Texto, social e redes

12.1Dados não estruturados em marketing

A maior parte do que os clientes dizem e fazem não se encontra organizada em tabelas. Avaliações, respostas abertas de pesquisa, conversas de atendimento, publicações em redes sociais, transcrições de ligações, imagens e sequências de cliques constituem dados não estruturados, que contêm muita informação, mas precisam ser transformados antes de integrar uma análise.

A transformação consiste em extrair campos que possam ser contados e comparados, como o tema de uma reclamação, o produto citado, o sentimento, a urgência e a intenção de cancelar. Após a extração, esses campos comportam-se como qualquer outra variável e podem ser cruzados com dados de vendas, de clientes e de operações.

O valor desses dados reside na observação de aspectos que as métricas estruturadas não revelam. Uma queda de satisfação aparece no NPS, mas o motivo da queda aparece nos comentários. A dificuldade consiste em realizar a transformação de forma consistente, auditável e com qualidade conhecida, temas dos subitens seguintes.

12.1.1Caso de mercado: identificação de uma cobrança duplicada pela classificação automática de mensagens em uma empresa de telefonia

Uma empresa de telefonia recebia 40 mil mensagens por mês no atendimento digital, analisadas apenas por amostragem manual. Com a classificação automática de todas as mensagens por tema e urgência, a empresa identificou que 12% delas tratavam de uma cobrança duplicada introduzida por uma mudança no sistema de faturamento, problema que a amostra manual não havia identificado como prioritário.

12.1.2Definição dos campos a extrair e da decisão associada a cada campo

A análise deve começar pela definição dos campos que a extração deve produzir e da decisão que cada campo apoia. Um esquema simples, como tema, produto, sentimento e urgência, aplicado de forma consistente a todos os textos, tende a ser mais útil do que análises sofisticadas aplicadas a amostras pequenas.

12.1.3Erros comuns no uso de dados não estruturados

• Coletar textos sem definir as informações que se pretende extrair deles.
• Analisar apenas a nota numérica e desconsiderar os comentários.
• Utilizar campos extraídos automaticamente sem conhecer sua taxa de erro.

12.2Preparação de texto para contagens e modelos clássicos

Antes da contagem de palavras ou do treinamento de modelos clássicos, o texto passa por uma preparação. A tokenização separa o texto em unidades, em geral palavras. A padronização converte o texto para minúsculas e remove a pontuação. A remoção de palavras muito frequentes e pouco informativas, como artigos e preposições, reduz o ruído. A redução ao radical agrupa variações da mesma palavra, como “entregar”, “entregue” e “entrega”.

Também são utilizados n-gramas, isto é, sequências de duas ou mais palavras. Os n-gramas preservam expressões cujo sentido se altera quando as palavras são separadas, pois “não gostei” tem sentido oposto a “gostei”, e “cartão de crédito” difere de “cartão” e “crédito” isolados.

Cada etapa constitui uma escolha que afeta o resultado. A remoção da palavra “não” como termo pouco informativo, por exemplo, inverte o sentido de muitas frases. Modelos de linguagem modernos dependem menos dessas etapas, mas elas permanecem relevantes para contagens, buscas e painéis simples.

12.2.1Caso de mercado: remoção da negação e inversão do sentido da contagem de termos em uma rede de restaurantes

Uma rede de restaurantes contava as palavras mais frequentes nas avaliações para acompanhar temas. A lista padrão de palavras removidas incluía “não”, e o termo “gostei” aparecia entre os mais citados em um mês de queda de satisfação. Com a manutenção da negação e a inclusão de bigramas, “não gostei” e “demorou muito” passaram a liderar a lista, o que revelou o problema do tempo de espera.

12.2.2Escolha das etapas de preparação e preservação de negações e expressões

As etapas de preparação devem ser definidas conforme o objetivo, a lista de palavras removidas deve ser revisada para o domínio analisado e negações e expressões relevantes devem ser preservadas. As escolhas devem ser documentadas para que contagens de períodos diferentes sejam comparáveis.

12.2.3Erros comuns na preparação de texto

• Remover negações junto com as palavras pouco informativas.
• Contar palavras isoladas quando o sentido está contido em expressões.
• Alterar a preparação entre períodos e comparar as contagens.

