Uma pesquisa recente revelou que, em 2016, mais de 3 bilhões de imagens são compartilhadas e publicadas diariamente nas plataformas do Snapchat e do Facebook (Facebook, Messenger, WhatsApp e Instagram). Embora muito desse conteúdo seja privado (e efêmero), ainda há um número enorme de imagens que são compartilhadas em sites de redes sociais de maneira pública e que podem ser extremamente valiosas para empresas que já possuem um trabalho de monitoramento no seu escopo (mas não de imagens). O desafio que procede é: como coletar, processar e analisar esses dados? Essa é a proposta da pesquisa sobre image intelligence realizada por Susan Etlinger, da Altimeter, que entrevistou 32 profissionais (influentes do mercado, fornecedores de tecnologia, acadêmicos, marcas, dentre outros) para descobrir quais são os atuais e emergentes usos desses dados de conteúdos visuais.
Um dos achados mais impactantes da pesquisa revela que, segundo entrevistados, mais de 80% das imagens compartilhadas online com logotipos não incluíam nenhuma referência textual à empresa – ou seja, trata-se de um ponto cego extremamente preocupante para marcas que fazem o acompanhamento de mídias sociais apenas textualmente. Aliado a isso, há o fato de que fotos e vídeos (embora possivelmente conotem traços culturais específicos) são uma forma de linguagem bem mais universal do que a escrita (muitas vezes restrita ao idioma de um país), tornando-se recursos comunicacionais de grande importância para marcas globais. Esse contexto reforça o desafio de não perder a oportunidade de detectar, identificar e agir sobre esse conteúdo. Na tentativa de elucidar essa problemática, o estudo da Altimeter traz em seu relatório as oportunidades de trabalhar com essa tecnologia, os desafios e exemplos de cases para o uso de image intelligence, e, por fim, as recomendações e precauções que empresas interessadas em descobrir o potencial preditivo de conteúdos visuais devem ter em vista.
DE RECONHECIMENTO DE IMAGEM A IMAGE INTELLIGENCE: O PROCESSO
No monitoramento comum, textual, as ferramentas de coleta de dados têm como trabalho fundamental o processamento dos códigos derivados das APIs. Quando falamos em monitoramento de imagens, essa coleta torna-se mais elaborada: as plataformas não processam mais letras e números, mas pixels. Para isso, conta com uma tecnologia de reconhecimento de imagem que age para identificar objetos, pessoas, logotipos, etc. No entanto, para que esse reconhecimento torne-se valioso às empresas, é necessário um processo mais complexo de análise e inteligência de dados – onde se encaixa image intelligence: “a habilidade de extrair significados de imagens, detectar padrões e usar esses insights em conjunção a outros dados para fazer previsões sobre o futuro”; ou “a habilidade de detectar e analisar imagens, desenvolver modelos de previsão baseados nelas, e usar esses modelos num contexto com outras fontes de dados para prever e agir sobre tendências emergentes, desenvolver cases de negócios, detectar e aliviar crises.”
Ainda assim é importante ratificar como a tecnologia disponível é essencial a esse processo. Chama-se deep learning a habilidade de aprendizado a partir de vários inputs, que permite que as máquinas – ou computadores – reconheçam e classifiquem uma imagem. É um programa de software que simula, de certa forma, os neurônios do cérebro que “traduz coisas que as pessoas podem facilmente perceber em algo que computadores podem reconhecer e interpretar”. Assim como os seres humanos enquanto bebês desenvolvem a capacidade cognitiva de reconhecer uma mesa, por exemplo, os computadores são ensinados a reconhecer – através do processamento de pixels – os objetos em uma imagem. Para isso, é preciso que haja um extenso trabalho de machine learning que explique ao algoritmo (exibindo milhões de imagens semelhantes, por exemplo) que aquele objeto é uma mesa – ou seja, a melhor tecnologia não é a que consegue identificar facilmente o objeto, mas aquele que consegue aprender com eficácia o que lhes estão programando. Dessa forma a tecnologia consegue identificar objetos, cenas e até emoções, embora este retenha-se a uma subjetividade falha até à interpretação humana.
QUAL É O VALOR DISSO PARA AS MARCAS?
Esta foi uma das questões principais que a pesquisa de Etlinger buscou responder. Embora gigantes da tecnologia como Facebook e Google já tenham se atentado às possibilidades de reconhecimento facial, por exemplo, por se tratar de um novo e recente movimento, as empresas e organizações demorarão um tempo para compreender, adaptar-se e usufruir deste novo cenário. As possibilidades, entretanto, já são várias: o relatório lista pelo menos 30 aplicações reais já utilizadas por algumas marcas que fizeram parte da pesquisa e/ou indicada pelos profissionais que participaram das diversas entrevistas. Dentre elas estão: a possibilidade de determinar o ROI de programas de marketing, de fazer mudanças a futuros produtos baseados na popularidade de modelos atuais, de obter melhor compreensão de como seus produtos estão sendo vistos e utilizados pelos consumidores, de identificar “pontos cego” relacionados a falsificação e fraude, etc.
