AdsPower
Plataforma SaaS de otimizacao publicitaria por inteligencia artificial
AdsPower era uma startup early-stage construindo uma plataforma SaaS de otimizacao de campanhas publicitarias por inteligencia artificial. O produto utilizava modelos de classificacao ML (Azure Machine Learning Studio) para classificar comportamentos de usuarios, analisar a intencao de busca via SERPs do Google, e otimizar automaticamente os lances com base na taxa de conversao.
O conceito central: ingerir milhares de pontos de dados de campanhas - palavras-chave, lances, quality scores, taxas de clique, dados de conversao - alimenta-los em modelos de classificacao supervisionada, e produzir recomendacoes de otimizacao acionaveis.
O projeto foi diretamente inspirado pela Optmyzr e pela Dolead, ambas analisadas em profundidade durante nossa pesquisa competitiva.
Otimizacao por IA
Classificar intencoes de busca e prever a probabilidade de conversao por palavra-chave via modelos de classificacao supervisionada
Lances automatizados
Otimizar automaticamente os lances com base na taxa de conversao real
Deteccao de palavras-chave negativas
Identificar e excluir automaticamente palavras-chave que drenam orcamento sem conversao via clustering semantico
Quality Score
Prever e melhorar o Quality Score via analise do CTR esperado, relevancia dos anuncios e experiencia da landing page
Pipeline Machine Learning
Arquitetura tecnica
Tecnicas ML implementadas
- Aprendizado supervisionado (gradient boosting, regressao logistica, arvores de decisao) treinados no Azure ML Studio para prever os componentes do Quality Score
- Pipeline NLP com NLTK: tokenizacao, stemming, remocao de stop words e vetorizacao TF-IDF de palavras-chave e consultas de pesquisa
- Clustering k-means aplicado aos vetores TF-IDF para agrupar palavras-chave por intencao de busca e detectar palavras-chave negativas
- Segmentacao de audiencia por classificacao supervisionada em dados demograficos (idade, genero) via Google Prediction API
- Scraping multi-motores (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) para coletar dados de inteligencia competitiva
O problema: no Google AdWords, os anunciantes compram palavras-chave em correspondencia ampla (broad match). O Google entao aciona anuncios em consultas de pesquisa que considera semelhantes, mas que muitas vezes nao tem nada a ver com a intencao comercial da campanha.
A solucao ML: o sistema fazia scraping dos resultados de pesquisa Google (SERP) para cada palavra-chave comprada, analisava o tipo de resultados exibidos e extraia a classificacao tematica e a intencao de busca (transacional, informacional, navegacional). Esses sinais eram vetorizados via TF-IDF e injetados em um modelo de classificacao supervisionada (gradient boosting no Azure ML).
O resultado: o modelo classificava cada consulta como pertinente ou nao pertinente. Palavras-chave identificadas como falsos positivos eram automaticamente sugeridas como palavras-chave negativas.
Este e apenas um exemplo entre os muitos algoritmos de otimizacao construidos na plataforma.
Fluxo de classificacao
Como gerente de projeto tecnico e cofundador, conduzi o projeto da concepcao a entrega. Recrutamento e coordenacao de 4 desenvolvedores freelancers (especialistas ReactJS e Angular) identificados via pesquisa GitHub na regiao de Bordeaux.
Organizacao Scrum
5
Pessoas
18+
Repositorios
3
Versoes maiores
40+
Paginas de maquetes
- Uso pioneiro do Machine Learning Azure para otimizacao publicitaria por IA
- Conducao de esforcos significativos em P&D em inteligencia artificial para gestao de campanhas publicitarias
- Construcao de aplicacao multiplataforma: web (Firebase), desktop (Electron para Mac/Win/Linux) e mobile (Cordova para iOS/Android)
- Concepcao e documentacao de modelo de dados completo cobrindo os ecossistemas Google AdWords, Bing Ads e Facebook Ads
- 3 versoes maiores do backend em menos de um ano, migracao do Angular 4 para o Angular 10
- Documentacao completa do projeto: caderno de encargos, 4 specs funcionais, specs tecnicas, modelo de dados, estudo de mercado
O projeto foi finalmente abandonado por falta de recursos financeiros. O custo de P&D era alto demais para uma startup bootstrapped sem financiamento externo. O produto funcionava, os modelos produziam recomendacoes reais, mas sem tracao comercial o orcamento se esgotou.
- Excelencia tecnica sozinha nao faz um negocio viavel. Um bom produto sem clientes pagantes continua sendo um projeto de P&D.
- O timing importa tanto quanto a execucao. O angulo de IA aplicada a publicidade estava adiantado em 2016 - tornando o projeto visionario mas mais dificil de vender.
- Validar o mercado antes de construir o produto. Tempo demais investido em P&D tecnico e insuficiente em validacao comercial.
- A capacidade de iterar rapido e um ativo duradouro. 3 versoes maiores em menos de um ano - essa disciplina de entrega rapida se tornou um reflexo permanente.
Competencias aplicadas
Competencias tecnicas e humanas aplicadas
Trajetoria relacionada
Experiencia profissional ligada a esta realizacao
Galeria de imagens
Capturas e visuais do projeto