Sobre

Meu nome é Priya. Cinco anos de dado push, aí saí.

Rodei o time de data science da Mobidea de 2019 a 2024 — atribuição em push, modelagem de fadiga de audiência, score de qualidade de publisher. Escrevo aqui porque as conversas que eu tive com media buyer no privado eram as que a indústria não conseguia ter em público enquanto todo mundo estava na folha de pagamento de alguém. Deixa eu te mostrar os números.

Meu nome é Priya. Cinco anos de dado push, aí saí.
Retrato ilustrado de Priya Anand

Autora

Priya Anand

Independent push-ad consultant (ex-Mobidea data science lead)

Lisboa, Mobidea e um painel que não fechava

Entrei na Mobidea em março de 2019 como analista júnior no time de dashboard do lado afiliado. O negócio de push estava escalando rápido — a Mobidea comprava inventário push de uma dúzia de redes e revendia audiência segmentada para anunciante de performance — e o dado estava uma bagunça. Janela de conversão inconsistente entre fonte. ID de publisher agregado de jeito diferente em cada rede. A stack de atribuição tinha sido construída de forma incremental ao longo de quatro anos e ninguém entendia ela inteira. Passei os primeiros dezoito meses reconstruindo o modelo de latência de conversão do zero, aí fui promovida duas vezes em nove meses quando o modelo reconstruído mostrou $1,4M de receita mal atribuída em um único trimestre.

O que cinco anos dentro da stack push me ensinaram de verdade

Não é o que está nos case studies da Mobidea. Está no gap entre CTR do painel (que qualquer rede mostra em tempo real) e o CR estabilizado em sete dias (que a maioria do anunciante nunca espera para ver). Está na distribuição de qualidade de publisher onde os 8% do topo das sub-source entregam 60% das conversões humanas e os 15–20% do fundo entregam 40–60% dos cliques e convertem perto de zero. A distribuição é bimodal, não normal — e qualquer rede que agrega isso em bucket 'premium / standard' está escondendo o diagnóstico. O deck de marketing chama de 'tráfego premium'. O histograma de qualidade de publisher chama de bimodal.

Por que eu saí em outubro de 2024

Teve uma campanha push de $200K que quebrou na terceira semana porque a curva de fadiga da audiência colapsou em frequency cap 5/dia. O dado era inequívoco (n=12.4M, p menor que 0,01). Me pediram para tirar o gráfico de fadiga do relatório trimestral e atribuir o fracasso à qualidade do criativo. Coloquei o gráfico de volta, o relatório foi sem edição, e eu pedi demissão duas semanas depois. A escrita começou como memorando interno limpo, compartilhado com três ex-colegas. Virou um Notion privado. Hoje é este site. Ainda rodo testes A/B para uma carteira pequena de clientes em Tier-1 e push LATAM. Sou dona de três ambientes Python e me recuso a consolidar.

O que eu faço aqui, no pushadsnetwork.com

Análise de formato push com tamanho de amostra, GEO, vertical e janela de data anexados. Nada de rótulo 'tráfego premium' sem fonte definida. Nada de write-up de teste A/B sem n e p. Nada de matéria 'Top 10' onde toda rede soa igual — eu falo qual ganha em qual métrica. Quando push é o formato errado para a oferta, eu falo. Quando o CTR do painel é celebrado e o CR do dia 7 está escondido, eu mostro os dois. CTR de push é indicador atrasado de nada útil. CR no dia 7 é o número real.

Trajetória profissional

  1. 2019–2024 Lead de data science — atribuição push + fraude Mobidea, Lisboa
  2. 2022–presente Contribuidora — metodologia de teste A/B, atribuição Fóruns e conferências da indústria afiliada
  3. Outubro 2024–presente Consultora independente — campanhas push + testes A/B Push Ads Network + clientes diretos

Como eu avalio uma rede push antes de recomendar

Rede push não é 'boa' ou 'ruim' isolada. Ela é adequada ou inadequada para um vertical, em um GEO, contra uma janela de atribuição definida. Esses são os quatro diagnósticos que eu rodo antes de colocar o orçamento do cliente.

  1. 1. Frescor da base e distribuição de idade do opt-in

    O CR de push colapsa conforme a base de assinantes envelhece. Quero distribuição de idade de opt-in por GEO — a fatia de assinantes com menos de 30 dias, 30–90, 90–180 e 180+. Rede onde 60%+ dos assinantes têm mais de 180 dias está rodando uma curva de decaimento, não audiência viva. CR no dia 7 em coorte 180+ dias roda 0,3–0,5x o coorte sub-30-dias no mesmo GEO e vertical.

  2. 2. Curva de decaimento do CTR do dia 1 ao dia 14

    Assinante push saudável mostra decaimento de CTR de mais ou menos 30–45% do dia 1 ao dia 7, aí estabiliza. Uma rede cujo painel mostra CTR plano ou subindo até o dia 14 é quase certo inventário de bot — atenção humana real tem variância e decaimento. Eu puxo a curva de CTR por dia em 14 dias de qualquer rede antes de comprometer orçamento.

  3. 3. Granularidade de sub-source ID e disclosure de bimodalidade

    Sub_id1 até sub_id5 têm de estar expostos no painel e no postback. Se a rede empurra sub-source para trás de rótulo 'premium' / 'standard', eu presumo que estão escondendo o fundo da distribuição bimodal. O decil de cima entrega 50–65% das conversões humanas; os 15–20% de baixo entregam 40–60% dos cliques e convertem perto de zero. Agregar isso é falha de diagnóstico.

  4. 4. Limiar do smart bidding e fallback para regra

    Smart CPA / smart bidding em push precisa de piso de conversão documentado abaixo do qual o modelo superajusta em ruído. O limiar que procuro é 200 conversões em uma única campanha — o mesmo número que o Google Ads documenta publicamente para Smart Bidding e que generaliza entre plataformas. Rede que inscreve campanha automaticamente em smart bidding desde a primeira impressão está te cobrando a curva de aprendizado do modelo com o orçamento do primeiro mês.

Linha editorial

Tamanho de amostra, GEO, vertical, data — ou não aconteceu

Toda afirmação numérica vem com n, GEO, vertical e janela de data. 'Vimos um lift significativo' não é achado. 'p=0,04, n=18.200, push iGaming Tier-1, Q3 2024' é achado.

Concorrente nomeado, nunca [Rede A]

PropellerAds, Adsterra, RichAds, Adcash, Monetag, AdPushup, Mondiad. O leitor sabe nomear o campo. Eu também.

Distribuição bimodal, não média do painel

A média de CR em campanha push esconde o diagnóstico. O histograma conta a história — geralmente uma cauda longa de sub-source de bot com CR baixo e uma cauda menor de sub-source humano com CR alto.

Anti-hype quando push é o formato errado

Push não funciona para SaaS B2B de consideração lenta, janela de atribuição de 30 dias ou criativo que pede mais de cinco segundos de avaliação. Quando a sua oferta vive lá, eu falo.

Start today

Pergunta específica de teste A/B ou de atribuição? Me manda e-mail.

Trabalho com uma carteira pequena de clientes em campanha push Tier-1 e LATAM. Para consulta independente, me escreve direto.

Privacidade

Suas opções de privacidade

Usamos cookies para operar o site e, com o seu consentimento, para medir o uso e personalizar o conteúdo. Você pode alterar suas opções a qualquer momento.

Acessibilidade

Configurações de acessibilidade

Personalize a aparência e as animações do site. Salvas apenas neste navegador.