Nem todos os shoppers são identificados. A penetração do programa de fidelidade pode ser de 60%, 70% ou, na melhor das hipóteses, talvez 80%. O restante é anônimo: eles realizaram transações, mas não é possível associá-los à exposição a uma campanha.
Então, o que fazer com essa lacuna? Se você ignorá-la, subestimará o impacto da campanha.
Se extrapolar, corre o risco de superestimá-lo. De qualquer forma, o número está errado; a questão é em qual direção você prefere estar errado e quão transparente você é sobre essa escolha.
O que significa extrapolação
A extrapolação pega o comportamento observado na população correspondente (identificada) e o projeta sobre a população não correspondente (anônima).
Se os shoppers identificados expostos à campanha apresentaram um aumento de 6%, a extrapolação pressupõe que os shoppers anônimos também apresentaram um aumento de aproximadamente 6%. O impacto total estimado passa a ser o resultado da população correspondente, escalonado para toda a audiência.
A suposição: compradores correspondidos e não correspondidos se comportam de maneira semelhante. Essa suposição costuma estar errada. Membros de programas de fidelidade tendem a ser compradores mais assíduos, mais engajados e mais receptivos a promoções. Projetar o comportamento deles sobre compradores anônimos menos assíduos e menos engajados provavelmente superestima o efeito.
As regras da extrapolação honesta
Se você fizer uma extrapolação, deve declarar as regras. Na Footprints AI, a metodologia é transparente:
1. Relate os resultados correspondentes como primários. “Entre os shoppers identificados, a campanha gerou um aumento incremental de 6,2% e um iROAS 4,8 vezes maior.”
2. Relate as estimativas extrapoladas separadamente. “Extrapolando para toda a audiência estimada, a incidência incremental total é estimada em €X. Isso pressupõe taxas de resposta semelhantes entre os shoppers não identificados.”
3. Indique a taxa de correspondência. “68% dos shoppers estimados que tiveram contato com a campanha foram identificados por meio de dados de fidelidade.”
4. Indique a suposição. “A extrapolação pressupõe uma resposta equivalente na população não correspondida. Se os shoppers não correspondidos forem menos receptivos (como é comum), o verdadeiro impacto total situa-se entre o resultado correspondido e a estimativa extrapolada.”
5. Nunca apresente números extrapolados como se fossem números medidos. A distinção deve ficar clara no relatório, no painel de controle e em qualquer conversa sobre os resultados.
Quando a extrapolação é apropriada
A extrapolação faz sentido quando: - A taxa de correspondência é razoavelmente alta (>60%), de modo que a amostra correspondente seja representativa - O fator de extrapolação é modesto (1,3-1,5x, não 3x) -
A metodologia estiver documentada e for consistente entre as campanhas - A marca compreender e aceitar a suposição
Não faz sentido quando: - A taxa de correspondência é baixa (<40%) e o multiplicador de extrapolação é grande - Sabe-se que a população correspondida é sistematicamente diferente da não correspondida - O resultado é apresentado sem o contexto metodológico
Conclusão
Se você extrapolar, deve declarar as regras. Caso contrário, a prova desmorona sob escrutínio.
Relate primeiro os resultados correspondentes. Faça a extrapolação com metodologia documentada. Seja transparente quanto à taxa de correspondência e às premissas. Nunca apresente estimativas como medições.
Uma extrapolação honesta com metodologia clara gera mais confiança do que números inflacionados sem contexto. E a confiança é a moeda que garante a renovação das campanhas.
Pronto para ver como isso funciona na prática?
A Footprints AI ajuda marcas e varejistas a medir o que realmente importa. Conheça nossas histórias de sucesso de clientes ou entre em contato para discutir sua estratégia de Retail Media.
