Microexpressões

FaceReader: A atração emocional dos anúncios

Anderson Carvalho
Escrito por Anderson Carvalho em 28/09/2018
FaceReader: A atração emocional dos anúncios
JUNTE-SE A MAIS DE 23 MIL PESSOAS.

Entre para a nossa Lista VIP e receba conteúdos exclusivos direto em seu e-mail!

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 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).

FaceReader
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

1Weinberg, P. & Gottwald, W. (1982). Compra impulsiva do consumidor como resultado de emoções. Journal of Business Research, 10, 43-57.

2 Holbrook, MB & Batra, R. (1987). Avaliando o papel das emoções como mediadores das respostas dos consumidores à publicidade.

http: //gemmacalvert.com/everything-you-need-to-know-about-reaplicit-react …

4Sebastian, V. (2014). Neuromarketing e avaliação das respostas cognitivas e emocionais dos consumidores aos estímulos de marketing. Procedia – Social and Behavioral Sciences, 127, 753-757.

5Ekman, P. Friesen, WV (1971). Constantes entre culturas no rosto e emoção. Jornal da Personalidade e Psicologia Social, 17, 124-129.

6 Terzis, V .; Moridis, Ch. N; Economides, AA (2010). Medindo emoções instantâneas durante um teste de auto-avaliação: O uso do FaceReader. Proceedings of Measuring Behaviour 2010, Eindhoven, Holanda, 192-193.

7Chentsova-Dutton, YE & Tsai, JL (2010). Atenção autofocada e reatividade emocional: o papel da cultura. Journal of Personality and Social Psychology, 98, 507-519.

8Ceccarini, F. & Caudek, C. (2013). Efeito de superioridade da raiva: A importância das expressões faciais emocionais dinâmicas. Visual Cognition, 21, 498-540.

9Garcia-Burgos, D. e Zamora, MC (2013). Reações afetivas faciais a alimentos com sabor amargo e índice de massa corporal em adultos. Apetite, 71, 178-186.

10de Wijk, RA, Kooijman, V., Verhoeven, RHG, Holthuysen, NTE e de Graaf, C. (2012). Respostas do sistema nervoso autônomo e expressões faciais à visão, olfato e paladar de alimentos apreciados e não gostados. Food Quality and Preference, 26, 196-203.

11Lewinski, P., Fransen, ML e Tan ESH (2014). Prevendo a eficácia da propaganda por expressões faciais em resposta a estímulos persuasivos divertidos. Journal of Neuroscience, 1, 1-14.

12Fishbein, M. & Ajzen, I. (1975). Crença, Atitude, Intenção e Comportamento. Leitura, MA: Addison-Wesley Publishing Company.

13www.acemetrix.com/spotlights/events

14 Risen, E. & Risen, L. (2008). O Uso de Traduções de Escala de Intenção para Predizer o Interesse de Compra. Retirado de  http: //www.biotrak.com/wp-content/uploads/2011/11/Intent-Scale-White-Pap … .

15den Uyl, MJ e van Kuilenberg, H. (2005). O FaceReader: Reconhecimento de expressões faciais on-line. Proceedings of Measuring Behavior 2005, 5ª Conferência Internacional sobre Métodos e Técnicas em Pesquisa Comportamental, Wagengingen, Holanda, 589-590.

16Van Kuilenberg, H, den Uyl, MJ, Israel, ML e Ivan, P. (2008). Avanços na análise facial e gestual. Proceedings of Measuring Behavior 2008, Maastricht, Holanda, 371-372.

17Cootes, T. & Taylor, C. (2000). Modelos estatísticos de aparência para visão computacional. Relatório técnico, Universidade de Manchester, Unidade de Análise de Imagem Wolfson, Imaging Science e Engenharia Biomédica.

18Bishop, CM (1995). Redes Neurais para Reconhecimento de Padrões. Oxford: Clarendon Press

19 Nisbet, RE & Wilson, TD (1977). O efeito halo: Evidência de alteração inconsciente de julgamentos. Jornal da Personalidade e Psicologia Social, 35, 250-256.

Olá, Sherlock,

o que você achou deste conteúdo? Comente aqui!

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Increase your website's conversion rate with messages like this. Calls to Action.
Oi, você já conhece nosso canal no Telegram?
Get MasterPopups
Entrar no Canal Telegram
Powered by MasterPopups
Já conhece meu canal no Telegram?
Entrar no Canal do Telegram
Your offer is still here!
Seguindo protocolos confiáveis e metodologia científica.
Descubra como detectar mentiras
com até 90,3 de sucesso.
CLIQUE AQUI E SAIBA COMO
Descubra como detectar mentiras
com até 90,3 de sucesso.
Seguindo protocolos confiáveis e metodologia científica.
CLIQUE AQUI E SAIBA COMO