Mobile Heroes

Mikhail Biteryakov by Mikhail Biteryakov | maio 29, 2020

Depois de iniciar sua carreira como designer de UX, Mikhail ingressou na Joom, na época, uma startup de comércio eletrônico em estágio inicial. Mikhail inicialmente desempenhou vários papéis, ampliando bastante seu conhecimento sobre negócio. Mikhail agora se concentra na proteção contra fraudes e no gerenciamento de parceiros externos, monitorando regularmente campanhas de fraude e analisando o desempenho de afiliados.

Saiba mais sobre Mikhail e sua estratégia em: Mobile Hero profile.


Em diversas áreas, anos de experiência anterior são essenciais para o sucesso futuro. No setor de publicidade digital, é uma história diferente. A falta de experiência pode, na verdade, ser um diferencial, já que permite encarar os desafios com um olhar ‘de fora’..

Quando nossa equipe na Joom começou a exibir campanhas de mídia paga, utilizamos várias práticas recomendadas em publicidade digital, aplicando recomendações de nossos representantes no Google e no Facebook. Monitoramos de perto as taxas de conversão de várias redes usando modelos CPI ou CPA, como esse era o padrão no setor. Apesar dos nossos melhores esforços, não conseguimos atingir nossas metas desejadas de volume e qualidade.

Foi uma experiência desafiadora para todos nós. Ao mesmo tempo, nos forçou a fazer algo que não tínhamos feito… pensar fora da caixa, quebrar algumas regras de “melhores práticas” e buscar uma abordagem mais simplificada. Aqui estão quatro coisas que aprendemos e que funcionaram bem.

1) Não faça isso sozinho, lute contra a fraude com parceiros

Quando se trata de resolver problemas de fraude, uma prática comum é criar sua própria equipe antifraude para analisar a distribuição CTIT e os intervalos de IP para identificar fontes de tráfego fraudulentas. A partir daí, você pode usar essas informações para rejeitar instalações e bloquear fontes fraudulentas.

Como esse sistema opera usando recursos internos e requer atualizações frequentes, decidimos adotar uma abordagem muito mais simples e escalável. No início de 2018, encontramos dois parceiros antifraude que são proficientes na identificação de atividades fraudulentas, mas agem de maneira diferente, criando assim um sistema de defesa em várias camadas. Cada instalação paga que geramos é avaliada usando o Fraud Prevention Suite do Adjust, muitos dos quais são rejeitados.

As instalações que passam pelo Adjust são avaliadas pela segunda vez usando o Scalarr, uma solução independente de detecção de fraudes. O Scalarr filtra instalações fraudulentas adicionais, deixando-nos com um alto grau de confiança de que nossas instalações estão limpas. Dois anos depois, podemos dizer, definitivamente, que essa abordagem acabou se provando ótima. Não apenas criamos com sucesso um pool de fontes de tráfego sem nenhum vestígio de fraude, como também liberamos recursos internos para trabalhar em outras iniciativas.

2) Pague pelo valor, não pelas métricas

Enquanto trabalhamos com parceiros de publicidade, utilizamos vários modelos de pagamento diferentes antes de encontrarmos o que melhor funciona para nós. Descobrimos que os modelos CPI e CPA foram expostos a instalações que forneciam pouco ou nenhum valor real para nós.

No comércio eletrônico, nosso objetivo é adquirir usuários que fazem compras de alto valor usando nosso aplicativo. Percebemos que os inúmeros modelos de CPA, CPI e CTR eram apenas proxies, impedindo-nos de focar na métrica mais importante – a receita gerada pelos usuários adquiridos.

Outra consideração que fizemos foi que, para pagar nossos parceiros com base no valor que eles geravam, precisaríamos pagar a eles uma parcela justa de nossa receita. Decidimos que o período de uma semana era um bom período para prever LTV de longo prazo e curto o suficiente para otimizar campanhas. Começamos a trabalhar com nossas afiliadas usando esse modelo de compartilhamento de receita e, como resultado, seguimos na mesma direção, criando uma cooperação ganha-ganha.

Foi assim que criamos nosso próprio modelo de compartilhamento de receita. E quando não podemos usar um modelo de compartilhamento de receita com alguns parceiros devido a limitações técnicas, usamos para avaliar o desempenho.

3) Teste novas oportunidades

A implementação de um modelo de compartilhamento de receita não apenas ajudou nossos parceiros existentes a escalar várias vezes, mas também simplificou nosso método de avaliação de instalações, o que nos ajudou a economizar uma quantidade enorme de tempo. Quando cada instalação é valiosa à sua maneira, poderíamos pagar US$ 0,2 e US$ 4 por uma instalação e ainda assim ter certeza de que nosso ROI seria positivo. Portanto, o sistema tornou-se auto-equilibrado.

Como ficamos felizes com nosso processo de defesa contra fraudes, nada nos impediu de testar novas fontes. Testamos mais de 190 fontes diferentes em um ano e, em um mês, conseguimos 78 afiliadas ativas, gerenciadas por conta própria, sem problemas específicos.

Embora não estejamos trabalhando com tantos parceiros agora, esse processo nos ajudou a encontrar as empresas que mais nos beneficiam. A decolagem é um ótimo exemplo. No final, os KPIs simplificados nos levaram a explorar novas oportunidades e nos deram um conhecimento impressionante sobre todas as empresas em potencial que pudemos ver no mercado.

4) Automatize suas campanhas

A Joom é uma empresa extremamente orientada para o desenvolvimento. Nosso departamento de publicidade é composto por seis pessoas, três delas desenvolvedores de ML altamente qualificados. E procuramos todas as oportunidades para simplificar o gerenciamento de nossas campanhas de marketing por meio da automação, incluindo o Facebook e o Google. Se o canal não for grande o suficiente para investir em automação ou simplesmente não for possível, trabalharemos com afiliadas para ampliar nosso alcance com base em um modelo de compartilhamento de receita.

Dito isto, automatizar a execução de uma campanha não é simples. Percorremos um longo caminho desde o gerenciamento semi-manual de campanhas até a automação completa do processo de criação, alteração e pausa das mesmas com base em dezenas de fatores. O aprendizado de máquina avançado ajuda e fica mais inteligente a cada dia. Mas tudo começou com uma ideia muito simples: se a campanha funcionar para nós, deixaremos que ela gaste mais.

No geral, achamos que o processo de simplificação inicial é muito benéfico para nós a longo prazo. Agora estamos totalmente confiantes em todas as instalações que adquirimos. Também prestamos mais atenção aos detalhes que ignoramos anteriormente (criativos, códigos de pacote, meio do funil). Estamos aprimorando o sistema que criamos do zero, sem experiência anterior em publicidade. Com essa experiência, agora sabemos o que funciona melhor para o nosso aplicativo e o que não funciona.