IA Tech Paper

Introdução

O Potencial da Inteligência Artificial Estruturada sobre Neurociência

A predição do comportamento do consumidor apresenta desafios técnicos devido à incapacidade dos métodos declarativos de registrar os impulsionadores subconscientes da escolha. Os instrumentos neurocientíficos tradicionais implicam altos custos e prazos de execução que dificultam sua aplicação em grande escala. A Inteligência Artificial resolve essas variáveis operacionais ao fornecer métricas neurocientíficas com a velocidade e a escalabilidade exigidas pelo marketing moderno. A capacidade preditiva de um algoritmo é determinada pela especificidade de seus dados de treinamento. Os modelos estruturados sobre informação genérica carecem da calibração técnica para prever as respostas emocionais e cognitivas precisas dos consumidores reais.

Este documento técnico expõe a arquitetura da Databrain, uma plataforma preditiva desenvolvida para superar as restrições operacionais da pesquisa tradicional e dos modelos algorítmicos generalistas. O ecossistema operacional se fundamenta na integração tecnológica da Neurons Inc., respaldada por uma das bases de dados patenteadas de neurociência do consumidor mais extensas em nível global, curada ao longo de mais de uma década de pesquisa empírica. Esse corpus de dados comportamentais registra os níveis de atenção, processamento cognitivo e resposta emocional diante de estímulos comerciais em formatos digitais, out-of-home e impressos. A precisão desses modelos preditivos deriva desse ativo quantitativo, que processa mais de 100 bilhões de pontos de dados comportamentais provenientes de mais de 100.000 participantes avaliados anualmente.

O presente documento fornece um detalhamento exaustivo da ciência, da tecnologia e dos protocolos de validação que sustentam essa infraestrutura preditiva. São descritos o marco teórico, a arquitetura dos modelos de visão preditiva, a metodologia de cada métrica e o processo de validação estatística em múltiplos níveis. O objetivo central é dotar os estrategistas e analistas de mercado de uma compreensão técnica do sistema, consolidando sua viabilidade como instrumento de auditoria para a eficácia criativa.

ARQUITETURA CIENTÍFICA E COMERCIAL

Motor neuropreditivo adaptado à América Latina

Motor Preditivo Validado em Neurociência Comportamental

Modelagem Preditiva Aplicada à Conversão

Desenvolvimento tecnológico a cargo do Dr. Thomas Z. Ramsøy (PhD em Neurobiologia, CEO da Neurons).

Direção estratégica a cargo de Darío G. Treco (MsC. em Neuromarketing, CEO da Databrain).

• Processamento de dados

  A Databrain audita os dados biométricos brutos fornecidos pela tecnologia subjacente para estruturar diretrizes de otimização publicitária.

• Execução empírica

  A integração dessa inteligência algorítmica permite escalar a avaliação de ativos visuais por meio de protocolos repetíveis e mensuráveis.

• Eficiência de mercado

  Cada alteração compositiva se fundamenta em métricas comprováveis de atenção e carga cognitiva, garantindo a eficiência operacional e a maximização do retorno sobre o investimento em mídia.

• Autoria científica

  Autor de quatro obras de referência na indústria do comportamento.

• Validação institucional

  Modelos desenvolvidos em colaboração com pesquisadores de universidades de prestígio.

• Especialização e liderança acadêmica

  Concepção de programas curriculares e formação técnica em Ciências do Comportamento e Neuromarketing aplicado à eficiência de mercado.

Relevância das respostas implícitas na eficiência publicitária

A Fisiologia da Decisão de Consumo

Limites Estruturais da Pesquisa Declarativa

O processo de tomada de decisão opera por meio de uma integração complexa entre processamento consciente e respostas fisiológicas automáticas. A evidência empírica acumulada ao longo de décadas, respaldada pelo Prêmio Nobel de Economia concedido a Daniel Kahneman em 2002, demonstra que as variáveis subconscientes atuam como preditores fundamentais do comportamento econômico e da escolha comercial.