12.3Sentimento, emoção e urgência

Pesquisas abertas, avaliações, tickets, conversas e transcrições registram temas que não aparecem em métricas estruturadas. Sentimento, emoção, intenção e urgência são dimensões distintas. Um texto negativo pode descrever um problema resolvido; uma expressão positiva pode ser irônica; e uma solicitação urgente pode não conter emoção intensa.

A forma mais simples de medir o sentimento utiliza léxicos, isto é, listas de palavras com polaridade positiva ou negativa, combinadas com regras para negação e intensidade. Os léxicos são transparentes e de fácil auditoria, mas erram diante de ironia, contexto e vocabulário específico do setor. Modelos treinados com exemplos rotulados e modelos de linguagem captam melhor o contexto, ao custo de menor transparência.

A separação das dimensões tem consequência prática. A urgência orienta a fila de atendimento, o sentimento orienta os indicadores de experiência e o tema orienta a área responsável. A combinação dessas dimensões em um único indicador de “negatividade” elimina a informação necessária para a ação.

12.3.1Classificação em dimensões separadas e revisão periódica de exemplos

Cada texto deve ser classificado em dimensões separadas, e deve ser definida, para cada dimensão, a ação que ela orienta. Exemplos classificados com alta confiança e exemplos com classificação incerta devem ser revisados periodicamente.

12.3.2Erros comuns na mensuração de sentimento, emoção e urgência

• Reduzir a voz do cliente a um único indicador de sentimento.
• Utilizar léxicos genéricos em setores com vocabulário próprio.
• Desconsiderar a ironia e os textos que mencionam problemas já resolvidos.

12.4Temas e modelagem de tópicos

Quando os temas presentes nos textos não são conhecidos previamente, é possível identificá-los a partir dos próprios dados. Modelos de tópicos agrupam textos que utilizam palavras semelhantes e descrevem cada grupo pelas palavras mais características. Abordagens mais recentes representam cada texto como um vetor numérico, denominado embedding, no qual textos de sentido semelhante ficam próximos, e posteriormente agrupam esses vetores.

Assim como no agrupamento de clientes do capítulo 4, o número de temas constitui uma escolha. Poucos temas combinam assuntos diferentes em um mesmo grupo, enquanto temas em excesso dividem um mesmo assunto em grupos quase idênticos. A escolha combina medidas de coerência com a leitura de exemplos de cada tema.

Os temas identificados precisam de nomes e de revisão humana. As palavras mais frequentes de um grupo sugerem o assunto, mas o nome final deve ser confirmado pela leitura de textos representativos. Após sua definição e validação, os temas podem ser aplicados automaticamente a novos textos.

12.4.1Caso de mercado: revisão de oito temas de avaliações e construção de uma taxonomia de sete temas em uma loja de eletrodomésticos

Uma loja de eletrodomésticos agrupou 30 mil avaliações em oito temas. Dois desses temas tratavam de entrega e diferenciavam-se apenas pela menção à montagem, enquanto outro combinava defeitos de produto com dificuldades de instalação. Após a leitura de exemplos, a equipe uniu os dois temas de entrega, separou defeito de instalação e criou uma taxonomia de sete temas, desde então utilizada nos relatórios mensais.

12.4.2Escolha do número de temas pela leitura de exemplos e acompanhamento temporal

Devem ser testados diferentes números de temas, lidos de 10 a 20 exemplos de cada tema e ajustada a taxonomia até que cada tema seja distinto e útil para alguma área da empresa. A participação de cada tema deve ser acompanhada ao longo do tempo.

12.4.3Erros comuns na modelagem de tópicos

• Aceitar os temas gerados automaticamente sem a leitura de exemplos.
• Nomear temas apenas pelas palavras mais frequentes.
• Alterar a taxonomia a cada mês, o que impede comparações.

12.5Modelos de linguagem para classificação

Modelos de linguagem de grande porte podem classificar textos a partir de instruções em linguagem natural, sem necessidade de treinar um modelo específico. Para isso, as categorias são descritas e o modelo é instruído a atribuir uma delas a cada texto. Esse procedimento reduz substancialmente o tempo de implantação e permite taxonomias detalhadas, cujas categorias seriam de difícil construção em um modelo tradicional.

A qualidade da classificação depende da instrução. Categorias vagas, como “problemas”, geram classificações inconsistentes, enquanto definições claras, critérios de desempate e exemplos de cada categoria melhoram substancialmente o resultado. Também é importante solicitar uma saída estruturada, como uma única categoria de uma lista fechada, para que o resultado possa ser contabilizado.

