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. 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: 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: 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: 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.
3 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.
