Ao chegar na MATH, o Banco BV tinha como desafio principal entender as principais jornadas de conversão do seu lead, saber qual o percentual de contribuição de cada canal para o lead se tornar cliente e, por fim, calcular o valor investido versus o valor retornado pelo cliente.
500mil
novos leads recuperados
16%
mais rentabilidade no CPL
15%
de redução no CAC
Benefícios alcançados:
O Banco BV é considerado o 5º maior banco privado do Brasil e uma das principais marcas em soluções de crédito do país. Além disso, é líder em financiamento de veículos, totalizando mais de 2,2 milhões de veículos financiados. Com R$ 39,7 bilhões financiados ao fim do primeiro semestre de 2020, a carteira de veículos respondia por 58% de todo o portfólio de financiamentos do banco, e quase 90% dela é de automóveis usados.
Para estar presente em todos os caminhos de pontos de dores dos seus potenciais clientes, o Banco BV optou por investir pesado em mídia paga. No entanto, tinha dificuldades para definir estratégias para os anúncios, pois não tinha visibilidade de quais canais realmente estavam trazendo retorno.
O BV possuía uma visão limitada do last click que ignorava parte dos touch points percorridos pelos leads e levavam os gestores à percepção errada, ou seja, muitas vezes a impressão era de que os resultados orgânicos ou diretos superavam ou se equiparavam aos gerados pela mídia paga.
O desafio, em vista disso, era de entender se de fato o cliente precisava de mídia paga e qual seria o real impacto se elas fossem desligadas.
Para começar a entender o que estava acontecendo com as mídias pagas do Banco BV, a equipe da MATH MKT avaliou inicialmente o retorno desses investimentos, descobrindo que as campanhas de mídia paga representavam 40% do volume de contratações realizadas pelos clientes.
Porém, para que fosse possível criar o modelo de atribuição ideal que atendesse as particularidades do negócio foi necessário realizar algumas etapas, como entrevistas, mapeamento, análises e definição de métricas. Durante as etapas, identificou-se dados desorganizados, levando a uma falta de visão e compreensão.
Como solução, a MATH optou por utilizar o modelo de atribuição, que visa promover a correta mensuração de um conjunto de processos para identificar interações do usuário (os chamados “eventos”) em diversas telas e pontos de contato, mas com um modelo personalizado próprio e data-driven.
O modelo, por sua vez, é capaz de responder aos questionamentos mais difíceis das jornadas mais complexas, com o objetivo de entender a contribuição das diversas mídias ao longo da jornada, através de modelos estatísticos e customizados de co-atribuição.
A primeira ação promovida pela MATH MKT no Banco BV foi motivada por uma de suas constatações, sendo identificados que 20% dos investimentos em mídia eram feitos em vão pela falta de visibilidade de todos os dados, chegando a um pico de 40% de verba de mídias pagas desperdiçada.
O Media Mix Modeling da MATH, permitiu que as análises se tornassem mais granulares, mas para isso precisou ser realizado as seguintes atividades de migração, para que continuassem avaliando através deste modelo:
Revisão de todas as tabelas e local de armazenamento dos dados
Integração dos dados online com o banco de dados para o funil completo
Ingestão dos dados no Lake – Cloud
Revisão de tagueamentos e eliminação de divergências
Redução de leads não identificados
Com isso, o time BV conseguiu analisar toda a jornada do consumidor, incluindo todos os touch points que o cliente teve durante sua jornada. Além disso, a inteligência da solução passou a atribuir um resultado específico para cada ponto de comunicação com esse cliente e não apenas no último touch point antes da conversão.
Outro ganho importante que a atribuição do Media Mix Modeling da MATH para o Banco BV trouxe para os gestores, foi o aumento da capacidade de compreensão de como cada momento da jornada do cliente importa e como a comunicação em cada um desses momentos deve ser feita.