Business Analytics na Automação de Marketing

No âmbito do tema de Business Analytics, L. Klaus (2021) define Key Performance Indicators (KPI) como “os indicadores de gestão usados para medir o progresso face a objetivos chave ou fatores críticos de sucesso dentro de uma organização. Eles são os indicadores mais importantes para medir sucesso, performance ou volume de trabalho,” tais como, vendas, funil de oportunidades e leads.

Implementar um Software de Automação de Marketing

Na base dos KPI estão dados, matéria-prima para o processamento de análises; indicadores, pontos de referência à análise que permitem estabelecer tendências, tais como números de visitas ao website ou vendas de produtos específicos; e indicadores de performance, “métricas operacionais usadas para medir o progresso face a objetivos chave ou fatores críticos de sucesso dentro de uma organização,” tais como, número de cliques, likes, subscrições de newsletter. (Klaus, 2021)

Os KPI devem ser acordados e adotados por toda a equipa e estabelecidos em função da fase do ciclo de vida da empresa (rentabilidade VS volume, por exemplo) e dos principais objetivos a alcançar na gestão do pipeline de marketing (demand generation VS customer loyalty, por exemplo). Klaus (2021) defende ainda que deve ser definido o menor número possível de KPI por área, para facilitar a perceção, direccionalidade e impacto destes.

A análise de KPI não deve ser apenas retroespectiva, isto é, limitada aos registos passados, mas deve ser também prospetiva, isto é, deve determinar a probabilidade de eventos futuros. Klaus (2021) alerta para o facto de que em muitas empresas abondam métricas, mas falta um sistema integrado que demonstre as relações de causalidade e correlação com os resultados económicos do negócio.

Algumas plataformas de Automação de Marketing e CRM já usam modelos analíticos potenciados por técnicas de machine learning e inteligência artificial para compreender o passado através de uma análise retrospetiva (descriptive analytics), prever eventos futuros (predictive analytics) e para prescrever e simular cenários que auxiliam a tomada de decisão (prescriptive analytics). Exemplo disso são as funcionalidades de scoring preditivo da Hubspot ou da Zoho, que permitem automatizar a qualificação de leads, priorizar o follow-up e antecipar a probabilidade de fecho de um determinado negócio a partir de centenas dados sobre a lead.

No caso do sistema Hubspot, são usados algoritmos de deep learning para fazer este tipo de previsões, analisando pontos de informação como web page visits, time of last visit, email interactions, clicks, opens, replies, form submission events, firmografia da conta em causa, interações registadas no sistema tais como tarefas de contacto telefónico, reuniões, etc. Estes tipos de algoritmos são também conhecidos como “black boxes”, o que significa que “os cientistas de dados entendem as entradas e saídas do modelo, mas não é possível determinar como a entrada é transformada na saída. O benefício desses modelos é que comprovadamente superam os modelos do tipo “white boxes”, mas não é possível saber como cada entrada individual contribui para a pontuação de um contato. Em vez disso, o foco está no desempenho preditivo geral do modelo” (Hubspot, 2022).

Business Analytics em Dashboards

Independentemente do tipo de análise em causa (retrospetiva ou prospetiva) os relatórios que contém estes indicadores devem ser agregados em dashboards que permitam facilmente medir a performance atual face aos objetivos e KPI definidos, de modo a “obter insights que levem à ação sempre que necessário” (Klaus, 2021). Estes dashboards podem ser visualizados nos sistemas de automação, de CRM ou em ferramentas de Business Intelligence específicas.

Para Klaus (2021), devem ser desenvolvidos dashboards de acordo com as várias equipas e funções, sugerindo os seguintes grandes temas e indicadores que devem nortear a criação de dashboards:

• Demand Generation: número de leads, valor das oportunidades em pipeline, receita gerada, taxas de conversão entre estes KPI.
• Performance: Analisada por canal, por atividade, segmento, conteúdo, sector, e respondendo a questões como ROI, capacidade de alcançar clientes, qualidade e rentabilidade dos negócios gerados.
• Campanhas: Open rates, Click Trough Rate, Bounce Rate, Unsubscribe Rate, Landing page traffic, Exit rate, número de visitantes únicos, double-opt-in-rate, subscription-rate.

Para além de se estabelecerem todas esta medidas de captação de dados quantitativos e reporting em tempo real, é importante recolher o feedback qualitativo das equipas de contacto com o cliente (vendas e serviço, nomeadamente) e dos próprios clientes, de modo a ter uma perceção completa da realidade e do que a influencia.

A análise dos resultados deve sempre passar pela comparação com os objetivos e terminar com a definição de medidas corretivas e de otimização. Para Klaus (2021), isto pode ser feito respondendo às seguintes questões:

• Conseguimos atingir o nosso target eficazmente ou precisamos melhorar a qualidade da nossa base de dados?
• As taxas de conversão estão dentro das nossas expectativas?
• A qualidade do conteúdo dos nossos sites é validada pelo número de downloads?
• Podemos traçar conclusões sobre o comportamento dos visitantes a partir da informação relativa à análise do fluxo de navegação nos nossos sites?
• Estamos a perder visitantes devido a longos tempos de carregamento das páginas do website?
• Há diferenças visíveis de comportamentos de acordo com o tipo de dispositivo (mobile/desktop/tablet) usado?
• Quais são os contactos que evoluíram mais rapidamente no fluxo de automação e porquê?

