Como as empresas de fintech alcançam um alto retorno sobre o investimento ao aproveitar os dados

Uma base sólida de dados integrados é essencial para aumentar o retorno sobre o investimento em iniciativas de marketing no setor de fintech. Crédito: Getty Images

Stephen Williams, CEO da Marketing Evolution, explica por que os dados unificados representam um elemento crucial que faltava para as empresas de fintech que buscam ampliar iniciativas de inteligência artificial e, ao mesmo tempo, alcançar melhorias mensuráveis no desempenho.

Williams atua na interseção de duas grandes forças que estão transformando o setor de serviços financeiros: o rápido avanço das tecnologias de IA e a crescente complexidade das estratégias de marketing baseadas em dados em ambientes regulamentados.

Tendo passado de engenheiro a CEO da Marketing Evolution, sua experiência profissional no desenvolvimento de infraestrutura moderna de marketing orienta sua abordagem para ajudar empresas de fintech a compreender melhor as métricas de desempenho em um cenário setorial cada vez mais fragmentado.

Em essência, a Marketing Evolution se concentra em ajudar as organizações a transformar dados brutos de marketing em inteligência acionável. O Marketing Performance Substrate da empresa consolida fontes de dados díspares em uma estrutura unificada para insights de marketing. Ele preenche lacunas de dados, incorpora recursos de análise causal e atualiza continuamente os dados de desempenho para criar um sistema de registros confiável que pode ser utilizado tanto por equipes humanas quanto por sistemas de IA.

À medida que os modelos de IA se tornam cada vez mais padronizados, Williams argumenta que o verdadeiro diferencial para as empresas de fintech não reside na sofisticação desses modelos em si, mas na solidez de sua infraestrutura de dados subjacente. Essa distinção é especialmente importante no setor de fintech, onde requisitos rigorosos de privacidade, governança e conformidade impõem restrições significativas à forma como os dados podem ser utilizados. Além disso, as jornadas dos clientes — desde a abertura de conta até a obtenção de crédito — são tipicamente não lineares, envolvendo múltiplos canais, partes interessadas e pontos de contato ao longo de períodos prolongados.

Stephen Williams, CEO da Marketing Evolution

Ao tornar os dados anônimos e reconstruir as jornadas dos clientes por meio de métodos probabilísticos, a Marketing Evolution permite que as instituições financeiras obtenham uma visão mais clara e em conformidade de como as iniciativas de marketing impulsionam os resultados de negócios, trazendo a transparência tão necessária para um dos desafios de medição mais complexos do setor.

Aqui, Williams explica por que os dados — e não os modelos de IA — estão se tornando o fator-chave que determina o sucesso das iniciativas de inteligência artificial e descreve como as empresas de fintech podem preencher a lacuna entre as metas estratégicas e a execução efetiva.

Se o avanço do marketing ultrapassa o desenvolvimento da infraestrutura, quais são os impactos dessas disparidades sobre os diretores de marketing (CMOs) no setor de serviços financeiros regulamentados?

Vamos começar examinando os desafios mais amplos que as organizações enfrentam hoje: em todos os setores e funções, há uma pressão crescente para aproveitar a inteligência artificial a fim de trabalhar com mais eficiência, reduzir custos e descobrir novas fontes de valor. No entanto, essa pressão é particularmente intensa para os CMOs, já que suas responsabilidades evoluíram significativamente ao longo do tempo.

Hoje, os CMOs são responsabilizados não apenas pela gestão da marca, mas também por impulsionar a receita e o desempenho geral dos negócios. Ao mesmo tempo, espera-se que adotem soluções de inteligência artificial rapidamente, demonstrem um retorno sobre o investimento claro e tomem decisões em meio a sistemas e fontes de dados cada vez mais fragmentados.

No setor de serviços financeiros regulamentados, esse desafio se torna ainda mais complexo devido às longas jornadas do cliente, ao envolvimento de múltiplas partes interessadas, aos rigorosos requisitos de conformidade e às significativas limitações de dados.

A criação de um ambiente unificado que reflita com precisão as operações de negócios é o que, em última instância, permite aplicações significativas da inteligência artificial. Uma vez que essa base exista, as organizações podem sobrepor modelos de empresas como OpenAI, Anthropic, Google e outras a esses dados consolidados para extrair valor das fontes de informação existentes.

