Análise e Previsão de Performance de Campanhas - Meta Ads

Visão Geral do Projeto

Este projeto demonstra a aplicação de Machine Learning para analisar e prever o desempenho de campanhas no Meta Ads. O foco principal é otimizar campanhas de conversão (reservas via Tagme) através da identificação de padrões e a previsão de resultados, bem como a categorização de conjuntos de anúncios (adsets) com base em sua eficiência.

O projeto foi desenvolvido para extrair dados diretamente da Meta Ads API, processá-los e, em seguida, aplicar técnicas de modelagem preditiva e clusterização para gerar insights acionáveis.

Estrutura do Projeto

A estrutura do projeto é organizada da seguinte forma:

ads-machinelearning/
├── notebooks/
│   └── experimento.ipynb          # Notebook Jupyter com a análise e modelos
├── pipeline/
│   └── meta_ads_pipeline.py       # Script Python para extração e pré-processamento dos dados
├── plots/                         # Pasta com imagens para o Readme
│   ├── clusters_cpc_ctr.png
│   ├── importancia_features.png
│   └── modelo-regressao.png      
├── .gitignore                     # Arquivo para ignorar arquivos e pastas
├── LICENSE                        # Arquivo de licença
└── requirements.txt               # Lista de dependências do Python

Metodologia e Modelagem

Extração de Dados

Os dados foram coletados diretamente da Meta Ads API, focando nas seguintes métricas no nível de adset (conjunto de anúncios) para os últimos 90 dias:

• campaign_name: Nome da campanha.
• spend: Gasto total.
• inline_link_clicks: Cliques no link.
• reach: Alcance.
• impressions: Impressões.
• ctr: Taxa de cliques (Click-Through Rate).
• cpc: Custo por clique (Cost Per Click).

O script pipeline/meta_ads_pipeline.py é responsável por essa extração e pré-processamento.

Modelagem Preditiva

Para prever o número de cliques (inline_link_clicks), foram treinados modelos de Regressão Linear e Random Forest Regressor, utilizando spend (gasto) e impressions (impressões) como features. A campanha de "Conversão - Reservas Tagme" foi o foco dessa análise.

Resultados:

• Regressão Linear: $R^2$ de 0.80.
• Random Forest: $R^2$ de 0.83.

Um $R^2$ de 0.80, significa que 80% da variação no número de cliques pode ser explicada pelo nosso modelo. Sendo assim, ambos os modelos apresentaram bom desempenho, com o modelo de Regressão Linear sendo considerado suficiente devido à sua simplicidade e interpretabilidade, sem grande perda de acurácia em comparação com o Random Forest.

Visualização: Valores Reais vs. Valores Previstos (Regressão Linear)

Importância das Features

A análise da importância das features para o modelo Random Forest revelou que o gasto é a feature mais influente na previsão do número de cliques. Isso comprova que o investimento direto é, de fato, o motor principal para a geração de resultados. Isso ocorre porque, quanto maior o investimento, mais o algoritmo da Meta consegue atuar dentro desse grupo seleto e qualificado de pessoas, gerando cliques de maior valor que se traduzem em conversões efetivas.

Feature	Importância
gasto	0.86
impressoes	0.14

Visualização: Importância de Cada Feature para o Modelo

Clusterização K-Means

A técnica de clusterização K-Means foi aplicada aos dados (após escalonamento para padronizar as métricas como impressões e cpc) para identificar grupos de conjuntos de anúncios com comportamentos semelhantes. O Método do Cotovelo (Elbow Method) indicou K=2 como o número ideal de clusters.

Análise dos Clusters (médias por grupo):

Cluster	Gasto (R$)	Impressões	Cliques no Link	CPC (R$)	CTR (%)
0	24.53	11234.16	14.88	0.58	0.74
1	20.36	3305.65	110.22	0.16	4.66

Visualização: Clusters por CPC vs CTR

Interpretação dos Clusters:

• Cluster 1: O Grupo de Alta Eficiência

  • Caracterizado por alta taxa de clique - CTR (4.66%) e baixo custo por clique - CPC (R$ 0.16). Representa os conjuntos de anúncios com melhor desempenho, indicando estratégias eficazes.
  • Insights: É fundamental analisar em profundidade esses anúncios para identificar fatores de sucesso (CTAs, criativos, promoções, textos) e replicá-los.

• Cluster 0: O Grupo de Baixa Performance

  • Apresenta baixa CTR (0.74%) e CPC elevado (R$ 0.58). Este grupo indica anúncios com performance insatisfatória.
  • Insights: Requer atenção imediata para monitorar criativos, aplicar otimizações ou pausar anúncios ineficientes e redistribuir o orçamento para iniciativas mais promissoras.

Conclusão

Este projeto demonstra como a análise de dados e o uso de modelos de Machine Learning (regressão e clusterização) podem fornecer insights para a otimização de campanhas de marketing digital. A identificação dos principais drivers de desempenho e a segmentação de campanhas por eficiência permitem decisões mais estratégicas e a melhoria contínua do ROI (Retorno sobre Investimento) em Meta Ads.