Este artigo é destinado a profissionais de publicidade interessados em aprender a automatizar insights de criativos usando os recursos de machine learning (ML) e armazenamento de dados do Google Cloud. Neste artigo, mostramos como aproveitar a tecnologia de nuvem para receber rapidamente insights criativos, avaliar a qualidade desses criativos com eficácia e adaptar os esforços de publicidade de maneira correta. Saiba como extrair e processar metadados visuais de anúncios (seus criativos) em escala para que você possa entender melhor quais imagens e vídeos atraem seus clientes.
Este artigo descreve um sistema para:
- usar as APIs de machine learning para analisar criativos;
- implementar um pipeline do Pub/Sub para ativar o processamento em escala;
- consultar dados de publicidade e conteúdo de imagem para análise.
O sistema descrito aqui pode ajudar você a:
- usar análise personalizada de dados brutos por equipes de ciência de dados internas e externas;
- exibir uma visualização macro de elementos do criativo e estatísticas relevantes em uma rede, anunciante ou campanha para análise interativa;
- fornecer análises escalonáveis usando modelos de machine learning que podem ser compartilhadas com as partes interessadas focadas na otimização dos criativos.
Este artigo supõe que você use o Google Marketing Platform na sua iniciativa de publicidade.
Introdução
Os anunciantes focam cada vez mais a segmentação e a atribuição, mesmo que 75% do impacto de um criativo esteja relacionado à qualidade dele (em inglês). Apesar dessa estatística, a maioria dos esforços de análise ainda se concentra em quando e onde o criativo foi executado, e não no conteúdo dele. Esse foco não se deve à falta de esforço, mas sim à dificuldade de analisar os criativos.
Para começar a receber insights de dados, você precisa marcar manualmente os criativos individuais. Portanto, é possível analisar apenas um conjunto selecionado de criativos, mas isso é caro e demorado. Além disso, o processo de upload dos materiais não tem uma taxonomia consistente que inclui o ID, assim, é impossível analisar as métricas de desempenho e conectá-las ao criativo.
O ideal seria responder a perguntas como as seguintes:
- Mostrar o logotipo da marca nos primeiros cinco segundos de um vídeo aumenta o recall da marca?
- Os criativos com imagens naturais e ao ar livre, como árvores ou praias, têm melhor desempenho que aqueles com imagens urbanas?
- Quais palavras-chave estão presentes nos seus criativos e como elas afetam as métricas?
- Os criativos com vários rostos felizes geram um engajamento maior?
Hoje, a única maneira de responder a essas perguntas é analisar cada criativo e fornecer respostas manualmente. Essa solução é lenta e não escalonável. A solução apresentada aqui repensa esse processo de modo a permitir que os analistas processem todos os criativos em alguns dias. Isso aumenta drasticamente a amplitude e a profundidade dos dados disponíveis que, com a codificação manual, seriam inviáveis ou extremamente caros.
Este artigo descreve uma maneira de automatizar esses insights de criativos em escala usando tecnologias do Google Cloud, como Pub/Sub, App Engine, Cloud Vision, BigQuery e Data Studio.
O pipeline de dados é executado principalmente no App Engine, usando o Pub/Sub como o serviço de fila de mensagens para processar muitos criativos por vez. Esse pipeline também lê e grava no Datastore como uma maneira de coordenar tarefas paralelas em vários workers do App Engine durante as fases do pipeline.
No pipeline, imagens e vídeos criativos são buscados no Google Marketing Platform e copiados para o Cloud Storage. As imagens e os vídeos também são executados por meio das APIs Vision e Video Intelligence. Os dados brutos provenientes desses serviços são gravados no BigQuery. Para entender melhor como implementar esse pipeline, a próxima seção analisa cada componente com mais detalhes.
Como automatizar uma solução
A solução proposta tem três etapas:
- Aproveitar os recursos de machine learning atuais por meio das APIs Vision e Video Intelligence.
- Use o Pub/Sub para criar um pipeline escalonável e processar os criativos à sua disposição.
- Armazenar, consultar e visualizar os insights resultantes usando o BigQuery e o Data Studio.
