FaceReader: como as reações emocionais se relacionam com a intenção de compra

A pergunta: Por que a emoção é importante e como a avaliamos?
Consultores Noldus: Jason Rogers, PhD e Abbe Macbeth, PhD
Estudo de caso: Abbe Macbeth, PhD

Pesquisadores de mercado, anunciantes e cientistas de consumidores há muito estão conscientes da intensa relação entre emoção e comportamento do consumidor, e a interação entre emoção e propaganda. Os anunciantes fazem uso desse conhecimento envolvendo nossas emoções: eles utilizam imagens e videos com animais fofos e bebês, nos fazem lembrar de quando éramos crianças, nos condicionam a reagir a certos jingles, etc; Todas essas práticas são projetadas para criar um vínculo emocional entre o consumidor e o produto.

Como os pesquisadores de consumo, tentando aproveitar as emoções dos consumidores, realmente avaliam a emotividade? Com os avanços tecnológicos dos últimos cinquenta anos, os pesquisadores podem ir além do autorrelato e fazer mais do que simplesmente perguntar ao consumidor: “Diga-me como esse anúncio faz você se sentir”. Em vez disso, os pesquisadores começaram a utilizar métodos como testes implícitos de tempo de reação e neuromarketing . Esses métodos chegam a motivadores inconscientes da tomada de decisões, mas não observam o único lugar em que as emoções são exibidas: a face.

Por que a emoção é importante e como a avaliamos?

Nos últimos quinze anos, a tecnologia chegou ao mercado que classifica automaticamente as expressões faciais. A Noldus fornece aos nossos clientes o FaceReader ™ , uma plataforma de software avançada que fornece avaliação automática e objetiva da emoção facial. Baseado nas emoções “básicas” originais estabelecidas por Paul Ekman, o FaceReader determina automaticamente a presença e a intensidade da Felicidade, Tristeza, Raiva, Surpresa, Medo e Nojo, bem como a face neutra. O FaceReader foi validado com ajuda de codificadores humanos, com grau de concordância variando em 70% (Nojo) a 99% (Felicidade). Embora grande parte do trabalho anterior usando o FaceReader tenha se concentrado em psicologia, ou pesquisa em ciência de alimentos, trabalhos recentes demonstraram a utilidade do FaceReader no campo de pesquisa do consumidor. Especificamente, a expressão de Felicidade previu a eficácia de um anúncio: foram encontradas correlações positivas entre Felicidade e as atitudes dos respondentes em relação ao anúncio (AAD) e atitude em relação à marca (AB) para anúncios com alto e médio nível de diversão, mas não baixa.

Saiba quais são as empresas que fazem o uso de tecnologia para vender mais

Uma desvantagem de usar o software tradicional FaceReader para pesquisas com consumidores é que o software deve ser hospedado em um computador local, com os entrevistados presentes no laboratório para analisar suas emoções faciais. Para resolver isso, a Noldus lançou recentemente o FaceReader Online , que oferece ao pesquisador um portal de fácil acesso e fácil de usar, construído em torno da comprovada e confiável tecnologia FaceReader. Ao capturar os entrevistados em suas próprias casas, o FaceReader Online oferece aos pesquisadores a opção de reunir respondentes de todo o mundo.

Uma métrica conhecida de comportamento do consumidor é a intenção de compra (IP), que há tempos é invocada por pesquisadores do consumidor como uma estimativa do comportamento real de compra ¹² . Aqui perguntamos: como a saída do FaceReader se compara ao PI? É tão bom de um preditor quanto PI? As avaliações da emoção facial podem substituir a PI como uma medida do desejo de compra? No presente estudo, o FaceReader Online foi usado para capturar dados de entrevistados dos Estados Unidos, enquanto eles assistiam a uma variedade de anúncios. Posteriormente, uma medida PI foi tomada e correlacionada à expressão de Felicidade, uma vez que se hipotetizava que a) Felicidade poderia prever e correlacionar com PI, eb) os anúncios que tiveram melhor desempenho também teriam maior IP e maiores expressões de Felicidade.