Os modelos podem gerar respostas diferentes para o mesmo texto em execuções distintas, especialmente com configurações que favorecem a variação, e podem também errar de forma sistemática em certos tipos de texto. Por essa razão, a classificação por modelos de linguagem deve ser avaliada como a de qualquer outro classificador, tema do próximo subitem, e as instruções devem ser versionadas.

12.5.1Caso de mercado: aumento da concordância com analistas após o detalhamento da instrução em uma seguradora

Uma seguradora passou a classificar mensagens de clientes com um modelo de linguagem. Com a instrução inicial, que apenas listava as categorias, a concordância com analistas humanos era de 71%. Após a inclusão de definições, de dois exemplos por categoria e da regra “em caso de dúvida entre sinistro e reclamação, escolha sinistro”, a concordância aumentou para 89%.

12.5.2Redação de instruções, formato da saída e versionamento

As instruções devem conter definições, exemplos e regras de desempate, as saídas devem ser solicitadas em formato fechado e o modelo deve ser configurado para respostas estáveis. Cada versão da instrução deve ser armazenada, e qualquer mudança deve ser avaliada em uma amostra rotulada antes de entrar em produção.

12.5.3Erros comuns na classificação com modelos de linguagem

• Utilizar instruções vagas e aceitar o resultado sem avaliação.
• Alterar a instrução sem medir o efeito sobre a qualidade.
• Solicitar respostas livres que posteriormente precisam ser interpretadas manualmente.

12.6Avaliação com amostra rotulada

A qualidade deve ser avaliada em uma amostra rotulada, com critérios explícitos e análise de erros por canal, produto e grupo de clientes. Uma amostra rotulada é um conjunto de textos classificados por pessoas treinadas, que serve de referência para medir os acertos do classificador automático.

O tamanho da amostra determina a precisão da avaliação. Com 100 textos rotulados, uma acurácia observada de 85% apresenta margem de erro de cerca de 7 pontos percentuais; com 1.000 textos, de cerca de 2 pontos percentuais. Também é necessário verificar a concordância entre os próprios rotuladores, pois, se dois analistas discordam em 20% dos casos, nenhum classificador automático pode ser avaliado com precisão superior a esse limite.

A acurácia geral pode ocultar diferenças relevantes. Um classificador pode acertar 90% das mensagens de e-mail e 70% das mensagens curtas de aplicativo. A avaliação por grupo é essencial quando os resultados orientam decisões sobre esses grupos.

12.6.1Caso de mercado: acurácia de 69% em mensagens de voz transcritas no classificador de reclamações de um banco

Um banco avaliou seu classificador de reclamações com 150 mensagens e encontrou acurácia de 88%. Com a ampliação da amostra para 900 mensagens e a separação por canal, verificou-se que as mensagens de voz transcritas apresentavam acurácia de 69%, em razão de erros de transcrição. Como essas mensagens provinham de clientes mais velhos, o problema distorcia os indicadores de satisfação desse grupo.

12.6.2Tamanho, estratificação e concordância na construção da amostra rotulada

A amostra rotulada deve conter pelo menos algumas centenas de textos, estratificados pelos grupos relevantes, com dois rotuladores em parte da amostra para medir a concordância. A acurácia deve ser reportada com intervalo e por grupo.

12.6.3Erros comuns na avaliação de classificadores de texto

• Avaliar o classificador com poucas dezenas de exemplos.
• Deixar de medir a concordância entre os próprios rotuladores.
• Reportar apenas a acurácia geral, sem separação por canal ou grupo.

12.7Web analytics e funil digital

Métricas digitais devem preservar a sequência entre exposição, visita, ação e resultado econômico. Cliques e sessões descrevem etapas intermediárias. A taxa de conversão depende da definição de sessão, da janela de atribuição e da população incluída no denominador.

As ferramentas de web analytics registram eventos, como visualizações de página, cliques, adições ao carrinho e compras. A qualidade da análise depende da qualidade desse registro, tema retomado do capítulo 3, pois eventos duplicados, páginas sem marcação e bloqueadores de rastreamento afetam todas as métricas derivadas.

Busca e social apresentam mecanismos diferentes. Busca frequentemente captura intenção já formada, enquanto social pode gerar exposição anterior à procura ativa. Comparações diretas de retorno devem considerar essas funções e a possibilidade de sobreposição entre canais.

