Internet > Estratégia

O que Machine Learning e Charles Darwin têm a ver com mídia programática?

Ao longo do tempo selecionamos “naturalmente” tipos de usuários com alta probabilidade de conversão, que passam a ser atingidos com mais frequência

10 de Dezembro de 2015 - 16h17

Todo mundo já viu o paralelo que se traça entre mídia programática e automação industrial (o exemplo geralmente cai para montadoras de carros, que são praticamente 100% robotizadas hoje em dia). É um ótimo paralelo, conseguimos entender de forma menos abstrata que este é o caminho natural da indústria, que é impossível lutar contra isso, e que a pressão econômica sobre eficiência de uso de recursos é implacável.

O que falta nesse paralelo é que os robôs das montadoras de carros não precisam, sozinhos, aprender a fazer carros melhores.

Qualquer algoritmo de compra de mídia em tempo real hoje em dia aplica algum conceito de Machine Learning, mesmo que rudimentar, no sentido de que quanto mais aquele algoritmo impacta o usuário certo (que atinge o objetivo da campanha, seja qual for) ele aprende que aquele tipo de usuário é bom, e tenta encontrar outros parecidos com ele (pagando mais caro pelo bid). Da mesma forma, usuários impactados que não convertem, tem menos valor. Isso é otimização.

Dado este modelo, ao longo do tempo selecionamos “naturalmente” (este termo é importante) tipos de usuários com alta probabilidade de conversão. Eles passam a ser atingidos com mais frequência do que outros usuários.

Soa familiar?

Darwin já dizia que espécies mais adaptadas ao meio em que vivem têm mais chance de sobreviver e ter descendentes do que espécies menos adaptadas. Da mesma forma, os algoritmos de compra de mídia tentam diferentes combinações de usuários para encontrar o target perfeito (errando bastante no caminho). A natureza faz exatamente a mesma coisa através de mutações genéticas ao longo de gerações.

Nos dois cenários, a maior parte das “mutações” tem pouco efeito. Um tigre com um padrão ligeiramente diferente de pelos tem as mesmas chances de se camuflar, e para uma campanha específica usuários acessando em horários diferentes podem ter a mesma chance de converter, mas as vezes uma mudança pode ter um impacto tremendo e um padrão importante é encontrado.

Quando isso acontece na natureza, é observado um salto populacional pelo benefício que a mutação causou. Isso é visto ao longo de dezenas ou centenas de gerações. Na otimização de mídia programática vemos o benefício em dias, ou horas, com um salto de conversões quando a máquina encontra o target certo, mas mesmo assim, ela vai continuar errando (aplicando mutações) propositalmente, com o objetivo de encontrar novos padrões ainda desconhecidos, e para responder adequadamente a mudanças no ambiente.

Esta abordagem, não surpreendentemente, pertence à uma classe de algoritmos chamada “Genetic Algorithms” (algoritmos genéticos em português) e é apenas uma das dezenas de maneiras de se aplicar otimização a um processo.

Os players de Real Time Bidding mais sofisticados usam uma combinação de algoritmos (que podem ir muito além deste exemplo) para desenhar cenários e árvores de decisão completamente diferentes entre campanhas, mas que carregam todo o aprendizado comportamental acumulado ao longo de sua existência. Isso faz completo sentido, já que campanhas diferentes requerem perfis muito diferentes para atingir seus objetivos, mas conhecer a população por completo permite que estatisticamente infiramos em como ela vai se comportar para as próximas iniciativas.

O que essa sofisticação toda permite é que cada vez exista menos esforço humano na definição do target de uma campanha e na decisão de quanto deve ser pago para impactar um usuário em específico. Nós, humanos, nunca vamos avaliar a quantidade de variáveis e suas permutações que uma máquina tem capacidade de fazer, e assim como em aviões militares e supercarros, depois de uma determinada velocidade você pode sugerir para onde quer ir, mas quem está dirigindo de verdade não é mais você.

Agora perceba que isso tudo é fruto de um modelo que existe há menos de 10 anos.

Recuperando o paralelo da seleção natural, e as estruturas incrivelmente complexas que ela foi capaz de criar ao longo de bilhões de anos (como o cérebro humano, por exemplo), imagine o que essas máquinas nos ensinarão sobre nosso próprio comportamento, e sobre marketing, na próxima década.

*Marcelo Kronberg é diretor de Platform Integrations LATAM na MediaMath.