Uma parcela majoritária da pesquisa de mercado opera com ferramentas de coleta de dados explícitos — pesquisas, entrevistas ou grupos focais —, que documentam a racionalização posterior à exposição ao estímulo. Dado que a decisão de consumo é impulsionada intrinsecamente por processos neurobiológicos subjacentes, a auditoria técnica do desempenho publicitário exige instrumentos capazes de registrar as influências que operam antes da verbalização do sujeito.

Modelagem Preditiva por meio de Métricas Implícitas

As metodologias de medição implícita expõem dimensões do comportamento inacessíveis às métricas declarativas convencionais. O emprego de tecnologias biométricas — como os testes de resposta rápida (FRT), eye-tracking e neuroimagem — permite registrar a reatividade automática e instintiva diante de ativos gráficos, marcas ou produtos. Essas leituras fisiológicas capturam vieses e preferências latentes sem interferências de desejabilidade social. Nesse sentido, a evidência clínica documentada por Knutson et al. valida que a ativação de circuitos neuronais específicos prevê a decisão de compra com maior exatidão do que o próprio autorrelato do consumidor.

A Antecipação como Preditor de Compra

A ativação de circuitos neuronais associados a emoções antecipatórias — por exemplo, o Núcleo Accumbens (NAcc) — precede e condiciona as decisões de compra durante a fase de exposição ao produto e à variável de preço.

A cascata temporal da resposta

1. 50-100 ms

   Atenção — o vetor de orientação

   O limiar primário. Um estímulo que carece de saliência visual precoce fica excluído do processamento neurológico posterior.

2. 300 ms

   Cognição — o vetor de decodificação

   Processo de assimilação semântica. Mede o alinhamento entre a intenção da mensagem e a carga processada pelo espectador.

3. 400 ms

   Emoções — o vetor de motivação

   A reatividade afetiva condiciona a valência e o viés da experiência publicitária.

4. 1000 ms

   Memória — o vetor de retenção

   Codificação do ativo nas estruturas neuronais de longo prazo, para assegurar a recuperação futura e a consolidação do capital de marca.

Protocolos de coleta e processamento de dados

A extração de diretrizes comerciais exige uma infraestrutura de dados inabalável. Os protocolos estatísticos em múltiplas camadas implementados asseguram que cada métrica coletada — tanto em ambientes de laboratório físico quanto por meio de painéis digitais em escala global — seja representativa, confiável e estritamente replicável. Esse rigor metodológico garante que as decisões corporativas sejam respaldadas exclusivamente por evidência empírica.

Amostragem Robusta e Representatividade Demográfica

A validade preditiva de qualquer modelo algorítmico depende diretamente da integridade de sua amostra. São executados métodos de seleção rigorosos para certificar que as variáveis fisiológicas e comportamentais registradas constituam um reflexo exato do segmento-alvo no mercado.

Dimensionamento Científico da Amostra

O padrão operacional estabelece um limiar mínimo de 30 indivíduos por coorte (segmentados por variáveis como faixa etária ou nível de renda) para estudos biométricos presenciais de alta fidelidade, e 100 indivíduos para a execução em painéis digitais. Essa parametrização deriva de cálculos matemáticos de poder estatístico e tamanho do efeito, assegurando o rigor e a replicabilidade das conclusões extraídas.

Representação Demográfica Direcionada

Diante de desenhos experimentais que demandam análises comparativas entre segmentos isolados, a metodologia escala de maneira proporcional. Um estudo que contraste três grupos demográficos distintos exige um volume mínimo de 3 × 30 participantes em laboratório e 3 × 100 em medição online. A estruturação do recrutamento se ajusta às demandas comerciais do cliente, controlando a paridade de gênero e a delimitação estrita das variáveis de segmentação.

Contingência Estrutural (Over-recruiting)

Como mecanismo de mitigação diante de possíveis anomalias nas leituras, exclusões por calibração ou desistências durante a fase de teste, os protocolos incorporam um sobre-recrutamento sistemático de 10%, blindando a validade matemática da amostra final.