12.7.1Caso de mercado: funções diferentes de busca e redes sociais no funil de uma loja on-line

Uma loja on-line comparava a conversão de visitantes provenientes de busca e de redes sociais e concluía que o desempenho de social era cinco vezes inferior. A análise por etapa revelou que os visitantes de social chegavam em uma fase anterior da jornada, visitavam mais páginas de produto e retornavam posteriormente pela busca para comprar. Os dois canais cumpriam, portanto, funções diferentes no mesmo funil.

12.7.2Análise do funil por etapa e por canal conforme a função de cada canal

O funil deve ser analisado por etapa e por canal, com definições estáveis de sessão e de conversão. Os canais devem ser comparados pela função que cumprem na jornada, e não apenas pela conversão final.

12.7.3Erros comuns na análise do funil digital

• Comparar a conversão final de canais com funções diferentes na jornada.
• Alterar a definição de sessão ou de conversão e comparar períodos.
• Confiar em métricas sem verificar a marcação dos eventos.

12.8Otimização de conversão: diagnóstico das perdas, priorização e teste

A otimização de conversão, conhecida pela sigla em inglês CRO, procura aumentar a proporção de visitantes que concluem uma ação, como uma compra ou um cadastro, por meio de melhorias na experiência. O processo começa pela localização das maiores perdas no funil e de suas causas, com a combinação de dados de navegação, gravações de sessão, pesquisas e testes de usabilidade.

A priorização deve considerar a magnitude da perda, o volume de visitantes que passa pela etapa e a distância em relação a uma referência, como o desempenho de outros dispositivos ou de concorrentes. Uma etapa com perda moderada, mas muito tráfego, pode gerar mais ganho do que uma etapa com perda grande e pouco tráfego.

As hipóteses de melhoria devem ser testadas por meio de experimentos, como apresentado no capítulo 8. Muitas mudanças aparentemente óbvias não produzem efeito, e algumas pioram a conversão. Desse modo, a otimização de conversão constitui um programa contínuo de diagnóstico, hipótese, teste e aprendizado.

12.8.1Caso de mercado: maior perda no preenchimento dos dados de passageiros no celular em uma agência de viagens

Uma agência de viagens priorizava o redesenho da página inicial. A análise do funil por dispositivo revelou que a maior perda absoluta ocorria no preenchimento dos dados de passageiros no celular, etapa em que a conclusão era 30 pontos percentuais inferior à do computador. Um formulário simplificado, testado contra o original, aumentou as reservas no celular em 14%.

12.8.2Cálculo do ganho potencial por etapa e dispositivo e teste das mudanças

Deve ser calculado, para cada etapa e dispositivo, o número adicional de conversões que seria obtido se a etapa atingisse uma referência razoável. As etapas com maior ganho potencial devem ser priorizadas, e as mudanças devem ser testadas antes da implementação.

12.8.3Erros comuns na otimização de conversão

• Priorizar mudanças pela opinião, sem localizar as perdas no funil.
• Implementar mudanças sem teste.
• Analisar o funil sem separação por dispositivo e canal.

12.9Métricas de mídia social

As mídias sociais oferecem muitas métricas, como seguidores, alcance, impressões, curtidas, comentários, compartilhamentos, salvamentos e cliques, que medem fenômenos diferentes. O alcance corresponde ao número de pessoas que visualizaram um conteúdo, as impressões, ao número de vezes que ele foi exibido, e as interações, ao número de ações realizadas sobre ele.

A taxa de engajamento, muito utilizada para comparar conteúdos, pode ser calculada com denominadores diferentes, como seguidores, alcance ou impressões, e essa escolha altera o ranking dos conteúdos. A divisão por seguidores favorece conteúdos que alcançaram muitas pessoas fora da base, enquanto a divisão por alcance mede o interesse de quem efetivamente visualizou o conteúdo.

As interações também apresentam pesos diferentes, pois um compartilhamento ou um salvamento indicam mais interesse do que uma curtida. Além disso, nenhuma dessas métricas indica, isoladamente, efeito sobre vendas ou sobre a marca, o que exige os métodos de mensuração dos capítulos 8 a 10.

12.9.1Caso de mercado: mudança do denominador da taxa de engajamento e do ranking de conteúdos em uma marca de cosméticos

Uma marca de cosméticos premiava a equipe pelo engajamento sobre seguidores, e os conteúdos impulsionados com mídia, que alcançavam muitas pessoas fora da base, apareciam sempre no topo. Com a mudança para engajamento sobre alcance e a atribuição de maior peso aos salvamentos, os tutoriais orgânicos passaram a liderar, e a equipe redirecionou a produção para esse formato.