Etapa 1: aproveitar as APIs de machine learning
Veja o seguinte exemplo de criativo:
No Campaign Manager, você recebe as seguintes informações relacionadas a anúncios:
- ID do criativo
- Tamanho do criativo
- Métricas de publicidade, como taxa de cliques (CTR). Uma lista completa de métricas está disponível no Campaign Manager.
ID do criativo | Nome do criativo | Tamanho do criativo | Impressões | Cliques | Taxa de cliques |
---|---|---|---|---|---|
12345 | cbalm_lipgloss_300x300.png |
300x300 | 80.734.829 | 174.696 | 0,2% |
Atualmente, as convenções de nomenclatura são sua melhor opção para extrair informações sobre o conteúdo do criativo em si. Por outro lado, este artigo usa a API Cloud Vision para coletar automaticamente os principais recursos desse criativo, conforme ilustrado na figura a seguir:
Para entender as nuances do conteúdo, tente essa extração fazendo o upload da imagem do seu criativo.
Em seguida, use a API para analisar o conteúdo do criativo e entender como a qualidade desses criativos impacta o recall e o desempenho do anúncio. Assim, fica bem mais fácil fazer perguntas sobre o conjunto de dados.
Etapa 2: configurar o Pub/Sub para automatizar o pipeline do criativo
Para automatizar o pipeline de criativos em escala, é possível aproveitar o Pub/Sub. Esse serviço é uma solução de análise de stream que ingere streams de eventos e os envia ao BigQuery para análise no armazenamento de dados. Confiar no Pub/Sub para a entrega de dados de eventos permite que você processe milhares de criativos com eficiência. O diagrama a seguir mostra um esboço da configuração do pipeline usado para implementar a análise do criativo.
Pilha de tecnologia e arquitetura
O diagrama de arquitetura anterior refere-se aos seguintes componentes do Google Cloud.
Componente do GCP | Papel do pipeline |
---|---|
Pub/Sub | Job assíncrono e fila de mensagens. Neste caso, sugerimos a criação de quatro tópicos para gerenciar criativos, jobs, metadados de criativos e dados da API Vision. Cada um desses tópicos tem assinantes que são iniciados quando uma nova entrada é detectada. |
Cloud Storage | Ideal para armazenamento de arquivos de mídia das imagens e vídeos usados no pipeline. |
App Engine | Recursos de computação para processar lógica de negócios. |
Datastore | Permite a telemetria básica em jobs, coordenação de ações em etapas do pipeline e agrupamento de mensagens. |
Cloud Logging | Recurso do Logging para verificação de integridade, depuração e status. |
BigQuery | Armazenamento de dados para saídas e feeds do pipeline resultantes no Data Studio para análise. |
Principais considerações sobre o pipeline
- O início e o final do pipeline são unidades de trabalho monolíticas. O meio do pipeline processa os criativos em paralelo, em que cada mensagem do Pub/Sub carrega um único criativo.
- Os jobs são tratados como processos de longa duração (podem levar horas/dias).
- O pipeline é executado para um objetivo específico, portanto, os novos dados no Google Marketing Platform não são atualizados até a próxima execução.
- O pipeline requer permissões apropriadas para a conta de serviço associada ao projeto do Google Cloud que executa essa infraestrutura, tanto das propriedades da Google Marketing Platform (por exemplo, Campaign Manager) quanto dos projetos de origem e destino do Google Cloud para serviços como o Cloud Storage e o BigQuery.
- Esse pipeline permite um único processo criativo ou atualizações em lote.
Etapa 3: visualizar insights sobre criativos com o Data Studio e o BigQuery
Para fazer uma análise preliminar, inicialmente é possível usar diretamente os dados brutos das APIs Vision e Video Intelligence. No entanto, para modelagem matemática e machine learning, recomendamos que você projete esses dados em um formato adequado. Essa solução usa uma abordagem one-hot (em inglês) modificada, expressando cada recurso do criativo com um número de 0 a 1. A tabela a seguir mostra alguns exemplos de como esses dados são convertidos.
