A crise da mensuração

A lógica de mensuração da mídia foi construída sobre uma premissa relativamente simples: acompanhar a jornada do consumidor até a conversão e identificar qual canal teve maior responsabilidade pelo resultado. O modelo funcionou enquanto essa jornada era mais linear, com pontos de contato mais facilmente identificáveis e o clique ocupando um papel central na relação entre marca e consumidor.

Esse cenário está mudando. A expansão de novos formatos, plataformas e, mais recentemente, da inteligência artificial tornou a jornada mais fragmentada e menos dependente de cliques. O desafio que se coloca para anunciantes e agências, portanto, não é exatamente uma crise da mensuração, mas a necessidade de aprender a mensurar de outra maneira.

A primeira mudança é de perspectiva. O chamado last click, que atribui a conversão ao último canal acessado antes da compra, já não é suficiente para explicar a influência da mídia sobre o consumidor. Uma pessoa pode assistir a um vídeo no TikTok, ser impactada por uma campanha em Connected TV, pesquisar uma marca no Google e, finalmente, comprar na Amazon, no site do Carrefour ou em uma loja física. Se olharmos apenas para o último ponto dessa jornada, parte relevante da contribuição dos demais canais desaparecerá do diagnóstico.

É nesse contexto que ganha importância o conceito de conversão assistida. Em vez de perguntar apenas onde a venda ocorreu, passa a ser necessário entender quais pontos de contato contribuíram para que ela ocorresse. A mídia pode não ter sido o ambiente da conversão, mas ter desempenhado um papel decisivo para conduzir o consumidor até ela. A retirada de um desses canais, em alguns casos, pode inclusive comprometer a jornada como um todo.

Essa mudança exige uma combinação maior entre metodologias. O Marketing Mix Modeling (MMM), por exemplo, pode ajudar a responder a uma pergunta diferente: como alocar o orçamento de mídia de maneira mais eficiente diante dos objetivos de negócio? O modelo analisa investimentos em diferentes frentes — como digital, offline, social, search e Retail Media — e busca identificar onde o orçamento pode gerar maior alcance, frequência, penetração e rentabilidade.

Já a mensuração da jornada permite compreender os touchpoints pelos quais o consumidor passou até a conversão. Uma metodologia não substitui a outra. Enquanto o MMM ajuda a orientar a distribuição do investimento, a análise da jornada mostra como os diferentes canais participam do caminho percorrido até o resultado.

A combinação dessas visões permite uma leitura mais abrangente da eficiência da mídia.

A inteligência artificial adiciona uma nova camada a esse processo. Seu principal impacto, nesse caso, não está necessariamente na criação de uma nova métrica, mas na capacidade de conectar fontes de dados e ampliar a análise. Em vez de diferentes dashboards isolados — um para campanha, outro para audiência, outro para veículos —, a IA pode ajudar a reunir essas informações e identificar relações que dificilmente seriam percebidas com a mesma velocidade por uma análise exclusivamente humana.

Na prática, isso significa conectar dados de MMM, Ad Server e plataformas de mídia para buscar respostas mais complexas. Um modelo pode indicar, por exemplo, que determinado investimento deveria migrar do offline para o digital, enquanto os dados da jornada mostram a necessidade de manter diferentes pontos de contato para conduzir o consumidor até a conversão. A IA pode cruzar essas informações e transformar grandes volumes de dados em hipóteses e recomendações para a otimização.

Essa capacidade será ainda mais relevante à medida que surgem novas formas de interação com as marcas. A mídia conversacional é um exemplo. Em ambientes baseados em inteligência artificial, a lógica deixa de estar necessariamente organizada em torno de palavras-chave e segmentações tradicionais. O contexto da intenção do consumidor passa a ganhar peso: alguém que está planejando uma viagem, por exemplo, pode ser identificado a partir de uma necessidade ou intenção mais ampla, e não apenas de um conjunto pré-definido de características demográficas ou comportamentais.

Isso não significa, porém, que o mercado precise abandonar os indicadores que já conhece em busca de uma nova métrica milagrosa. O movimento parece ser menos sobre criar novos KPIs e mais sobre estabelecer novas conexões entre os indicadores existentes. O desafio está em organizar melhor os dados, interpretá-los em conjunto e compreender o papel de cada variável dentro de uma jornada que deixou de ser linear.

Essa transformação também muda a atuação de quem trabalha com mídia. Se antes boa parte da otimização dependia da experiência acumulada pelo profissional (aquilo que funcionou em campanhas anteriores e que naturalmente influencia decisões futuras), com a IA esse repertório é ampliado pela possibilidade de cruzamento de referências e dados em uma escala muito maior. Mais do que automatizar análises, ela pode provocar perguntas que não surgiriam espontaneamente no cotidiano de uma operação.

A questão passa a ser: o que mais poderia ser feito com o mesmo orçamento? Quais otimizações ainda não foram consideradas? Que relação entre os dados está passando despercebida? Ao formular perguntas desse tipo, marcas e agências podem usar a inteligência artificial não apenas para responder, mas para desafiar as próprias premissas que orientam suas decisões.

É uma mudança importante porque mensuração não deve servir apenas para explicar o que aconteceu. Os mesmos dados podem orientar o planejamento de uma campanha, o lançamento de um produto ou até um reposicionamento de marca. A inteligência está em transformar o histórico em aprendizado e o aprendizado em decisão.

No fim, a grande transformação da mensuração talvez não esteja em encontrar uma nova forma de atribuir cada venda a um único canal. Está em aceitar que, em uma jornada fragmentada, o resultado é construído por múltiplos contatos e que nenhum indicador isolado consegue contar essa história.

O futuro da mídia, portanto, exigirá menos obsessão pelo último clique e mais capacidade de interpretar o conjunto. A inteligência artificial pode ampliar essa capacidade, mas a mudança fundamental é humana: aprender a fazer perguntas melhores aos dados. Porque, quando a jornada se torna mais complexa, medir melhor não significa necessariamente medir mais. Significa compreender melhor o que os números estão tentando dizer.