Relação entre Tamanho Amostral e Confiabilidade dos Dados

Para certificar a confiabilidade das pontuações nas associações semânticas, o sistema mede a flutuação do erro diante da expansão da amostra. A curva evidencia que, à medida que o volume amostral aumenta, o desvio padrão médio cai drasticamente até se estabilizar. O volume de ≈ 150 participantes marca o limiar técnico em que o modelo atinge uma incerteza residual mínima, garantindo alta confiabilidade na predição comercial.

Auditoria e garantia de qualidade para modelos preditivos

Protocolos de Validação Multicamada

Protocolos Físicos em Laboratório (Eye-Tracking e EEG)

Protocolos para Painéis Digitais em Escala

A infraestrutura de testagem remota integra medidas de controle algorítmico que superam os padrões de coleta convencionais do setor:

A infraestrutura exige um controle de qualidade meticuloso de 7 fases para isolar variáveis de confusão e garantir a pureza absoluta do sinal biométrico coletado:

Filtragem Biológica (Screening): restrição estrita ao consumo prévio de álcool, cafeína ou nicotina pelos sujeitos de teste, para assegurar a captura de respostas cognitivas e fisiológicas inalteradas.

Monitoramento de Desempenho em Tempo Real: auditoria latente dos tempos de reação motora para avaliar o engajamento do usuário. As métricas atípicas (latências de resposta fora da faixa operacional de 0,3 s a 2,5 s no teste FRT) geram alertas do sistema. Se um sujeito ultrapassa 50% de interações em margens inaceitáveis, é desqualificado e seus dados são descartados.

Integridade Técnica e Calibração: execução de diagnósticos de hardware e software antes de cada sessão. O sistema impõe a exclusão automática de participantes que não superem os limiares de precisão (por exemplo, exatidão de fixação ocular inferior a 80% ou falhas de estabilização no sinal de EEG).

Refinamento Metodológico e Mitigação de Vieses: desenho de testes calibrado para neutralizar vieses cognitivos documentados. Para contrapor o "efeito de latência da primeira palavra", o sistema injeta um termo de controle âncora ("Ótimo") no início das sessões, normalizando matematicamente os tempos de reação subsequentes.

Auditoria de Qualidade do Sinal: os registros com captura insuficiente (inferior a 65% dos dados do rastreamento ocular) ou com ruído excessivo (sinais de EEG que excedam 3 desvios padrão em relação à média populacional) são sistematicamente isolados e excluídos do modelo algorítmico.

Condicionamento do Usuário (Respondent Training): execução de tarefas práticas obrigatórias para consolidar a compreensão da interface antes de iniciar a coleta, otimizando a exatidão das métricas finais.

Conformidade Normativa e Anonimização Estrutural

A operação da Databrain com dados biométricos globais por meio da tecnologia subjacente se subordina a regulações de máxima exigência internacional (RGPD da União Europeia e normas éticas da Declaração de Helsinque).

• Desvinculação absoluta entre dados biométricos e variáveis de identificação pessoal, mediante criptografia por log único.

• Execução de contratos de confidencialidade estrita (NDA) para a totalidade do pessoal com acesso aos servidores.

• Destruição criptográfica dos arquivos temporários dos projetos assim que finalizado o ciclo de processamento e entrega.

Modelagem visual e predição de atenção

A Atenção como Variável Crítica de Conversão

A atenção visual opera como o filtro primário e indispensável no processo de tomada de decisão do consumidor. Em ambientes caracterizados pela saturação de estímulos, a capacidade de dirigir o foco a vetores específicos determina a viabilidade comercial da mensagem. A quantificação exata dos padrões de atenção permite otimizar a composição do conteúdo, aumentando a eficácia da veiculação e mitigando o desperdício de capital em elementos gráficos que não chegam a ser decodificados.

O uso de eye-trackers é uma excelente ferramenta para medir a atenção do consumidor.