De acordo com a Demandbase (2019), na realidade específica de automação B2B, há métricas que acompanham cada fase da jornada da decisão e que devem ser tidas em conta. Perante o objetivo de atrair novos clientes há que considerar métricas como:

• Qual a percentagem de visitantes do site que pertencem às contas-alvo?
• Que canais trouxeram esses visitantes ao site?
• O que é que esses visitantes estiveram a fazer site? (conteúdos e páginas visitadas, downloads, etc.)
• Engagement total por conta-alvo (quantidade de interações e valor de score por conta)
• Alcance e engagement por comité de decisão em cada conta-alvo (número de contactos pertencentes ao comité de decisão que estão envolvidos e fizeram interações)

Quanto ao objetivo de converter as leads B2B em oportunidades de negócio e negócios efetivos, a Demandbase (2019) recomenda que se tenham em conta os seguintes indicadores:

• Quantidade de contas alvo que estiveram presentes em eventos ao vivo ou digitais
• Percentagem de contas alvo que interagiram com publicidade e workflows de nutrição
• Submissão de formulários de pedido de contacto, demonstração ou trials.
• Quantidade de oportunidades geradas
• Volume de receita gerada e ganha
• Taxas de negócios ganhos e perdidos
• Velocidade com que uma oportunidade avança entre as fases do funil decisão
• Share-of-wallet

As medidas de otimização que resultem destas análises devem passar pela utilização de testes A/B e Multivariate (com textos, imagens, vídeos, cta, etc.), testes de usabilidade no site, inquéritos aos clientes, aprofundamento da personalização e desenho de árvores de fatores que influenciam os KPI. (Klaus, 2021)

Modelos de Atribuição de Automação de Marketing

Pela capacidade de unir canais e ações de marketing à jornada de decisão e resultados comerciais, os sistemas de automação de marketing surgem cada vez mais com capacidades de analítica e modelos de atribuição de marketing. “Os modelos de atribuição outorgam crédito às interações que geram contactos, negócios e receitas, aportando mais crédito aos principais pontos de conversão na jornada de conversão de leads” (Hubspot, 2022).

Desta forma é possível saber qual o contributo que cada ação ou campanha de marketing teve para os resultados de vendas e receitas geradas. Para o fazer há que atribuir pesos às ações que levaram à compra, mediante modelos que podem ser de primeira interação, última interação, lineares, em U, W ou J, declínio de tempo, full path, entre vários outros. A escolha do modelo vai determinar quais as atividades e investimentos de marketing que mais contribuíram para as receitas e deve ser feita mediante o conhecimento que se tem sobre os padrões de decisão do mercado alvo.

Com este tipo de modelos resolve-se o problema clássico da falta de rastreabilidade dos resultados de marketing, que está na origem da expressão atribuída a John Wanamaker há 100 anos: “Metade do dinheiro que gasto em marketing é desperdiçado, o problema é que não sei de qual das metades se trata.”

Apesar destas vantagens, autores como Jim Stern (2017) ou Mathew Sweezey (2014) apresentam críticas substanciais aos modelos de atribuição. A cegueira à complexidade é primeira categoria de críticas, uma vez que para estes autores, os modelos de atribuição assumem que os canais de marketing ou uma só campanha é capaz de conduzir de forma individual comportamentos específicos do cliente. Esta cegueira traduz-se também no facto de que os modelos não refletem a realidade, refletem apenas assunções da realidade, não contando com fatores tão ou mais importantes quanto o estado do cliente na altura da decisão, perceções e normativos sociais, entre outras variáveis impossíveis de antecipar.

A segunda categoria de críticas destes autores baseia-se no facto de que os modelos de atribuição reforçam a perceção do marketing enquanto mero um centro de custos, com uma ênfase exagerada no ROI, desconsiderando todo o valor que o marketing produz e que continuará a não ser facilmente mensurável (como a reputação), o que tende a exacerbar rivalidades organizacionais. Desta categoria de críticas constam ainda a incapacidade que estes modelos de atribuição têm de explicar quais os motivos que levaram ao sucesso ou insucesso de quaisquer ações, quais as formas de as otimizar, quais os resultados que se irão alcançar no futuro. Em resumo, os modelos de atribuição apenas dizem “quão bem os marketers gastaram o seu orçamento no passado” (Sweezey, 2014).

Stern e Sweezey, propõem medidas alternativas ou complementares aos modelos de atribuição, como forma de combater estes enviesamentos. Desde logo medindo a velocidade, isto é, o tempo que uma lead demora a evoluir ao longo do seu ciclo de vida; fazendo a previsão futura de fluxo de leads e negócios; auscultando clientes para medir a sua satisfação e experiência com a marca, e usando esses dados para alimentar os modelos de scoring preditivo; usando modelos preditivos de atribuição com recurso a algoritmos inteligentes de machine learning, capazes da ajustar continuamente os parâmetros que permitem determinar quais as ações que tiveram maior impacto na propensão de compra; usar sistemas de “next best action” segmentados, os quais permitem saber qual a ação certa que uma marca deve fazer, de modo aumentar o valor individual de cada cliente.

Como escolher plataforma de Automação de Marketing certa para a sua empresa?

Para facilitar o processo de escolha da plataforma de automação de marketing mais adequada ao seu negócio, criámos o eBook “Como Escolher uma Automação de Marketing“.

Este conteúdo irá ajudar a guiar o processo de escolha de uma plataforma de automação de marketing, bem como perceber qual o nível atual de automação de marketing e vendas em que a sua empresa se encontra. Deste modo, conseguirá escolher o software que mais se adequa à realidade do seu negócio.

Com a Liminal terá acesso a peritos que farão a análise, desenho e implementação de estratégias e operações de marketing e vendas. Essas análises são suportadas por sistemas tecnológicos, como a Automação de Marketing e o CRM, que garantem o crescimento do seu negócio.

Solicite um diagnóstico e descubra o caminho para o sucesso.

Referências

Artigo escrito por:

Tiago J. C. Sousa
Managing Partner