12.9.2Definição estável da taxa de engajamento e relação com objetivos de negócio

Devem ser definidos o denominador e as interações que compõem a taxa de engajamento, e essa definição deve permanecer estável. Conteúdos com e sem impulsionamento devem ser comparados separadamente, e as métricas de social devem ser relacionadas a objetivos de negócio por meio de testes.

12.9.3Erros comuns no uso de métricas de mídia social

• Comparar taxas de engajamento calculadas com denominadores diferentes.
• Somar curtidas e compartilhamentos como se tivessem o mesmo valor.
• Tratar o engajamento como medida de efeito sobre as vendas.

12.10Social listening e gestão de crise

Social listening consiste no monitoramento de menções a uma marca, produto ou tema em redes sociais, fóruns, sites de avaliação e imprensa. Esse monitoramento permite acompanhar o volume, o sentimento e os temas das conversas, comparar a marca com concorrentes e detectar problemas precocemente.

Na gestão de crises, o ponto central é o alerta, que deve identificar rapidamente quando o volume de menções negativas se afasta do padrão. Um alerta simples compara o volume do dia com a média e a variação recentes. Limites baixos acionam alertas precocemente, mas geram muitos alarmes falsos, enquanto limites altos reduzem os alarmes falsos, mas retardam a detecção de crises reais. A escolha depende do custo de cada erro.

Os dados de listening apresentam limitações, pois a cobertura de cada plataforma varia, contas automatizadas podem inflar as menções e a classificação automática de sentimento erra diante da ironia. Por essa razão, os alertas devem acionar uma verificação humana rápida, e não uma reação automática.

12.10.1Caso de mercado: detecção de uma crise duas horas após o início da circulação de um vídeo em uma rede de supermercados

Uma rede de supermercados configurou alertas para menções negativas superiores a três desvios-padrão em relação à média dos últimos 30 dias. Em uma sexta-feira, o alerta foi acionado duas horas após o início da circulação de um vídeo sobre um produto vencido. A equipe verificou o caso, retirou o lote das lojas e publicou uma resposta antes que o assunto chegasse à imprensa.

12.10.2Calibração do limite de alerta com dados históricos e definição do processo de verificação

O limite de alerta deve ser calibrado com dados históricos, medindo-se o número de alarmes falsos e de crises reais que cada limite teria produzido. Devem ser definidos o responsável pela verificação de cada alerta, o prazo de verificação e as respostas possíveis.

12.10.3Erros comuns no social listening e na gestão de crises

• Configurar alertas tão sensíveis que a equipe passa a ignorá-los.
• Reagir publicamente a picos de menções sem verificar sua origem.
• Desconsiderar contas automatizadas no volume de menções.

12.11Redes e medidas de centralidade

A análise de redes representa unidades como nós e relações como conexões. Em marketing, os nós podem ser clientes, perfis em redes sociais ou produtos, e as conexões podem ser amizades, seguidores, indicações ou compras conjuntas. A estrutura da rede indica os caminhos pelos quais informações, recomendações e comportamentos podem circular.

As medidas de centralidade resumem a posição de cada nó. O grau corresponde ao número de conexões do nó. A intermediação mede a frequência com que o nó se encontra no caminho mais curto entre outros nós, o que identifica pontes entre grupos. A proximidade mede a distância do nó em relação a todos os demais. Nós diferentes destacam-se em cada medida, de modo que um perfil com muitos seguidores pode pertencer a um grupo fechado, enquanto um perfil com poucas conexões pode ser a única ponte entre duas comunidades.

Centralidade pode indicar posição estrutural, mas não demonstra influência causal. Usuários centrais podem receber informação mais cedo ou compartilhar características com seus contatos.

12.11.1Caso de mercado: clientes-ponte entre setores na rede de indicações de uma empresa de software

Uma empresa de software analisou a rede de indicações entre clientes. Os clientes com mais indicações pertenciam todos ao mesmo setor, o de varejo, enquanto alguns clientes com poucas indicações conectavam o varejo a clientes de saúde e educação. A empresa passou a oferecer benefícios específicos a esses clientes-ponte para estimular a entrada em novos setores.