Eu descrevo da seguinte forma: toda empresa — especialmente aquelas do setor de serviços financeiros — possui vastas quantidades de dados valiosos. Mas, antes que esses dados possam gerar valor, eles precisam ser organizados, refinados, estruturados e contextualizados.

Outra questão em jogo é a crença generalizada entre muitas organizações de que o maior risco está em ficar para trás na adoção da IA, e não em cometer erros na implementação. Essa mentalidade gera uma pressão imensa para agir rapidamente, mesmo quando a infraestrutura de dados subjacente ainda não foi totalmente estabelecida.

Embora a inteligência artificial possa oferecer alguns benefícios iniciais, as organizações verão retornos decrescentes se não dispuserem da infraestrutura adequada para apoiar seu uso.

Um ambiente de dados unificado serve como base essencial para aplicações significativas da inteligência artificial. Crédito: Getty Images

Quanto está custando a “lacuna intermediária” aos profissionais de marketing nos esforços de atribuição dos setores bancário e de seguros?

Os custos associados são substanciais, embora possam ser mitigados. Afinal, os profissionais de marketing otimizam apenas o que conseguem medir. Como resultado, eles frequentemente investem excessivamente em áreas que não podem ser devidamente atribuídas — particularmente atividades de marca em estágio inicial e esforços de marketing na parte superior do funil, que ocorrem bem antes de qualquer conversão acontecer.

Esse desafio é especialmente pronunciado nos serviços financeiros, onde as conversões são frequentemente administradas por intermediários, como corretores, agências, consultores, plataformas ou outras partes interessadas a jusante. Embora o marketing possa impulsionar a demanda, a transação propriamente dita costuma ser registrada em outro lugar dentro do sistema.

Consequentemente, as práticas de atribuição tendem a creditar aqueles mais próximos da transação, em vez daqueles que originaram a demanda. Trata-se de um problema de medição de longa data que se torna mais grave em setores onde as jornadas dos clientes são mais longas, mais fragmentadas e distribuídas entre múltiplas partes interessadas.

“Hoje, os diretores de marketing (CMOs) são responsáveis não apenas pela marca, mas também pela receita e pelo desempenho”, Stephen Williams, CEO da Marketing Evolution

Para resolver essa questão, é necessário integrar todas as informações relevantes em um conjunto de dados unificado que reflita com precisão as operações comerciais. Assim que essas jornadas do cliente puderem ser reconstruídas, os profissionais de marketing poderão começar a entender como os investimentos na marca, a exposição na mídia e as relações com intermediários influenciam os resultados de conversão a jusante.

Por exemplo, trabalhamos com uma das maiores seguradoras imobiliárias dos Estados Unidos. Essa empresa fez investimentos significativos no nível da marca nacional e obteve bons resultados com esses esforços. Historicamente, porém, ela enfrentava dificuldades para vincular essas iniciativas de marca ao desempenho real na etapa de compra de apólices, na qual os corretores locais também aplicam recursos de marketing e, por fim, fecham os negócios.

A relação entre agências e seguradoras é absolutamente crítica, pois desempenha um papel fundamental no processo de conversão. O que ajudamos essa empresa a fazer foi revelar o impacto de seus gastos com a marca nacional nessas conversões posteriores.

Agora, quando investem em iniciativas como grandes patrocínios esportivos ou campanhas publicitárias em todo o país, eles podem acompanhar como esse investimento circula pelo sistema e contribui para conversões mensuráveis no nível dos agentes locais — seja em Memphis, no Tennessee, ou em qualquer outro local do país.

Por que a inteligência artificial tende a amplificar dados de baixa qualidade em vez de melhorá-los nos sistemas de marketing?

Essa questão não se limita às pilhas de marketing; a inteligência artificial agrava a má qualidade dos dados em todos os domínios.

Por mais avançados que os sistemas de inteligência artificial possam parecer, eles dependem, em última instância, da qualidade e da estrutura dos dados subjacentes para gerar insights precisos. E os dados de marketing, em particular, costumam ser de qualidade muito baixa.

Uma das principais razões para isso é que os dados de marketing provêm de diversas fontes diferentes. Não existe uma fonte única de dados de marketing — eles se originam de plataformas como Google Analytics, Meta, Nielsen, publicidade out-of-home da Lamar e dezenas de outros fornecedores. Todas essas fontes produzem dados com formatos e características distintos.

