Padronização de dados: como garantir a eficácia das suas análises

Por Jillian Gogel
data standardization effective analysis

Em um ecossistema de marketing mobile extremamente competitivo, no qual novos aplicativos surgem todos os dias e o nível de experiência dos profissionais de marketing cresce cada vez mais, não há espaço para erros. 

Na base disso tudo está a necessidade de padronizar os dados em todas as suas fontes.  

Os profissionais de marketing devem assumir a responsabilidade pelos dados enviados pelas ad networks em links de atribuição, garantindo que os dados estejam alinhados com suas necessidades analíticas e tenham a granularidade desejada.

Além disso, eles devem se certificar de que as macros inseridas (placeholders dinâmicos no lado da ad network) correspondem aos parâmetros dos links de atribuição (placeholders dinâmicos no lado do MMP), ou, pelo menos, que os dados possam ser reconhecidos pelo MMP.

Sem consistência nas convenções de nomenclaturas e correspondências de parâmetros de macros, tudo o que temos é lixo (lixo entra, lixo sai). 

O que você pode fazer para evitar discrepâncias nos seus dados e manter a precisão da sua mensuração? 

Temos quatro dicas para você.

1. Sempre use IDs das ad networks; não use hardcoding para seus valores de parâmetros.

A realidade do trabalho com ad networks é que elas sempre enviarão dados usando suas próprias convenções de nomenclatura e macros, independentemente da configuração no seu próprio dashboard. Portanto, ao invés de usar hardcoding em suas macros e possivelmente criar inúmeras discrepâncias de dados, use as macros fornecidas. 

Essa falha nos dados resulta em uma não correspondência, pois, como a ad network relata dados em seu ID enquanto você usa seus próprios IDs, você não poderá ter uma visão unificada dos dados de performance, gastos e atribuição.

padronização de dados

2. Simplifique

Para alcançar certos níveis de granularidade, pode ser tentador inserir diversas camadas de macros nos parâmetros dos links de atribuição.

No entanto, quando há mais do que uma única macro por parâmetro, a eficácia da correspondência de dados diminui drasticamente. Em vez de sobrecarregar seus dados, insira cada macro no seu placeholder exclusivo para diminuir a possibilidade de erro em suas análises.

Essa falha nos dados resulta em uma correspondência incorreta ou incompleta, pois alguns ou a maioria dos parâmetros mais complexos podem não ser reconhecidos, ou, pior ainda, pode haver uma não correspondência.

padronização de dados

3. Padronize suas macros

No seu lado, é importante usar a mesma macro em todos os parâmetros correspondentes em diferentes ad networks. Como cada ad network costuma mandar macros diferentes das de outras ad networks, o conjunto de macros que você recebe pode ser variado, mesmo que todas se destinem a um mesmo parâmetro.

Ainda que a padronização exija um investimento de tempo para classificar essas diferentes macros e mudar a nomenclatura da sua própria macro, suas análises serão muito melhores, permitindo que você faça uma análise granular completa e unificada de sua performance de marketing, gastos e ROI.

Essa falha nos dados resulta em uma correspondência errada. Embora o parâmetro dos seus links de atribuição, af_ad, seja consistente para as macros que você envia, as nomenclaturas de macros em si diferem entre as ad networks e, portanto, nem sempre corresponderão aos seus parâmetros.

padronização de dados

4. Estabeleça o significado das macros

Pode parecer simples, mas lembre-se de se certificar de que suas macros significam o que você acha que elas significam. Como vimos no exemplo acima, as convenções de nomenclatura das ad networks nem sempre coincidem, então o {adname} da Ad network 1 pode não ter o mesmo significado que o {adname} da Ad network 2 e deve ser mapeado para um parâmetro de link de atribuição diferente .

Por isso, sempre se certifique de que você entendeu a terminologia da sua ad network antes de configurar os parâmetros do seu link. 

Essa inconsistência significa que você analisará um parâmetro como uma dimensão quando, na verdade, ele reflete múltiplas dimensões, fazendo com que você tome decisões com base em dados incompletos ou incorretos.

padronização de dados

Conclusão

Listamos acima algumas dicas que você pode aplicar em sua rotina de análise de dados, mas, no fim das contas, cabe a você colocá-las em prática.

Ainda não está convencido? Pense por esse lado: a padronização de dados não só ajuda a organizar conjuntos complexos de dados, como também torna a análise mais fácil – separa os dados em várias dimensões -, e, ainda mais importante, transforma seus dados brutos em insights úteis. 

Afinal, a indústria mobile é fragmentada e os esforços devem ser feitos para padronizar suas complexidades. Assim, ainda é da responsabilidade dos profissionais de marketing controlar seus dados e se certificar que eles tenham a consistência necessária para manter a eficácia de suas análises.

Jillian Gogel

Jillian Gogel é gerente de marketing de conteúdos da AppsFlyer. Com ampla experiência em análises e resoluções de conflitos, ela combina análises criativas e uma mentalidade estratégica para solucionar problemas complexos de comunicação. Ela é apaixonada por criar relações sustentáveis entre parceiros, profissionais de marketing e clientes a partir de conteúdos baseados em dados, e planeja inovar em estratégias de conteúdos.

Seguir Jillian Gogel

Receba notícias de marketing e insights de especialistas direto em seu e-mail