Retail Media Baseline: O ponto de partida por trás de cada crescimento em Retail Media

Linha de base da mídia de varejo: A linha de partida para o Uplift

Mas há uma questão que ninguém quer abordar: esse número só é válido na medida em que a referência com a qual é comparado também o seja.

Retail Media Baseline: The Starting Line Behind Every Retail Media Uplift

O que é uma linha de base?

Uma linha de base é o que teria acontecido sem a campanha. Não o que aconteceu antes. Não o número do ano passado. Não a média.
É o cenário contrafactual. O cenário em que o anúncio nunca foi veiculado — mas tudo o mais permaneceu igual.
Essa distinção é mais importante do que a maioria das pessoas imagina.

Por que é o primeiro número que o departamento financeiro questionará

Quando uma equipe de marca entra em uma reunião de QBR e diz “alcançamos um ROAS 5 vezes maior”, a primeira pergunta de qualquer pessoa com formação em finanças é: em comparação com o quê?

Se a linha de base estiver errada, o aumento está errado. E se o aumento estiver errado, todo o caso de negócios desmorona.

Veja como isso geralmente dá errado

Comparação pré/pós. Você compara o período da campanha com o período anterior. Mas sazonalidade, promoções, mudanças na distribuição, variações de preço — qualquer um desses fatores pode afetar as vendas de forma independente. A comparação pré/pós não isola a campanha. Ela isola o calendário.
Comparação ano a ano. Melhor, mas ainda assim imprecisa. O cenário competitivo era o mesmo? O produto estava no mesmo número de lojas? Houve alguma mudança de preço? A comparação ano a ano oferece uma referência, não uma linha de base.
Média da categoria como proxy. Às vezes útil para contextualizar, mas a categoria inclui também a atividade dos seus concorrentes. Se toda a categoria cresceu 8% e você cresceu 10%, essa diferença de 2% pode ser significativa — ou pode ser ruído.

Nenhuma dessas é uma linha de base. São referências. As referências mostram seu desempenho em relação a algo. As linhas de base mostram o que sua campanha realmente mudou. A peça que faltava: previsão de demanda.

A maneira mais rigorosa de definir uma linha de base é prever quais teriam sido as vendas sem a campanha — e então comparar os resultados reais com essa previsão.

É aqui que entram os modelos de previsão de demanda.

Uma previsão de demanda utiliza dados históricos de vendas e leva em conta todos os fatores que impulsionam o volume independentemente da mídia: curvas de sazonalidade, calendários promocionais, elasticidade de preço, mudanças na distribuição, padrões climáticos, efeitos de feriados e até mesmo o comportamento por dia da semana no nível da loja. O modelo aprende como é o “normal” para um determinado produto em uma determinada loja em uma determinada semana — com todas essas variáveis incorporadas.

O resultado é uma curva de vendas esperadas. Não uma linha reta. Não uma média simplista. Uma previsão dinâmica que acompanha o negócio, da maneira como o negócio realmente se move.

Quando uma campanha é veiculada, você compara as vendas reais com a previsão. A diferença — real menos esperado — é o seu aumento. E como a previsão já incorporou sazonalidade, promoções e distribuição, essa diferença está muito mais próxima do verdadeiro efeito incremental da mídia.

Isso é fundamentalmente diferente de escolher um período de comparação e torcer para que nada mais tenha mudado. A previsão modela as mudanças. Ela não as ignora.

Por que isso é importante especificamente para a Retail Media

A Retail Media se baseia em dados de transações. Essa é sua vantagem. Mas os dados de transações por si só não fornecem uma linha de base — eles fornecem valores reais. Você precisa de um modelo que transforme dados históricos reais em expectativas prospectivas.

Os varejistas e as plataformas que investem em previsão de demanda como parte de sua pilha de métricas desbloqueiam algo poderoso: uma linha de base que é defensável, repetível e não depende de encontrar um período de comparação “limpo” — porque no varejo, não existe tal coisa como um período limpo. Sempre há alguma promoção. Sempre algo mudou.