Nesta publicidade premiada a marca passa despercebida

A Arquitetura de Dados que Alimenta o Modelo

A exatidão do modelo de atenção operado pela Databrain deriva estruturalmente da arquitetura de dados que o alimenta. O algoritmo rejeita o uso de repositórios de saliência genéricos e é calibrado exclusivamente pela base de dados patenteada de neurociência do consumidor da tecnologia subjacente, que consolida as seguintes métricas operacionais: • Mais de um bilhão de pontos de dados de eye-tracking processados. • Auditoria sobre um inventário superior a 8.000 peças publicitárias, com uma taxa de expansão de dados de 20% ao ano. • Parametrização amostral estrita de 30 a 40 participantes por ativo analisado. • Avaliação segmentada em 15 contextos de consumo, abrangendo mídia digital, redes sociais, embalagem, impressos e formatos Out-of-Home (OOH).

Fidelidade da Métrica Fundamental (Ground-Truth Data)

A matriz de dados base (ground-truth) que treina a inteligência artificial é extraída exclusivamente por meio de estudos de eye-tracking de grau laboratorial. A coleta biométrica emprega instrumentação de telemetria ocular de alto nível (sistemas Tobii X2-30, Tobii Pro Nano e Tobii Glasses Pro 2) para assegurar fidelidade absoluta no registro de pontos de fixação, trajetórias do movimento sacádico e tempos de retenção atencional. Esse rigor na coleta da informação bruta, somado a estritos protocolos de avaliação, garante que as projeções visuais entregues alcancem precisão superior a 95% quando contrastadas com testes físicos de rastreamento ocular em laboratório.

Arquitetura do modelo de visão computacional

Modelo de Visão Computacional por Deep Learning

O modelo de atenção é um autoencoder convolucional integral que apresenta uma sofisticada arquitetura de codificador-decodificador. Essa estrutura integra componentes de visão computacional de última geração, como ConvNeXt e ResNet50, para assegurar uma renderização de saída equilibrada e de alta precisão.

Uma decisão metodológica crítica foi treinar o modelo do zero (from scratch) exclusivamente sobre a base de dados patenteada da tecnologia subjacente. Esse ecossistema contém volumes massivos de dados de telemetria ocular (eye-tracking) coletados especificamente sobre o comportamento do consumidor.

Essa abordagem garante que a extração de características do modelo esteja completamente otimizada para prever a atenção comercial, evitando os vieses inerentes aos repositórios de dados públicos genéricos. O processo de treinamento foi rigorosamente auditado, avaliando seu desempenho algorítmico por meio de medidas estatísticas como a Divergência de Kullback-Leibler (KLD) e o Erro Quadrático Médio (MSE), para garantir um nível de precisão preditiva de 95%.

Esquema funcional da arquitetura do modelo preditivo de atenção audiovisual.

Base de Dados Biométrica

A inteligência artificial se estrutura sobre dados de telemetria ocular (eye-tracking) orientados ao consumidor, extraídos de pesquisas biométricas contínuas. Esse corpus constitui um dos repositórios de atenção visual de alta qualidade mais extensos em nível global, reunindo registros de mais de 20.000 participantes de todo o mundo. A amostra inclui indivíduos expostos a diversos estímulos comerciais reais, abrangendo desde o consumo de mídia em redes sociais e televisão até a leitura de veículos gráficos impressos.

Treinamento Algorítmico (Machine Learning)

A partir da coleta física de rastreamento ocular, o sistema gerou mapas de calor empíricos. Sobre esse volume de informação, foram treinadas e avaliadas comparativamente cerca de 200 arquiteturas de machine learning distintas para isolar o modelo de maior desempenho. Para garantir a viabilidade e a pureza estatística, o corpus de dados foi segmentado de forma aleatória em cada iteração de treinamento: destinando uma fração à calibração direta da rede e uma segunda fração estritamente aos testes de validação.

Projeção Atencional de Alta Fidelidade

A validação empírica e os testes exaustivos demonstram que o processamento de um ativo gráfico na plataforma gera um mapa preditivo com precisão superior a 95% em questão de segundos. O resultado produzido pelo algoritmo é estatisticamente equivalente ao mapa de calor que se obteria mediante a coleta física de dados biométricos de aproximadamente 150 sujeitos expostos à mesma peça publicitária durante 5 segundos.

