para uma comparação controlada. Sem o controle de versões separado, é difícil diagnosticar mudanças no desempenho.

Governe a fronteira da política

De acordo com as diretrizes de proteção de dados do Reino Unido, o uso de informações de shoppers para inferir comportamentos prováveis para marketing direto pode constituir criação de perfis e deve ser avaliado em relação à jurisdição e à implementação aplicáveis. O Gabinete do Comissário de Informação do Reino Unido afirma que esse uso deve ser justo e transparente, basear-se em informações precisas e não excessivas, abordar possíveis danos e respeitar objeções.[4]

A política de conversão de pontuações em segmentos deve, portanto, identificar quais dados podem afetar a pontuação, quais condições continuam sendo exclusões rígidas, quais parceiros recebem audiências, como as objeções se propagam, por quanto tempo as pontuações permanecem válidas e quem pode intervir ou suspender a ativação. Uma variável tecnicamente disponível não é automaticamente uma entrada apropriada para a política.

A Estrutura de Gestão de Riscos de IA do NIST preconiza que os sistemas sejam testados antes da implantação e regularmente durante a operação, com incertezas documentadas, comparações com benchmarks, monitoramento em produção, avaliação de privacidade e viés e revisão independente quando apropriado.[5] Converta essa orientação em regras de interrupção da política: suspenda a ativação quando a cobertura despencar, a calibração se deteriorar, uma exclusão protegida falhar, um campo anterior no fluxo de dados mudar de significado ou o sistema operar além de suas condições documentadas.

Falhas de política que tornam um bom modelo inutilizável

Um único limite permanente. Converter uma pontuação em um único limite sem um equilíbrio documentado entre ganhos e perdas simplesmente oculta a regra antiga por trás de um modelo.

Ausência de distinção de tratamento. Se faixas adjacentes receberem o mesmo canal, a mesma frequência, o mesmo criativo e a mesma mensuração, a segmentação acrescenta rótulos em vez de decisões.

Ausência de verificação de capacidade. Uma faixa de prioridade restrita pode parecer eficiente, mas ser incapaz de absorver o orçamento. Uma faixa ampla pode exceder o inventário disponível ou os limites de frequência. O alcance e a capacidade de entrega devem fazer parte da aprovação de limites.

Ausência de caminho de exploração. Selecionar repetidamente apenas a faixa mais alta no momento pode impedir que o sistema descubra novas demandas e fazer com que o viés histórico se autorreforce.

Vazamento de política. Limites escolhidos depois que os resultados ficam visíveis, ou pontuações construídas com informações indisponíveis no momento da decisão, tornam a avaliação pouco confiável.

Ausência de ação de contingência. Variáveis ausentes, pontuações desatualizadas, alterações no estoque, exclusões com falhas ou atrasos na ativação devem levar a uma ação segura e documentada, em vez de uma audiência improvisada.

Ausência de comprovação de entrega por faixa. Se os grupos de prioridade, exploração e controle forem ativados em lojas ou formatos diferentes, ou com diferenças de frequência, qualidade do material criativo ou disponibilidade de produto, a política não poderá ser avaliada de forma clara.

O que os compradores devem solicitar

Antes de aprovar uma audiência baseada em probabilidade, solicite:

• o evento previsto e o horizonte;
• a população elegível e as exclusões rígidas;
• as versões do modelo e da política;
• a diferença entre pontuação bruta, probabilidade calibrada, segmento e ação;
• tamanho da audiência e escala alcançável por faixa;
• o motivo de cada limite;
• as regras de tratamento, supressão, exploração e controle;
• evidências de calibração e estabilidade;
• relatórios de entrega por faixa;
• o contrafactual da campanha e o método de incrementalidade;
• controles de privacidade, objeção, monitoramento e regras de interrupção.

Perguntas frequentes

A probabilidade substitui as regras de audiência?

Não. A probabilidade ajuda a priorizar shoppers elegíveis. Regras rígidas ainda regem a permissão, a localização geográfica, a disponibilidade, o escopo do produto, as exclusões de dados sensíveis, a política da campanha e a segurança operacional.

Por que não usar um único limite para todas as campanhas?

Os custos de inclusão indevida, exclusão indevida, alcance limitado e frequência desperdiçada variam de acordo com o objetivo. O mesmo modelo pode suportar diferentes limites de política para casos de uso de aquisição, recuperação, venda cruzada ou prestação de serviços.

Quantas faixas de audiência um varejista deve usar?

Use o menor número de faixas necessário para dar suporte a ações genuinamente diferentes. Se duas faixas receberem o mesmo tratamento e forem medidas da mesma forma, a distinção pode adicionar complexidade sem agregar valor.

Quem deve aprovar uma alteração no limite?

A responsabilidade deve estar explicitada no contrato de ativação. Uma alteração no limite pode afetar o alcance, o custo, a composição das audiências, a alocação de controle e o risco à privacidade; portanto, não deve ser tratada como uma decisão de ajuste exclusiva dos analistas.

O que comprova que a migração funcionou?

A política preditiva deve superar a referência documentada baseada em regras nas decisões que importam: alcance útil, pontuação confiável, entrega controlada, resultados incrementais, estabilidade operacional e explicabilidade.

Conclusão

A segmentação preditiva de audiência se torna útil quando uma pontuação muda a ação adotada.

Mantenha as regras rígidas de elegibilidade visíveis. Defina um evento e um horizonte. Converta a pontuação em tratamentos versionados. Proteja os grupos de exploração e de controle. Registre as intervenções e as ações de contingência. Em seguida, avalie a política como uma decisão operacional completa, não como um ranking de modelos.

Fontes

[1] scikit-learn, documentação sobre Calibração de probabilidades.

[2] Google for Developers, Limites e a matriz de confusão.

[3] IAB e Media Rating Council, Diretrizes de mensuração de Retail Media da IAB/MRC (2024).

[4] UK Information Commissioner’s Office, Coletar informações e gerar leads.

[5] Instituto Nacional de Padrões e Tecnologia, Núcleo da Estrutura de Gestão de Riscos de IA.

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.