Voltando para o mundo em que a prática de Digital Analytics em Marketing Digital tem alocado grande parte de seus esforços em conseguir, em primeira instância, coletar adequadamente os dados pretendidos e, em seguida, gerenciar os dados coletados. E quando menciono gerenciar os dados, quero dizer: consolidação, armazenamento, acesso e distribuição (com capilaridade e assiduidade) dos dados.
E como esses dois primeiros níveis de atividade consomem muitos recursos, pouco se realiza no terceiro nível: Análise e Teste de Hipóteses. É nesse estágio em que se desenvolvem análises avançadas de dados, data mining, Testes A/B ou MVT, simulação de cenários, modelos preditivos e outros instrumentos cunhados com o objetivo de responder perguntas críticas de negócio. Somente reunindo expertise em aerodinâmica e testando vários outros modelos de asas de avião (teste de hipóteses) em túneis de vento se é possível criar formas mais eficientes de voar.
E porque não conseguimos empregar mais esforços a esse terceiro nível de Digital Analytics? Temos a resposta, e ela está baseada em dois principais motivos: o primeiro diz respeito ao nível de complexidade encontrado nas duas primeiras etapas do processo, que tornam-se requisitos mínimos para que consigamos chegar ao terceiro nível; o segundo é que não há clareza nem um enfoque pragmático do papel da área de Digital Analytics nas organizações.
Creio que há um consenso de que o Marketing Digital tem evoluido de forma rápida e diversa, gerando a necessidade não só de se construir uma atuação consistente em todos os tipos de ponto de contato (Owned, Shared, Earned and Paid Media), mas também de mensurá-los.
Para atender a esses fins (atuação e mensuração), criou-se um vasto ecosistema de ferramentas e tecnologias, que se acumulam em diversas camadas, que vão desde infra-estrutura como Bancos de dados Oracle, MySQL, MongoDB entre outros, até ferramentas muito especializadas como as de Mobile Apps Analytics (Localytics e Appsflyer seriam alguns exemplos). E esse universo só cresce: Scott Brinker, CTO da ION Interactive, publicou seu primeiro Marketing Technology Landscape¹ em 2011, onde estão listadas aproximadamente 100 empresas. Em sua versão de 2014 há quase 950.
Portanto, o desafio de desenhar e implementar um processo de coleta de dados que considere inúmeros sistemas, como Web Analytics, AdServer, Social Analytics, Buzz Analytics, Email MKT, Survey tools, entre outros e consolidar essas diversas fontes de dados num único repositório de onde conseguimos acessá-los de forma eficiente e gerar rotinas automatizadas de entrega de relatórios e dashboards aos principais stakeholders da empresa, se tornou uma tarefa árdua. Sim, é um tanto complexo (mas não impossível). Não, não há um esquema ou fornecedor único de tecnologia que tenha a solução mágica para isso.
Talvez devido ao tamanho do desafio, criou-se o mito do Dashboard incrível com seus KPIs fantásticos que, como uma bola de cristal, irão responder todas as nossas perguntas de negócio.
Criando um exemplo hipotético: KPIs nos mostrariam com clareza que nosso custo médio por conversão de campanhas de links patrocinados está acima do limite que podemos pagar, devido ao ticket médio de nossas vendas deste canal. Mostrariam também que o principal gargalo está na taxa de conversão da Landing Page da campanha e não no custo médio por clique que estamos pagando.
Mas como melhorar a taxa de conversão dessa Landing Page? Porque os usuários não estão convertendo? Nossos KPIs fantásticos não conseguirão responder essas perguntas. Somente uma prática ativa e profunda pode nos ajudar.
Por mais difícil que possa parecer desenvolver uma prática de terceiro nível de Digital Analytics, serão somente essas atividades que nos trarão inovações e reais ganhos de performance. Priorizar esse trabalho implica em resgatar parte do tempo da equipe imersa em resolver como taguear alguma propriedade digital ou atolada em geração de relatórios, e aloca-las em uma atividade real de análise.