Evolução do mapa de saliência tradicional

Modelagem Preditiva para Formatos Audiovisuais

A predição atencional em conteúdo dinâmico apresenta atritos operacionais específicos. O sistema resolve essa complexidade por meio de um modelo algorítmico especializado em vídeo, cuja arquitetura implementa uma janela flutuante de 2 segundos que processa segmentos temporais sobrepostos para simular a dinâmica visual humana.

Iterações algorítmicas iniciais apresentavam um erro de processamento: previam um deslocamento instantâneo da atenção diante do surgimento de um novo objeto em tela. A fisiologia ocular humana opera com uma latência mecânica inerente; a fixação visual se mantém de forma residual no ponto de interesse anterior durante uma fração de segundo após um corte de cena, antes de executar o movimento sacádico rumo ao novo estímulo. A operação de janela flutuante foi estruturada algoritmicamente para replicar esses retardos neuromotores, dotando o modelo de um realismo comportamental estrito. Essa capacidade emergente é o resultado direto de submeter a rede neural a milhares de horas de registros reais de telemetria ocular fornecidos pela tecnologia subjacente, validando a superioridade do conjunto de dados sobre o desempenho preditivo final.

Análise de Atenção Inicial e Final

Os algoritmos projetam a topografia da fixação visual durante os primeiros e os últimos 2 segundos de uma exposição publicitária padrão de 5 segundos. O processamento de cada janela temporal (abertura e fechamento) é executado por redes de inteligência artificial independentes. Essa segmentação analítica permite auditar empiricamente se os vetores críticos de conversão — como a identidade de marca ou o Call to Action (CTA) — conseguem capturar a atenção de forma instantânea ou se exigem uma exposição prolongada para serem assimilados pelo espectador.

Dispersão Atencional: Métrica de Foco (Focus)

A pontuação de Foco (Focus) é um coeficiente derivado matematicamente do mapa de calor atencional. Fundamentado na pesquisa empírica sobre "dispersão atencional" de Teixeira, Wedel e Pieters, esse indicador mede a distribuição topográfica da atenção visual ao longo da composição da peça.

O algoritmo identifica a concentração visual: um índice de Foco elevado determina que a fixação ocular convergirá em um número reduzido de áreas específicas, indicando alta retenção e clareza na hierarquia. Ao contrário, uma pontuação baixa aponta uma dispersão do olhar pelo conteúdo, evidenciando um desenho que fragmenta a atenção e aumenta o atrito cognitivo.

Detecção e áreas de interesse (AOI)

Delimitação Estratégica (O que são as AOIs?)

Enquanto os padrões de atenção global fornecem um diagnóstico da hierarquia visual, a eficácia publicitária e a conversão dependem estritamente de que a fixação ocular convirja em elementos com relevância comercial direta. A plataforma da Databrain oferece um instrumental de auditoria granular por meio das Áreas de Interesse (AOIs). Elas delimitam regiões espaciais específicas dentro da composição — como logotipos, produtos ou Calls to Action — e agregam a densidade dos dados atencionais sobre esses vetores. Constituem a base matemática para qualquer otimização criativa.

Modelo Preditivo de Detecção Automatizada

Para escalar a operação analítica, a plataforma integra um modelo de detecção de objetos baseado em deep learning, treinado exclusivamente em morfologia publicitária.

Na interface da Databrain, esse fluxo é executado com máxima eficiência: no menu de ferramentas superior, o usuário aciona o comando de autodescoberta. Após uma caixa de confirmação (que permite decidir entre conservar ou descartar as áreas anteriores), a inteligência artificial mapeia a composição visual e classifica os polígonos detectados automaticamente em cinco parâmetros críticos: Branding, Produto, Título (Headline), Corpo de Texto e CTA.

Diferentemente das IAs de propósito geral, esse modelo de especialização compreende a linguagem visual do marketing e a saturação de seus ambientes comerciais, alcançando um desempenho de detecção algorítmica que supera em 40% a precisão do modelo Google Vision.

