4 etapas principais para uma análise e otimização eficazes de anúncios do Facebook

O Facebook é uma das plataformas de publicidade mais populares. Ele oferece ótimas opções de segmentação e ajuda as empresas a alcançar seus clientes-alvo com eficiência. No entanto, para aproveitar ao máximo os anúncios do Facebook, você precisa analisar seu desempenho de maneira eficaz.

Neste artigo, mostraremos como fazer isso. Também compartilharemos as 4 etapas importantes e algumas dicas práticas para otimizar o desempenho do seu anúncio no Facebook usando nossa estrutura de análise.

Então vamos começar!

Etapa 1: Determinando suas principais métricas

O primeiro passo para analisar o desempenho do anúncio no Facebook é determinar e entender as principais métricas. As principais métricas variam de acordo com sua meta de negócios e identificamos abaixo as mais comuns para empresas de varejo.

Em resumo, agrupamos as métricas em três camadas diferentes: métricas primárias, métricas secundárias e métricas terciárias.

As métricas primárias são os principais indicadores de desempenho que fornecem uma visão de alto nível do desempenho de sua campanha publicitária no Facebook, qualidade do público-alvo e nível de ressonância. Eles podem variar dependendo do objetivo do seu negócio, mas alguns dos mais comuns incluem:

• ROAS : retorno sobre o gasto com anúncios, que indica a lucratividade de seus anúncios no Facebook. [Cálculo: Vendas ÷ Adspend]
• CPM : o custo médio de 1.000 impressões de anúncios. [Cálculo: (Gastos em anúncios ÷ Impressões)*1000]
• Compras : o número de eventos de compra rastreados em seu site e atribuídos a seus anúncios.
• Valor médio do pedido (AOV) : o valor médio de uma compra feita como resultado do seu anúncio. [Cálculo: Vendas ÷ Compras]
• Qualidade do anúncio : é o nosso índice de qualidade personalizado, calculado com base na média da classificação de qualidade, classificação da taxa de engajamento e classificação da taxa de conversão. É uma métrica crucial, pois reflete o desempenho relativo do seu anúncio no leilão de anúncios, o que pode ajudar a diminuir significativamente o seu CPM.

As métricas secundárias fornecem informações sobre quais fatores podem estar afetando o desempenho dos anúncios do Facebook, desde o engajamento do anúncio, engajamento no local até a conversão. Eles podem ajudá-lo a identificar áreas de melhoria em sua campanha publicitária no Facebook. Abaixo estão algumas das métricas que identificamos ou definimos de forma personalizada:

• Alcance : o número de pessoas que viram seus anúncios pelo menos uma vez.
• Frequência : o número médio de vezes que cada pessoa viu seu anúncio. [Cálculo: Impressões ÷ Alcance]
• Taxa de cliques de saída exclusivos (UOC) : a porcentagem de pessoas que viram seu anúncio e realizaram um clique de saída para visitar seu site. [Cálculo: (Cliques de saída exclusivos ÷ Alcance)*100]
• Média de visualizações de conteúdo : o número médio de eventos de visualização de conteúdo para cada visitante único que viu seu anúncio. [Cálculo: visualizações de conteúdo ÷ cliques de saída exclusivos]
• Média de adições ao carrinho : o número médio de eventos de adição ao carrinho para cada visitante único que viu seu anúncio. [Cálculo: Adições ao Carrinho ÷ Cliques de Saída Exclusivos]
• Taxa de finalização de compra : a porcentagem de pessoas que visitaram seu site e iniciaram eventos de finalização de compra. [Cálculo: (Checkouts iniciados ÷ Cliques de saída exclusivos)*100]
• Taxa de conversão : a porcentagem de pessoas que visitaram seu site e fizeram uma compra. [Cálculo: (Compras ÷ Cliques exclusivos de saída)*100]

Enquanto para o nível terciário, ele fornece as métricas descritivas que fornecem mais detalhes sobre o desempenho dos seus anúncios do Facebook, o que inclui:

• CPS : Custo por venda, o custo médio por resultado/compra de seus anúncios. [Cálculo: Adspend ÷ Compras]
• Vendas : os valores totais de conversão de compra em seu website atribuídos a seus anúncios.
• Adspend : a quantia total de dinheiro que você gastou em sua campanha, conjunto de anúncios ou anúncio.