Dados da API para cada criativo | Representação one-hot |
---|---|
Conjunto de rótulos em texto simples que descrevem qual conteúdo foi visto no criativo (praia ou carro, por exemplo) com uma pontuação de confiança (0 a 1) para cada rótulo | O conjunto de atributos é o dicionário inteiro de rótulos em todos os criativos. Cada criativo receberá um 0 se esse rótulo não estiver presente e a pontuação de confiança (0 a 1) se estiver. |
Tamanho do logotipo em pixels Localização do canto superior esquerdo em pixels |
Um recurso para o tamanho relativo do logotipo que é calculado como (largura × altura do logotipo) / (largura × altura do criativo). Quatro recursos, um para cada quadrante, com 1 se o logotipo estiver nesse quadrante e 0 se não estiver. |
Lista de todas as faces no criativo | Um recurso para o número de faces, com valor de 0 a 1 e uma função logística (em inglês), em que 0 representa nenhuma face, 0,5 representa 1 ou 2 faces e 0,99 representa uma multidão. |
Depois que essas etapas forem concluídas, será possível usar o BigQuery para reunir informações sobre um criativo da API Vision (rótulo, pontuação, cor, destaque) com os dados do Google Marketing Platform, especificamente o Campaign Manager (ID do criativo, taxa de cliques). Veja a seguir um exemplo de tabela de informações.
ID do criativo | Rótulo | Pontuação | Cor | Destaque | Taxa de cliques |
---|---|---|---|---|---|
12345 | pirata | 0,7 | vermelho | 0,8 | 0,2% |
chapéu | 0,8 | branco | 0,1 | ||
67890 | tronco | 0,6 | branco | 0,4 | 0,3% |
cavalo | 0,9 | azul-celeste | 0,4 |
- Agora é possível transformar esses dados em insights sobre criativos e responder facilmente às perguntas feitas no início deste artigo.
Comece perguntando: os criativos com imagens naturais e ao ar livre, como árvores ou praias, têm melhor desempenho que aqueles com imagens urbanas? Usando dados anônimos de um fabricante de carros, o gráfico a seguir representa o número de ocorrências de um rótulo em relação ao índice de desempenho do criativo.
- No quadrante superior direito do gráfico, os rótulos engenharia, blueprint e esquema ocorrem com frequência e apresentam bom desempenho. Os resultados sugerem que mostrar diagramas e blueprints de engenharia passa a mensagem ao cliente de que o carro é um produto preciso e bem projetado.
- No quadrante inferior direito, os rótulos executivo e sapatos sociais são frequentes, mas têm um desempenho ruim. Assim, é recomendável evitar esses tipos de criativos no futuro.
No quadrante superior esquerdo, os rótulos jornada, floresta, pessoas, corpo e óculos de sol não ocorrem com frequência, mas têm melhor desempenho que os pares deles. Esses rótulos mostram oportunidades que não foram aproveitadas. Por exemplo, jornada + floresta pode evocar anúncios com uma estrada sinuosa e paisagens de tirar o fôlego, e a combinação pessoas + corpo + óculos de sol pode sugerir que o modelo humano é importante. Se você comparar esses rótulos com sapatos sociais + executivo, verá que uma imagem casual funciona melhor para a campanha publicitária dessa marca.
Agora, faça outra pergunta: quais palavras-chave estão presentes nos seus criativos e como elas afetam as métricas? Usando os mesmos dados do BigQuery, é possível criar o gráfico a seguir, que representa o número de ocorrências de determinadas palavras-chave em relação ao desempenho dos criativos correspondentes. Como mostra o gráfico a seguir, os criativos com as palavras-chave agora e liquidação tendem a ter um desempenho melhor do que aqueles com exclusivo ou desconto.
Com esses insights, será possível entender melhor o impacto dos seus criativos e tomar decisões fundamentadas em relação à implantação e ao teste de criativos.
A seguir
- Saiba mais sobre como criar um armazenamento de dados de marketing.
- Saiba mais sobre o Google Marketing Platform
- Teste outros recursos do Google Cloud. Veja nossos tutoriais.