Privacy-Aware Adaptive Diffusion-Propensity Mapping for E-Commerce Advertising Targeting

No vasto e ruidoso cenário da publicidade online, uma questão persistente assombra os profissionais de marketing: a quem eles devem pagar para falar com seus clientes? Durante anos, a resposta parecia óbvia. A lógica era simples: encontrar a pessoa com mais seguidores, a maior multidão, e assumir que um público maior significa automaticamente mais atenção. Essa abordagem trata a popularidade como uma medida direta de influência, assumindo que, se milhões de pessoas estão assistindo, milhões estão ouvindo. No entanto, a realidade da conexão humana é muito mais complexa. As pessoas não existem em um vácuo; elas pertencem a grupos sobrepostos, compartilham interesses específicos e transitam entre diferentes comunidades. Uma pessoa pode ter um seguimento massivo, mas falar apenas para um grupo estreito, enquanto outra pessoa com menos seguidores pode estar em uma encruzilhada única, conectando mundos distintos que, de outra forma, nunca se encontrariam. Essa distinção entre o tamanho bruto e a posição estrutural é o cerne de um novo estudo que busca reescrever a forma como escolhemos quem entrega uma mensagem.

Os pesquisadores por trás deste trabalho propuseram-se a testar uma ideia específica: que um sistema inteligente e adaptável para escolher anunciantes superaria os métodos tradicionais de simplesmente contar seguidores ou observar curtidas passadas. Eles construíram um modelo que não olha apenas para quantas pessoas um criador conhece, mas para como essas pessoas estão conectadas entre si e ao produto específico sendo vendido. Imagine um mapa onde os criadores não são apenas pontos com números ao lado, mas pontes conectando diferentes ilhas de interesse. O estudo pergunta se um sistema que compreende essas pontes, combinado com as necessidades específicas de uma campanha e uma regra para evitar repetir a mesma mensagem para o mesmo grupo, pode encontrar resultados melhores do que as formas antigas.

Para responder a isso, a equipe recorreu a um conjunto de dados públicos de 117 criadores de conteúdo. Eles não usaram as listas reais de seguidores, que podem ser desorganizadas e privadas. Em vez disso, criaram um novo tipo de mapa baseado no que esses criadores falavam e onde seus públicos viviam. Se dois criadores cobriam o mesmo tópico, como cinema ou esportes, e tinham audiências no mesmo país, os pesquisadores traçavam uma linha entre eles. A força dessa linha dependia de quantos desses elementos eles compartilhavam. Isso criou uma rede que representava o "espaço de oportunidade" da publicidade — um mapa de quem compete pelo mesmo interesse e quem conecta diferentes mercados. Nesse mapa, eles calcularam o quão bem cada criador poderia atuar como uma ponte entre diferentes grupos, um conceito conhecido como intermediação (brokerage). Eles também observaram o quanto as pessoas realmente interagiam com o conteúdo, medindo a atenção real em vez de apenas o tamanho da multidão.

Os pesquisadores então realizaram uma simulação massiva. Eles criaram 1.000 diferentes cenários publicitários, cada um com um produto específico e um país específico em mente. Para cada cenário, testaram quatro estratégias diferentes para escolher cinco criadores para carregar a mensagem. A primeira estratégia era a antiga: escolher os cinco criadores com mais seguidores. A segunda foi escolher os cinco com as maiores taxas de engajamento, independentemente do tópico. A terceira foi escolher os cinco que eram as melhores pontes na rede, ignorando a campanha específica. A quarta, e mais complexa, foi uma estratégia adaptável. Este método escolhia criadores um a um, verificando constantemente três coisas: eles tinham um histórico de bom engajamento? Eles se encaixavam no tópico e no país específicos da campanha? E, crucialmente, já havíamos escolhido alguém de sua comunidade? Se um criador fosse muito semelhante a outro já escolhido, sua pontuação era reduzida para forçar o sistema a procurar alguém que pudesse alcançar um grupo diferente de pessoas.

Os resultados foram claros e decisivos. A estratégia que simplesmente perseguia as maiores contagens de seguidores teve o pior desempenho, gerando uma média de cerca de 6,27 milhões de engajamentos qualificados. A estratégia que olhava apenas para o engajamento passado teve um desempenho melhor, alcançando cerca de 11,32 milhões, mas ainda perdia o alvo em termos de relevância. A estratégia que olhava apenas para a estrutura da rede foi apenas ligeiramente melhor que o método de contagem de seguidores, provando que ser uma ponte não basta se a ponte leva ao lugar errado. A estratégia adaptável, que combinou todos os fatores, gerou uma média de quase 14 milhões de engajamentos qualificados. Isso representou uma melhoria de 23,5% sobre a melhor estratégia baseada apenas em engajamento e mais do que o dobro do desempenho da estratégia de contagem de seguidores. Os dados mostraram que a crença antiga — de que mais seguidores sempre significam mais influência — estava incorreta. De fato, o estudo encontrou uma relação negativa entre o número de seguidores e o engajamento; as contas maiores eram frequentemente as menos engajadas.

Além de encontrar os melhores criadores, o estudo também fez uma pergunta sobre privacidade. Em um mundo onde a proteção de dados está se tornando mais rigorosa, ainda podemos tomar decisões inteligentes se adicionarmos um pouco de ruído aos dados? Os pesquisadores testaram isso embaralhando levemente as pontuações dos criadores, simulando uma situação em que os números exatos estavam ocultos para proteger a privacidade. Eles descobriram que, mesmo com essa incerteza adicionada, o sistema adaptável permanecia notavelmente forte. Quando os dados foram perturbados a um nível moderado, o sistema ainda reteve 94,1% de seu valor de tomada de decisão. Isso sugere que uma empresa não precisa conhecer cada detalhe sobre uma pessoa para fazer uma boa escolha; uma imagem ligeiramente borrada é frequentemente suficiente para encontrar o caminho certo.

O estudo conclui que o futuro da publicidade reside em uma abordagem equilibrada. Não basta olhar para um único número, como a contagem de seguidores, ou depender de um mapa estático de conexões. O método mais eficaz é aquele que se adapta ao momento específico, pesando o histórico de desempenho de um criador contra as necessidades específicas da campanha e a diversidade do público. Ao escolher criadores que não são apenas populares, mas também estruturalmente importantes e relevantes, e ao garantir que o grupo escolhido cubra uma ampla gama de comunidades, os anunciantes podem alcançar mais pessoas com maior impacto. Esta pesquisa oferece um framework reproduzível para fazer exatamente isso, mostrando que, quando vamos além dos simples concursos de popularidade e abraçamos a complexidade de como as pessoas estão conectadas, podemos fazer escolhas mais inteligentes, mais eficientes e mais conscientes da privacidade.