A Jornada: Usando o FaceReader Online

Respondentes

Os entrevistados foram recrutados através do Survey Monkey. 22% dos convidados responderam, com 113 pessoas no total completando o estudo. Os entrevistados variaram de 21 a 65 anos e foram divididos em gênero. Os únicos critérios de exclusão incluídos eram a exigência de que nenhum entrevistado usasse óculos e que todos tivessem uma webcam presa a seus computadores ou inserida nela.

Estímulos

Após alguns breves slides de apresentação solicitando permissão para usar a webcam, verificando a idade e a falta de óculos, os entrevistados receberam um dos oito anúncios. Cada anúncio foi ao ar originalmente em um SuperBowl (evento de futebol americano) de 2009 a 2014 e variou em categoria (bens de consumo, necessidades domésticas, alimentos e bebidas), bem como desempenho de mercado conhecido ^.. Cada participante viu um anúncio, com um final n = 13-15 para cada vídeo. Os anúncios foram apresentados aleatoriamente aos entrevistados por meio do FaceReader Online, randomizados por idade e sexo. Não foram gravado vídeos dos entrevistas; O FaceReader Online usou as webcams dos entrevistados apenas para coletar dados de expressões faciais e analisá-los on-line. Imediatamente depois de jogar o anúncio, uma medida de intenção de compra (IP) foi tomada. Uma pequena pesquisa apareceu perguntando aos entrevistados se, com base no anúncio visto, eles estariam propensos a comprar esse produto dentro do mês. Utilizou-se a escala tradicional Likert de 5 pontos ¹⁴ .

FaceReader & FaceReader tecnologia on-line

O FaceReader funciona em 3 etapas simples, tanto na versão original ¹⁵ quanto nas versões subsequentes ¹⁶ . O software detecta o rosto e cria um modelo preciso da face com base no método Active Appearance ¹⁷ . O modelo descreve mais de 500 pontos-chave no rosto, e a textura facial é determinada pela forma como esses pontos interagem entre si. A classificação real ocorre comparando a expressão facial atual do respondente com uma rede neural artificial ¹⁸ que é treinada com um banco de dados de mais de 10.000 imagens anotadas manualmente. Para cada quadro, o FaceReader fornece um valor  de 0 (não presente de todo) a 1 (presente máximo) para todas as 7 emoções (Feliz, Triste, Raiva, Surpresa, Medo, Nojo e Neutra).

O FaceReader Online usa a tecnologia FaceReader, mas os dados são analisados ​​usando a plataforma de nuvem Microsoft Windows Azure em vez de serem executados em um computador local. A análise é então realizada na nuvem usando o mesmo modelo e classificação descritos acima.

Análise de dados

Todos os dados foram exportados do FaceReader e analisados ​​no SPSS (Versão 22, IBM, Armonk, NY) e Microsoft Excel (Microsoft, Redmond, WA) usando o plug-in Data Analysis.

Os resultados

O FaceReader Online é uma plataforma robusta

Apesar das potenciais diferenças em iluminação, câmeras da web e colocação de câmeras nas residências dos entrevistados, não houve diferenças significativas no número de quadros analisados ​​nos anúncios (a média por pessoa por anúncio foi de 415 +/- 11). Todos os entrevistados tiveram menos de 11% de frames perdidos durante a análise, e nenhum anúncio teve mais frames perdidos do que qualquer outro anúncio.

 Desempenho do anúncio previsto Intenção de compra

Primeiro, queríamos comparar o PI auto-relatado com o desempenho conhecido de cada anúncio ¹³ , que divide os anúncios em três categorias: anúncios de desempenho alto, médio e baixo. Os anúncios de alto desempenho mostraram PI significativamente maiores em comparação com os anúncios de desempenho Médio e Baixo (Figura 1; p <0,05); no entanto, os anúncios com desempenho médio e baixo não diferiram significativamente entre si.

Figura 1

Figura 1. Os anúncios que tiveram um bom desempenho mostraram uma intenção de compra significativamente maior do que anúncios de média ou baixa performance (* p <0,05).

O desempenho do anúncio previu a quantidade de Felicidade

Com base em trabalhos anteriores ¹¹ , supunha-se que os anúncios de alto desempenho resultariam em expressões Felizes maiores. Assim como vimos com o PI, os anúncios de alto desempenho mostraram resultados significativamente maiores do Felicidade em comparação com os anúncios de desempenho Médio e Baixo (Figura 2; p <0,001); Os anúncios com desempenho médio e baixo não diferiram significativamente entre si.