Exclusão Metodológica de Mapas de Trajeto (Gaze Mapping)

Diferentemente de outras ferramentas comerciais no mercado, a Databrain exclui deliberadamente a entrega de pontuações ou gráficos de mapeamento de trajeto ocular (gaze mapping). Essa restrição obedece a uma decisão metodológica estrita: os mapas de percurso exibem uma variância individual severa demais para gerar projeções preditivas estáveis ou confiáveis. Incorporar esse tipo de métrica significaria comprometer os padrões de exatidão estatística e rigor empírico que sustentam a viabilidade da plataforma.

Quantificação analítica: métricas de atenção (AOI scores)

Da Detecção à Quantificação

A delimitação geométrica das Áreas de Interesse (AOI) constitui apenas a fase de isolamento. A capacidade de auditoria da plataforma reside na extração de telemetria preditiva específica para cada polígono traçado. O algoritmo processa a densidade do mapa de calor e a traduz em variáveis matemáticas estruturadas, eliminando a interpretação subjetiva do design gráfico e substituindo-a por dados de viabilidade comercial.

Matriz de Indicadores Atencionais

A plataforma da Databrain processa e consolida três indicadores fundamentais para auditar a hierarquia visual e a tração de cada elemento publicitário:

Atenção Total (Share of Attention)

Determina a proporção de fixação visual que a área designada captura em relação à totalidade da peça gráfica. Essa métrica quantifica a dominância topográfica do estímulo, estabelecendo sua capacidade real de monopolizar o processamento visual do consumidor diante de elementos concorrentes dentro do mesmo ecossistema de design.

Tempo Investido (Dwell Time / Time Spent)

Mede a duração absoluta da fixação ocular (expressa em segundos) sobre o polígono. Essa variável opera como o determinante crítico da assimilação cognitiva. Permite auditar empiricamente se a latência visual projetada é biologicamente suficiente para que o cérebro decodifique a mensagem operacional (por exemplo, o tempo mínimo de leitura de um título complexo ou o reconhecimento semântico de um produto).

Percentual Visto (Visibility / Seen %)

Estabelece a probabilidade estatística de que o espectador médio fixe a fóvea na região específica durante o ciclo de exposição. Esse indicador preditivo avalia o risco de omissão: determina matematicamente quais elementos passarão despercebidos no fluxo de varredura visual humana, habilitando a correção estrutural dos vetores de conversão antes da alocação de capital em mídia.

Validação: um compromisso com a exatidão científica

Nosso protocolo de validação multicamada

Para garantir o rigor científico, estabelecemos um protocolo de validação exaustivo, em múltiplas camadas, para auditar a precisão dos modelos preditivos frente ao padrão-ouro da telemetria ocular (eye-tracking) de laboratório. Esse ecossistema se apoia em "pilares de verdade" estatísticos, cada um medindo um vetor independente da qualidade preditiva.

Coeficiente de Correlação de Pearson (CC): o "Índice de Sincronização"

O Coeficiente de Correlação de Pearson mede a correlação linear entre duas variáveis (as matrizes de intensidade de pixels do mapa humano real frente ao mapa projetado pela IA). Representa a proporção de sua covariância sobre o produto de seus desvios padrão. Seu valor oscila entre -1 (correlação negativa perfeita) e +1 (correlação positiva perfeita), sendo 0 a ausência de correlação.

Operacionalmente, essa métrica avalia com que exatidão as projeções do algoritmo flutuam em estrita sincronia com os movimentos oculares humanos empíricos. Se os consumidores reais concentram intensamente sua atenção em um logotipo, a IA deve prever uma concentração idêntica sobre esse mesmo vetor. Uma pontuação de 1,0 indicaria sincronização absoluta. O modelo algorítmico alcança uma correlação aproximada de 95% para o tempo total de visualização, evidenciando que sua cadência analítica é virtualmente indistinguível do comportamento humano agregado.

Divergência de Kullback-Leibler (KLD): o "Erro de Alocação"

A Divergência de Kullback-Leibler é uma métrica proveniente da teoria da informação que quantifica a distância matemática entre duas distribuições de probabilidade: a distribuição real (humana) e a distribuição preditiva (IA).