Etapa 2: Compreendendo as relações causais entre as métricas

Depois de identificar e entender suas principais métricas, a próxima etapa é entender as relações causais entre elas. Ele ajuda você a identificar quais fatores estão causando mudanças em suas principais métricas para que você possa tomar medidas para melhorá-los. Por exemplo, se o ROAS for baixo, você pode observar fatores como CPM, AOV e índice de qualidade do anúncio para determinar o motivo e, em seguida, tomar medidas para otimizar conforme necessário.

Ao entender as relações causais entre suas métricas, você pode desenvolver uma visão completa do desempenho de seus anúncios e tomar melhores decisões sobre como otimizá-los.

Em resumo, seus principais fatores de influência são resumidos em seis áreas principais, que incluem:

• Segmentação de público
• Criativo de anúncio
• USPs do produto
• Promoção e ofertas
• Navegação no local
• Experiência de compra

Com base em nossos aprendizados, identificamos os principais fatores de influência para cada métrica conforme abaixo. 

Métrica-chave	Principais fatores de influência
ROSA	CPMValor médio do pedido (AOV)Taxa de conversão
Alcançar	Segmentação de públicoOrçamentoCPM
CPM	Segmentação e tamanho do públicoÍndice de qualidade do anúncioConcorrência no leilão de anúncios do FB (especialmente durante a alta temporada)
Frequência	Tamanho do públicoOrçamento do anúncioAgendar
Índice de qualidade do anúncio	Criativo do anúncio (Visual/ Legenda/ Formato)Segmentação de público (relevância e ressonância)
Taxas UOC	Criativo do anúncio (Visual/ Legenda/ Formato)Fadiga do anúncio
média Exibições de conteúdo	Visual merchandising (landing, categoria, páginas de produtos)Estoque de produtos (tamanhos quebrados)
média adiciona ao carrinho	USPs do produtoVisual merchandising (landing, categoria, páginas de produtos, cross-sell ou upsell)Promoção e ofertasEstoque de produtos (tamanhos quebrados)
Taxa de pagamento	USPs do produtoPromoção e ofertas
compras	USPs do produtoPromoção e ofertas
Taxa de conversão	USPs do produtoPromoção e ofertasExperiência de compra (opções de pagamento, atendimento ao cliente, prazo de entrega, lembrete de carrinho abandonado)
CPS	CPMTaxa de conversão
AOV	USPs do produtoVisual merchandising (landing, categoria, páginas de produtos, cross-sell ou upsell)Promoção e ofertas
Vendas	USPs do produtoPromoção e ofertas
Adspend	orçamento diário

As relações causais entre as principais métricas

Queremos enfatizar que essas ainda são nossas interpretações subjetivas dos conectivos causais. Eles podem não ser totalmente precisos, mas é um bom ponto de partida para orientar nosso pensamento durante a análise de desempenho.

Etapa 3: verificando seus pontos cegos (com matriz de correlação)

Além de entender as relações causais entre suas métricas, também é essencial verificar se há pontos cegos em seus dados. Uma matriz de correlação pode ajudá-lo a fazer isso.

Uma matriz de correlação é uma tabela que mostra o coeficiente de correlação de Pearson (r) entre todos os pares de métricas. Quanto mais próximo o valor de r estiver de +/- 1, mais forte será a correlação entre as duas métricas.

A partir da matriz, você pode identificar quaisquer pares de métricas que tenham altas correlações (valores de r próximos de +/- 1), pois podem indicar possíveis pontos cegos se ainda não forem identificados com uma conexão causal entre eles. Ou você pode investigá-los mais para determinar se algum fator está causando leituras errôneas para essas métricas.

Como você pode ver no diagrama acima, construímos uma matriz de correlação com base no conjunto de dados históricos que coletamos até agora, e abaixo estão alguns exemplos de insights que extraímos dela.

Por exemplo, a matriz mostra que as visualizações médias de conteúdo e as médias de adições ao carrinho têm uma alta correlação positiva (valor r de 0,74), o que sugere que os aumentos nas visualizações médias de conteúdo provavelmente também causarão aumentos nas médias de adições ao carrinho. Isso é bastante normal, pois quanto mais páginas as pessoas visualizam, mais inclinadas elas ficam para comprar.

No entanto, o que queremos enfatizar aqui não são as relações causais que já conhecemos. Essa matriz de correlação é principalmente para descobrirmos correlações e relações causais além de nossa percepção.