Além disso, a granularidade e a integridade desses dados variam significativamente. Eles também precisam ser integrados aos dados primários, que, mais uma vez, diferem para cada anunciante — incluindo listas de e-mail, registros de mala direta, dados de conversão, informações de tráfego na web e muito mais.

Como resultado, ao analisar os dados de marketing como um todo, não vemos um conjunto de dados coeso e pronto para uso. Em vez disso, há inúmeros conjuntos de dados fragmentados que, muitas vezes, são incompletos e escassos em determinadas áreas. Alguns desses conjuntos de dados abrangem níveis nacionais, outros regiões de CEPs e outros ainda áreas de DMA.

Historicamente, isso tem forçado os engenheiros de dados a dedicar tempo considerável à construção de sistemas personalizados, à criação de consultas ou à elaboração de scripts em Python para processar dados de maneira ad hoc para análises específicas.

No entanto, se esses dados puderem ser estruturados de maneira uniforme, resolvendo inconsistências na granularidade, e integrados entre sistemas isolados, a situação muda drasticamente.

Podemos derrubar essas barreiras estruturais, unificar fontes de dados díspares sob uma única estrutura e apresentar informações de canais como o Amazon Ads juntamente com o Google, a Meta, a CTV, a televisão linear e a publicidade out-of-home — tudo usando formatos e estruturas consistentes. Isso permite comparações significativas, em vez de comparar maçãs com laranjas ou maçãs com melancias.

Embora as organizações já disponham de sistemas de registro para clientes em plataformas de dados de clientes (CDPs), para conteúdo em sistemas de gerenciamento de ativos digitais (DAMs) e para execução de campanhas em plataformas de atividades de marketing (MAPs), não existe um sistema equivalente para o acompanhamento do desempenho de marketing. É exatamente isso que a Marketing Evolution se propôs a resolver.

Os dados existem, as ferramentas estão disponíveis, os recursos de análise estão presentes e a inteligência artificial pode fornecer insights precisos sobre a dinâmica do mercado e as operações comerciais — em vez de amplificar sinais enganosos.

Em última análise, devemos manter uma abordagem centrada nos dados ao desenvolver modelos, conduzir análises e utilizar inteligência artificial. Os modelos continuarão a evoluir rapidamente, mudando com frequência ao longo do tempo.

Trata-se, fundamentalmente, de um problema relacionado à infraestrutura de dados, e não ao projeto de modelos. Tudo se resume a estabelecer a infraestrutura de dados correta, alimentar essa infraestrutura com os dados adequados e contextualizá-los de acordo com a forma como a empresa opera.

Se a camada de dados não for implementada adequadamente, os CMOs ficarão presos a insights imprecisos por anos, enquanto os CFOs enfrentarão padrões de gastos inexplicáveis. É fundamental acertar essa camada de dados o mais rápido possível.

Stephen Williams, CEO da Marketing Evolution

Com 71% dos líderes acreditando que estão prontos para a IA e apenas 37% realmente estando — o que exatamente constitui essa lacuna de preparação?

Acredito que muitos líderes empresariais — incluindo eu mesmo em determinado momento — se baseiam em um critério simples: se ferramentas de inteligência artificial estão em uso, a organização deve ser considerada pronta para a IA. Mas isso raramente é o caso.

Quando examinamos as condições reais necessárias para implantar com sucesso a inteligência artificial ou forças de trabalho automatizadas — como estrutura de dados, qualidade dos dados, integração, acessibilidade e governança —, essa suposição rapidamente se desmorona.

Realizamos uma pesquisa para entender melhor essa lacuna, entrevistando executivos seniores de marketing — incluindo CMOs, vice-presidentes, diretores e gerentes seniores — e descobrimos que 71% deles acreditavam estar preparados para a IA.

No entanto, quando avaliamos se os requisitos fundamentais de dados para uma verdadeira preparação para a IA estavam de fato atendidos, apenas 37% satisfaziam esses padrões.

Isso representa uma lacuna substancial. Ainda mais impressionante é o fato de que apenas 3% dos líderes pesquisados relataram melhorias consistentes no desempenho da inteligência artificial.