Figura 2

Figura 2: os anúncios com bom desempenho exibiram expressões felizes significativamente maiores do que os anúncios com desempenho Médio ou Baixo (*** p <0,001).

“Feliz” correlacionado com a intenção de compra

Usando uma análise de regressão múltipla, determinamos que Felicidade, diferentemente de qualquer outra emoção, previu significativamente PI (β = 0,58, p <0,001; dados não mostrados). Além disso, conforme mostrado na Figura 3, a Felicidade e o Purchase Intent (Intenção de Compra) estão correlacionados da mesma forma com os anúncios de desempenho Alto, Médio e Baixo.

Figura 3

Figura 3: desempenho do anúncio como uma função de expressão feliz e intenção de compra.

Juntos, esses dados demonstram que a expressão Felicidade é um preditor válido de PI e que o desempenho de um anúncio pode ser definido pela quantidade de Felicidade expressa durante a exibição.

Desempenho de anúncios e emocionalidade geral

Ao analisar a expressão geral da emoção, descobrimos que os anúncios com desempenho Alto e Baixo resultaram em emoções semelhantes: pouco mais de 30% do tempo de visualização para os dois tipos de anúncios (Figura 4). Por outro lado, os anúncios de desempenho médio provocaram emotividade muito menor durante a exibição – a expressão de emoção caiu para aproximadamente 20% do tempo de exibição dos anúncios de desempenho médio (Figura 4).

Figura 4

Figura 4: Expressão emocional geral em função do desempenho do anúncio.

Apesar de provocar níveis globais semelhantes de emoção durante a visualização, os tipos de emoções provocados por anúncios de alto e baixo desempenho diferiram. Os espectadores de anúncios de alto desempenho se registraram mais satisfeitos, enquanto os espectadores de anúncios de baixo desempenho exibiram mais emoções tristes e raivosas. Embora não sejam significativos, os dados mostrados na Figura 4 são convincentes nos tipos de emoções que esses anúncios provocam dos espectadores.

Os insights

Semelhante ao que foi encontrado anteriormente por Lewinski e cols.11, o FaceReader Online foi capaz de prever com precisão o PI. Conforme antecipado, os espectadores de anúncios de alto desempenho exibiam os níveis mais altos de PI (Figura 1) e Felicidade (Figura 2). Durante os 8 anúncios apresentados, independentemente do desempenho dos anúncios, Felicidade foi a única emoção medida que poderia prever PI, com base em uma análise de regressão linear.

Deve-se notar que, embora Felicidade tenha sido um preditor significativo de PI, não é o único fator a determinar o desempenho de um anúncio. Por exemplo, nem todo anúncio é feito para ser bem-humorado; muitos devem ser levados a sério e, portanto, não evocariam uma resposta de “feliz”.

Além disso, não sabemos como a exposição do anúncio e a saturação do mercado poderiam ter influenciado os resultados desse experimento. A exposição excessiva a um anúncio pode diminuir a eficácia do anúncio ao longo do tempo, o que pode influenciar as emoções expressas durante a visualização. Finalmente, o efeito halo, em que a impressão geral do consumidor de uma marca / mercado pode influenciar seus pensamentos e sentimentos em relação a essa marca pode resultar em um efeito incomensurável sobre a eficácia de qualquer anúncio.

Além de confirmar a utilidade do FaceReader na previsão de PI, este estudo também determinou que o FaceReader online é uma ferramenta valiosa para avaliar a eficácia da propaganda. Mesmo com as restrições técnicas de usar uma plataforma online, os dados mostram claramente que o FaceReader é uma ferramenta que está bem posicionada no mercado como uma medida automatizada e não intrusiva de envolvimento com um anúncio. Além disso, os dados obtidos do software podem ser usados ​​para prever com precisão o PI pelo espectador. Tanto a quantidade geral de emoções exibidas, como o tipo de emoção detectada pelo software, podem ser usados ​​pelo pesquisador para prever a eficácia do anúncio. Com essa ferramenta, a Noldus forneceu aos consumidores uma tecnologia que rivaliza com medidas mais antigas, como a PI, na previsão da eficácia da propaganda.

Artigo original: https://www.noldusconsulting.com

Referências