Por exemplo, na matriz acima, podemos ver uma correlação positiva entre CPM e frequência (r = 0,46). O coeficiente de correlação não é alto, mas isso pode indicar um possível ponto cego se você não estiver rastreando essas duas métricas juntas. Portanto, este exemplo nos faz questionar por que as mesmas pessoas tendem a visualizar mais nossos anúncios quando o CPM é maior.

Se inferirmos ainda mais a relação causal entre essas duas métricas principais, há duas possibilidades para nossa conclusão preliminar:

• Segmentação de público de nicho: isso faz com que o algoritmo FB aumente o CPM para aumentar o alcance, enquanto, ao mesmo tempo, um tamanho de público menor leva a uma frequência de anúncio mais alta.
• Competição de leilão de anúncios: uma pontuação de qualidade de anúncio mais baixa leva o algoritmo FB a aumentar o CPM para melhorar o alcance. Se o desempenho relativo de nossos anúncios for mais fraco com um orçamento de anúncio limitado, isso pode restringir o alcance de nossos anúncios e tender a exibi-los repetidamente para o mesmo público.

Novamente, esta é apenas nossa interpretação subjetiva e podemos estar errados. No entanto, ao entender as relações causais entre suas principais métricas e verificar se há pontos cegos em seus dados, você pode desenvolver uma compreensão mais abrangente do desempenho de seus anúncios do Facebook e tomar melhores decisões sobre como otimizá-los.

Etapa 4: usando a estrutura de análise

Agora que entendemos as principais métricas e a relação entre elas, vamos ver a estrutura que projetamos para nos ajudar a analisar o desempenho dos anúncios do Facebook de maneira eficaz.

Em resumo, nosso quadro de análise gira em torno de três dimensões principais:

• Comparação período a período  (Última semana/Últimas 4 semanas/Últimas 13 semanas): mede o desempenho dos anúncios no presente e os compara a um período comparável no passado.
• Benchmarking  (Target/ Benchmark do setor): compara o desempenho de seus anúncios com o benchmark do setor ou seu público-alvo interno.
• Momentum  (média dos últimos 3 dias x média dos últimos 7 dias): fornece um sinal adicional para mostrar a taxa de alteração mais recente no desempenho de seus anúncios.

Ao analisar o desempenho de seus anúncios no Facebook usando as 3 dimensões acima, é mais provável que você entenda o que aconteceu no passado (descritivo), como seus anúncios se comportam em relação ao seu alvo ou média de mercado (comparativo) e o que pode acontecer nos próximos 3 dias (preditivo).

No exemplo acima, podemos ver que o desempenho do anúncio do Facebook está tendo um bom desempenho, mas o ímpeto parece desacelerar nos últimos 3 dias em termos de ROAS, AOV e compras. Ainda assim, o ROAS está muito acima da nossa meta/benchmark, o que nos permite manter os anúncios como estão e acompanhar de perto o desempenho deles pelos próximos 3 dias.

Com base nesses dados, podemos considerar a adição de um novo visual de anúncio se o ROAS e as compras estiverem piorando nos próximos três dias, pois podemos ver que a taxa de UOC está caindo com o tempo, o que provavelmente ocorre devido à fadiga do anúncio. O envolvimento no local (média de visualizações de conteúdo, média de adições ao carrinho) e a conversão (taxa de checkout, taxa de conversão) são geralmente saudáveis, o que significa que o visual merchandising no local ainda ressoa bem com o público.

Este é apenas um exemplo de como você pode usar nossa estrutura de análise para obter insights práticos e tomar decisões sobre como otimizar seus anúncios do Facebook.

Conclusão

O desempenho dos anúncios do Facebook pode ser complexo e desafiador de entender sem a estrutura de análise adequada, especialmente quando diferentes pessoas tendem a ter diferentes interpretações subjetivas dos dados.

Por favor, não se engane, e ainda precisamos confiar em nossas interpretações subjetivas para analisar e revelar a história por trás dos dados. No entanto, ao aplicar a estrutura de análise correta, você pode desenvolver uma linguagem comum para sua equipe se comunicar com mais rapidez e precisão para entender o desempenho dos anúncios do Facebook e tomar decisões mais informadas sobre como otimizá-los, minimizando vieses subjetivos.

Nossa estrutura de análise é uma maneira de fazer isso, mas pode haver muitas outras maneiras de dividir os dados. O mais importante é encontrar a abordagem de análise que funciona melhor para você e o ajuda a tomar melhores decisões sobre seus anúncios no Facebook.