Na realidade, muitas organizações atingem um teto em seus esforços de inteligência artificial muito rapidamente porque carecem de uma base de dados sólida. Quando os sistemas de inteligência artificial são forçados a conciliar sistemas fragmentados, fontes de dados desconectadas e estruturas inconsistentes, a complexidade do problema aumenta drasticamente, levando a resultados mais fracos, conclusões incorretas e erros mais frequentes.

As organizações que atendem aos requisitos básicos de dados para a preparação para a IA alcançam resultados de desempenho cerca de duas vezes melhores em comparação com aquelas que não possuem essa base. É essencial acertar na camada de dados para extrair valor real da inteligência artificial — especialmente à medida que essas tecnologias se tornam mais caras e as organizações não podem mais se dar ao luxo de experimentar indefinidamente a baixo custo.

Números-chave da Marketing Evolution

• 71% dos líderes seniores de marketing acreditam estar preparados para a IA
• Apenas 37% dos líderes de marketing atendem às condições básicas de dados necessárias para a preparação para a IA
• Apenas 3% dos líderes de marketing relatam ter observado ganhos consistentes de desempenho com a IA

Como uma base de desempenho de marketing atende às necessidades de unificação de dados para a inteligência artificial?

Uma plataforma de desempenho de marketing — ou um sistema de registro projetado especificamente para o acompanhamento do desempenho de marketing — resolve esse problema por ser inerentemente inteligente. Ela pode recuperar dados ausentes, preencher lacunas observacionais de forma sintética e reconstruir jornadas no nível do consumidor que não seriam possíveis se os dados permanecessem armazenados em data warehouses estáticos ou data lakes. Dessa forma, ele extrai insights significativos dos dados antes que estes entrem em modelos a jusante mais complexos.

Mesmo antes dessa etapa, os dados já foram alinhados a uma ontologia de negócios que reflete a estrutura da organização. Eles são mapeados para esquemas, taxonomias e contextos de negócios apropriados, garantindo que as convenções de nomenclatura correspondam à forma como a empresa se refere internamente aos seus ativos criativos, canais de mídia, campanhas e clientes. Essa consistência é mantida em todos os conjuntos de dados subjacentes.

Ao unificar tanto a estrutura dos dados quanto as jornadas dos consumidores, abrimos inúmeras novas oportunidades para aplicações de inteligência artificial em áreas como descoberta, análise e tomada de decisão.

Isso não é exagero — quando a inteligência artificial opera com base em uma compreensão verdadeiramente unificada e contextualizada das operações de negócios, o potencial se torna quase ilimitado.

Organizações com bases de dados preparadas para IA alcançam resultados de inteligência artificial até duas vezes mais expressivos. Crédito: Getty Images

Que conselho você daria às organizações que estão migrando de uma medição retrospectiva para uma inteligência proativa e voltada para o futuro?

Trata-se, de fato, de uma transição desafiadora que exige uma mudança significativa de perspectiva. Até recentemente, a medição de marketing era retrospectiva — as campanhas eram executadas, os resultados aguardados e, em seguida, analisados posteriormente. Mas agora temos os dados e as ferramentas necessárias para simular resultados potenciais antes que qualquer ação seja tomada.

Isso muda completamente o papel da inteligência de marketing. Em vez de simplesmente medir os resultados após sua ocorrência, as organizações podem começar a modelar resultados prováveis com antecedência, usando dados de meses, trimestres ou anos anteriores para prever o que provavelmente acontecerá a seguir. Isso permite que os profissionais de marketing mitiguem riscos, tomem decisões mais rápidas e bem fundamentadas e defendam essas decisões com evidências baseadas em dados.

“Por mais inteligente que a IA possa parecer, ela ainda depende fundamentalmente da qualidade e da estrutura dos dados subjacentes” — Stephen Williams, CEO da Marketing Evolution

Isso também proporciona uma visibilidade muito mais abrangente de todo o funil de conversão. Para ilustrar esse conceito, considere como funciona a visão humana. A maioria das pessoas presume que o que vemos é simplesmente o córtex visual processando a luz que entra em nossos olhos. Na realidade, o cérebro executa constantemente um modelo preditivo baseado em experiências sensoriais passadas para antecipar o que verá.

Esse modelo preditivo, moldado por uma vida inteira de dados sensoriais estruturados, prevê continuamente o mundo ao nosso redor. As informações visuais recebidas atualizam esse modelo, mas muito do que percebemos é, na verdade, a previsão do cérebro sobre o que está prestes a ocorrer.