12.11.2Escolha da medida de centralidade conforme o objetivo de difusão

A medida de centralidade deve ser escolhida conforme o objetivo: o grau para o alcance imediato, a intermediação para a circulação entre grupos e a proximidade para a velocidade de difusão. Deve-se ainda verificar se os nós centrais são acessíveis e se há razões para esperar que influenciem os demais.

12.11.3Erros comuns na análise de redes e centralidade

• Utilizar apenas o número de conexões como medida de importância.
• Interpretar a centralidade como prova de influência.
• Analisar a rede sem considerar a natureza das conexões.

12.12Influência e difusão

A difusão descreve como uma informação, um produto ou um comportamento se propaga em uma rede. Em cada etapa, as pessoas que já adotaram podem influenciar seus contatos com determinada probabilidade. O alcance final depende dessa probabilidade, da estrutura da rede e das pessoas que iniciam o processo.

A escolha adequada dos primeiros adotantes, denominados sementes, pode ampliar substancialmente a difusão. Sementes com muitas conexões alcançam mais pessoas na primeira etapa, enquanto sementes em grupos diferentes evitam que a difusão fique restrita a uma única comunidade. Quando a probabilidade de transmissão é baixa, a escolha das sementes tem pouca importância, porque a difusão se extingue rapidamente.

A mensuração da influência real é difícil. Amigos tendem a ter gostos semelhantes e a receber as mesmas mensagens, de modo que a adoção de um produto após a adoção por um amigo não prova que o amigo exerceu influência. Experimentos que sorteiam os destinatários do incentivo constituem a forma mais confiável de separar influência de semelhança.

12.12.1Caso de mercado: difusão após a oferta de produto gratuito a usuários com muitos seguidores

Uma marca oferece produto gratuito a usuários com muitos seguidores e observa alta difusão posterior. A comparação com usuários comuns é inadequada porque alcance, interesse e atividade anterior diferem. Um desenho mais informativo compara estratégias de seleção ou randomiza a oferta entre candidatos equivalentes.

12.12.2Auditoria de resultados automatizados e comparação experimental de estratégias de semeadura

Resultados automatizados devem ser auditados com exemplos reais e taxas de erro. Para estratégias de difusão, compare estratégias de seleção de sementes em experimentos e meça o alcance incremental, e não apenas o alcance observado.

12.12.3Erros comuns na análise de influência e difusão

• Atribuir à influência a adoção conjunta por pessoas semelhantes.
• Concentrar todas as sementes em uma mesma comunidade.
• Esperar efeito viral quando a probabilidade de transmissão é baixa.

12.13Mensuração de influenciadores

Campanhas com influenciadores são frequentemente avaliadas por métricas de alcance e engajamento reportadas pelos próprios perfis. Essas métricas indicam exposição, mas não vendas incrementais. Um influenciador com muitos seguidores pode ter uma audiência pouco relacionada à categoria, enquanto outro, com audiência pequena e muito engajada, pode gerar mais vendas por real investido.

Há formas de aproximar o efeito sobre as vendas. Cupons e links exclusivos rastreiam compras atribuídas a cada influenciador, mas são afetados pelo compartilhamento de cupons e por compradores que comprariam de qualquer forma. Testes geográficos ou com grupos de controle, quando viáveis, medem o efeito incremental, e pesquisas de lembrança e consideração medem efeitos de marca.

A comparação entre influenciadores deve utilizar o custo por resultado incremental, e não o custo por seguidor. Também é necessário verificar a qualidade da audiência, pois seguidores falsos e engajamento comprado inflam as métricas sem gerar efeito.

12.13.1Caso de mercado: custo por venda com cupom exclusivo de dez influenciadores contratados por uma marca de suplementos

Uma marca de suplementos contratou dez influenciadores e comparou o custo por venda com cupom exclusivo. O perfil com mais seguidores apresentava o maior custo por venda, porque grande parte da audiência estava fora do país. Dois perfis de porte médio, especializados em treino funcional, apresentavam custo por venda três vezes menor e passaram a concentrar o investimento.

12.13.2Combinação de cupons com testes de incrementalidade e auditoria da audiência

Cupons ou links exclusivos devem ser combinados com testes de incrementalidade periódicos, os influenciadores devem ser comparados pelo custo por venda incremental e a qualidade da audiência deve ser auditada antes da contratação.

12.13.3Erros comuns na mensuração de influenciadores

• Contratar influenciadores pelo número de seguidores.
• Tratar vendas com cupom como vendas incrementais.
• Deixar de verificar a autenticidade da audiência.