Um bom modelo de demanda lida com isso. Ele diz: “Considerando tudo o que sabemos sobre este produto, essas lojas, esta época do ano, este preço e este plano promocional — eis o que esperávamos vender.” A função da campanha é superar essa expectativa.

E quando o modelo está bem calibrado, os resultados resistem a um exame minucioso. O departamento financeiro pode auditar a metodologia. A marca pode ver as premissas. A conversa muda de “você acredita nesse número?” para “o que causou a diferença?”.

Grupos de controle: o outro caminho confiável

A previsão de demanda não é a única maneira. O outro método confiável são os grupos de controle.

Considere uma população de compradores. Exponha um grupo à campanha. Mantenha um grupo de controle que pareça estatisticamente idêntico, mas que não veja nenhuma atividade da campanha. Compare os resultados. A diferença é o seu aumento. O comportamento do grupo de controle é a sua linha de base.

Na prática, as estruturas de medição mais robustas utilizam ambas. A previsão define a linha de base esperada em toda a extensão da campanha. O grupo de controle a valida experimentalmente em um subconjunto. Quando os dois métodos concordam, a confiança aumenta. Quando divergem, você aprende algo sobre seu modelo — e isso também é valioso.

O que uma boa linha de base leva em conta

Sazonalidade. Este é um período em que as vendas aumentam ou diminuem naturalmente?
Atividade promocional. O produto estava em promoção durante a campanha? Ele estava em promoção no período de referência?
Mudanças na distribuição. O produto ganhou ou perdeu lojas?
Variações de preço. O preço de prateleira mudou?
Atividade da concorrência. Um concorrente direto lançou, retirou da prateleira ou promoveu o produto durante o mesmo período?
Fatores externos. Clima, feriados, mudanças macroeconômicas — qualquer coisa que afete o volume no nível da categoria.

Um modelo de demanda absorve esses fatores como inputs. Um grupo de controle os neutraliza por definição. De qualquer forma, a linha de base reflete a realidade — não uma simplificação conveniente dela.

A realidade prática

A maioria das redes de Retail Media hoje não faz isso bem. Muitas nem fazem isso.

O relatório padrão pós-campanha mostra impressões, alcance e talvez um gráfico de vendas. A linha de base é implícita, não declarada. O aumento é calculado em relação a um período escolhido porque fazia o resultado parecer bom.

Isso não é medição. Isso é marketing.

As redes que terão sucesso a longo prazo serão aquelas que investirem na previsão de demanda como infraestrutura — não como uma análise pontual, mas como um modelo contínuo que abrange todas as campanhas, todas as categorias e todas as lojas. Elas declararão sua metodologia de linha de base desde o início, manterão a consistência e deixarão os números serem o que forem — mesmo quando não forem lisonjeiros.

Porque eis o que acontece quando você acerta as linhas de base: as marcas confiam nos resultados. Quando as marcas confiam nos resultados, elas aumentam os orçamentos. Quando aumentam os orçamentos, elas param de pedir descontos — porque estão comprando provas, não veiculações.

Resumindo, a linha de base não é um detalhe de relatório. É a base de todas as afirmações feitas pela Retail Media.

As melhores linhas de base são construídas com base em modelos de previsão de demanda que estimam o que teria sido vendido de qualquer maneira — e validadas com experimentos de grupo de controle que confirmam a previsão. Juntas, elas transformam “achamos que a campanha funcionou” em “eis o que a campanha mudou, e eis por que estamos confiantes”.

Se você está criando ou comprando Retail Media, a primeira pergunta não é “qual é o ROAS?”, mas “como a linha de base foi definida?”.

Tudo o resto decorre daí.

Leitura relacionada

Pronto para ver como isso funciona na prática?

A Footprints AI ajuda marcas e varejistas a medir o que realmente importa. Veja nossas histórias de sucesso de clientes ou entre em contato para discutir sua estratégia de Retail Media.