É assim que lidamos com tarefas como pegar uma bola de beisebol ou reagir rapidamente a um carro que freia repentinamente à nossa frente — não estamos simplesmente respondendo em tempo real a estímulos sensoriais brutos, mas agindo com base em previsões informadas por dados e experiências anteriores.

Acredito que o marketing está caminhando em uma direção muito semelhante.

Organizações com bases sólidas de dados serão capazes não apenas de explicar o desempenho passado, mas também de prever e simular resultados futuros.

Stephen Williams, CEO da Marketing Evolution, construiu sua carreira desenvolvendo os sistemas que impulsionam o marketing moderno

Que conselho você daria a uma marca que afirma: “Estou trabalhando com um parceiro de MMM. E agora, o que faço?”

Se você já está colaborando com um parceiro de MMM, esse é um excelente ponto de partida, pois você já possui insights históricos sobre o desempenho da mídia. Esse conhecimento pode ser aproveitado para criar uma camada de inteligência mais preditiva. Sua parceria de MMM existente pode continuar a dar suporte ao sistema à medida que você faz a transição para abordagens de tomada de decisão mais adaptativas.

No entanto, o próximo passo exige investir na atualização de sua infraestrutura de dados subjacente para acomodar fontes de dados mais granulares e integradas.

Isso também significa evoluir para metodologias e modelos de medição que possam responder mais rapidamente às condições de mercado em constante mudança, às mudanças nos padrões de gastos com mídia e à evolução do comportamento do consumidor, em comparação com as soluções tradicionais de MMM.

Considere o impacto de eventos como a COVID-19, durante os quais o comportamento do consumidor mudou drasticamente a cada mês. Os sistemas MMM acabaram acompanhando essas mudanças, mas muitas vezes depois que elas já haviam ocorrido.

Uma camada de inteligência mais dinâmica — que opere semanalmente ou até mesmo diariamente — pode acompanhar os desdobramentos dos negócios em tempo real, identificar tendências em transformação à medida que elas ocorrem e ajudar as organizações a responder mais rapidamente e com maior confiança.

Isso representa a mudança mais ampla que está ocorrendo no setor. Historicamente, a pilha de martech consistia em sistemas separados, como plataformas de dados do cliente, sistemas de CRM, plataformas de gerenciamento de ativos digitais, plataformas de atividades de marketing e ferramentas de medição — cada um desempenhando funções operacionais distintas. Cada vez mais, porém, as organizações precisam de uma camada de inteligência integrada que conecte esses sistemas e torne os dados acessíveis para aplicações de inteligência artificial, simulações, otimização e tomada de decisões. Essa é a direção que o setor está tomando.

Como as marcas devem abordar a construção de sua pilha de martech hoje?

Na minha opinião, uma pilha de martech moderna deve começar com uma avaliação das fontes de dados e dos sistemas existentes — sejam elas plataformas de dados de clientes, sistemas de CRM, DSPs ou quaisquer outras ferramentas relevantes —, garantindo que esses sistemas possam trabalhar em conjunto, em vez de operarem isoladamente.

Tradicionalmente, a pilha de martech tem sido vista como uma estrutura em camadas. No entanto, cada vez mais, ela se assemelha a um modelo de “raios e roda”, com uma camada central de dados e inteligência que fornece suporte à tomada de decisões em toda a organização.

Esse hub central interage bidirecionalmente com sistemas como as plataformas de dados do cliente — extraindo dados deles e, ao mesmo tempo, enviando informações de volta para melhorar a compreensão do comportamento do cliente e da dinâmica geral do ecossistema.

No que diz respeito à medição, estamos agora em uma era em que os processos de medição conseguem acompanhar a velocidade com que os dados são gerados. Não precisamos mais depender exclusivamente de soluções de MMM. Embora os MMMs ainda tenham seu lugar, especialmente para analisar tendências de longo prazo, os profissionais de marketing precisam de recursos de tomada de decisão rápida — às vezes, até mesmo diariamente —, o que exige sistemas de medição mais ágeis.

Portanto, a pilha moderna de martech deve estar centrada em uma camada de dados unificada que ofereça suporte à medição, otimização, simulação e tomada de decisão rápidas, ao mesmo tempo em que mantém uma integração perfeita com outros sistemas em toda a organização.