As 30 aplicações para o processo de image intelligence seguem o framework de valor de negócios para Social Analytics desenvolvido em 2011 também pela Altimeter: inovação (trabalhar com consumidores para melhorar futuros produtos e serviços), saúde da marca (conversação e comportamento voltado à organização), experiência do consumidor (melhorar o relacionamento com o consumidor numa mão dupla), otimização de marketing (melhorar a eficácia de programas de marketing), desempenho operacional (melhorar produtividade e diminuir riscos) e geração de renda (onde e como a marca gera renda). Cada uma dessas categorias serviu como pilar estratégico para pensar como o processamento de imagens pode ser valioso às marcas:
- Inovação: identificar aspectos populares de produtos para inovação e novas ideias; detectar problemas de produção e percepções de valores em aspectos dos produtos; identificar na pesquisa de questões externas ao negócio mas que podem afetar o cotidiano dos consumidores;
- Saúde da Marca: acompanhar menções da marca em imagens; comparar imagens de produtos à marca para identificar mudanças de storytelling; acompanhar o uso correto e responsável de marcas registradas; gerenciar possíveis problemas externos que podem afetar o microambiente da organização;
- Experiência do Consumidor: identificar produtos defeituosos ou danificados; habilidade de encontrar e desabilitar conteúdos gerados por usuários inapropriados para o público da marca; analisar imagens e comunicá-las verbalmente a deficientes visuais;
- Otimização de Marketing: identificar padrões para direcionamento assertivo; medir a propagação de conteúdo de marca; identificar associações inesperadas de produtos; fazer benchmarking competitivo entre marcas e comparar share of voice visual/textual; identificar micro-segmentos para ad-targeting; reutilizar conteúdos gerados pelos usuários; calcular o desempenho de patrocínios em grandes eventos; identificar e mensurar o impacto de marketing de influenciadores; compreender o fluxo de propagação de imagens oficias e não-oficiais; fortalecer identidade de marca através de análise de desempenho;
- Geração de renda: atributos visuais para calcular precificação; identificar mensagens aspiracionais de desejo; detectar compras efetivas para análises situacionais; utilizar conteúdos gerados por usuários para merchandise; propagar e/ou identificar imagens “compráveis” nas mais diversas plataformas para venda digital.
A SEGUIR: DESAFIOS, PRIVACIDADE E RECOMENDAÇÕES
Como já mencionado, o fato dessa tecnologia ser nova implica algumas problemáticas, conforme listadas pela pesquisa: não há metodologia padrão para analytics; a amostragem é inconsistente; benchmarks contínuos são desafiadores; o tempo de processamento de imagens é muito maior do que o de textos; organizações demoram a se adaptar; etc. Atrelado a essas dificuldades, ainda há alguns paradigmas éticos que precisam ser discutidos (uma vez que até no monitoramento de texto há empresas que faltam com responsabilidade em pesquisas) para atualizar algumas questões nesse novo cenário. Grandes eventos possuem cobertura fotográfica de grandes públicos, entretanto, essa “vigilância” inerente implica algumas complicações para tratamento de dados, por exemplo. Aliado a isso ainda há o fato de que imagens, em sua maioria, são dados de usuários – muitas vezes mais “íntimas” do que palavras – ou seja, como lidar com esse tipo de conteúdo? O mercado deve trabalhar para uma atualização desses procedimentos éticos.
“Todos os dias a comunicação se torna mais visual e a tecnologia se adapta. De um ponto de vista prático, profissionais de marketing digital devem se preparar para que image analytics torne-se integrado ao trabalho de marketing em mídias sociais num futuro não tão distante, e em outros setores (atendimento, até vendas) com o passar do tempo. Atributos como análise de sentimento, reconhecimento de objeto e contexto continuarão a melhorar, embora sempre haverá casos marginais que desafiarão até as redes neurais mais inteligentes. Mas o critério final para decidir usar a tecnologia de reconhecimento de imagem e image intelligence não deve ser simplificada como “monitoramento visual” ou casos para mídias sociais; o valor real reside na habilidade de ajudar a prever resultados e auxiliar estratégias de negócios.” – Susan Etlinger
A verdade é que reconhecimento de imagem e image intelligence são dois processos ainda engatinhando enquanto recursos tecnológicos de negócios, entretanto, a tendência é que continuemos compartilhando milhões de imagens por dia e que esses processos se aprimorem cada vez mais. Isso vai exigir que as ferramentas se atualizem e que novos metodologias de análise sejam desenvolvidas, o que vai exigir curiosidade, paciência e colaboração entre diferentes setores. Farida Vis, do Visual Social Media Lab e pesquisadora da University of Sheffield, orienta: “Temos que fazer mais para valorizar a exploração”. Os passos a seguir são, segundo o relatório: 1) encontrar um projeto patrocinador; 2) entender que cultura e metodologia são tão importantes quanto ferramentas; 3) selecionar um case de negócio prático; 4) planejar um teste de conceito pequeno e focado; 5) resolver questões de governança e privacidade antes que se tornem problemas; 7) começar pequeno, mas pensar grande.