Em termos de eficiência, a atenção do espectador opera como um capital ou orçamento limitado (os 100% de sua atenção). As diferentes regiões da imagem (o logotipo, o rosto, o produto, o fundo) são diferentes ativos financeiros nos quais se pode investir esse orçamento. A distribuição humana (a Verdade) representa a realidade do mercado: os sujeitos reais poderiam investir 60% de seu capital atencional no rosto, 30% no título e 10% no produto. A predição da IA representa a estratégia de um gestor de fundos que antecipa como esse orçamento atencional será alocado.

O KLD é o "erro de alocação". Mede a distância matemática entre a estratégia do gestor algorítmico e a realidade operacional do mercado.

• Se a IA projeta um investimento de 50% no rosto e 40% no título, a "distância" frente à realidade é mínima. A estratégia preditiva é sólida.

• Se a IA projeta uma alocação de 90% no fundo (um ativo pobre) e apenas 10% no rosto, a "distância" é enorme. A estratégia falhou em se alinhar ao mercado.

O mandato técnico exige que a pontuação KLD se mantenha próxima de 0. Um coeficiente baixo certifica que a IA não apenas compreende quais elementos os consumidores observam, mas o volume exato de capital atencional que atribuem a cada ativo em comparação com a realidade empírica.

Medida de Similaridade (SIM): o "Teste de Sobreposição"

A Medida de Similaridade, também conhecida como interseção de histogramas, calcula a soma dos valores mínimos em cada segmento (ou pixel) de dois histogramas (distribuições) normalizados. Trata-se de uma avaliação de precisão geográfica. Se imprimíssemos o mapa de atenção humana empírico em uma transparência azul e o mapa projetado pela IA em uma transparência amarela, a pontuação SIM mediria que percentual da imagem fica verde ao sobrepô-las. Basicamente, quantifica a interseção física dos dois mapas.

Enquanto o índice de sincronização confirma que a intensidade coincide, o teste de sobreposição confirma que a localização é precisa. Ao validar o modelo contra essas três métricas complementares — sincronização, fidelidade de alocação e precisão geográfica — utilizando um conjunto de dados híbrido composto por benchmarks de código aberto e ativos comerciais patenteados, a inteligência artificial da Databrain estabelece uma base empírica sólida. Isso desloca a analítica preditiva de uma "caixa-preta" inescrutável para uma ferramenta de inteligência comercial transparente e verificada.

Uma Abordagem Multidimensional da Validade

Validar um modelo preditivo de IA exige ir além de uma única métrica de precisão. Com base em pesquisas submetidas à revisão por pares (Ramsøy, JAR 2019), a tecnologia da Databrain estabeleceu sua validade em múltiplas dimensões:

• Validade ecológica: as predições refletem o comportamento de visualização no mundo real, e não apenas em condições isoladas de laboratório.

• Validade de construto: o modelo mede estritamente aquilo que afirma medir.

• Validade externa: os resultados se generalizam a diferentes contextos, formatos publicitários e audiências.

• Validade interna: a lógica algorítmica e a estrutura matemática do modelo são sólidas.

Além da validade, foram avaliadas a sensibilidade e a especificidade para confirmar que o modelo detecta o sinal atencional com precisão e evita falsos positivos. A confiabilidade foi estabelecida por métodos de simulação de Monte Carlo, que também fundamentam os tamanhos de amostra recomendados e confirmam alta consistência entre diferentes grupos.

Além disso, foram executadas análises de agrupamento (clustering) — incluindo o Alfa de Cronbach e a Análise de Componentes Principais (PCA) — para identificar conjuntos de métricas altamente inter-relacionadas (por exemplo, em comportamentos de compra, experimentação e recomendação), assegurando que as pontuações sejam significativamente distintas em vez de redundantes.

Por fim, as métricas foram calibradas continuamente com clientes ao longo dos anos, fundamentando-as na utilidade comercial real e na eficiência de mercado, e não apenas no desempenho estatístico.

Modelo de Atenção para Imagens

A comparação do modelo de imagens é feita frente ao MIT/Tuebingen Saliency Benchmark. Isso demonstra o desempenho da predição de atenção visual em imagens da Databrain frente aos líderes na projeção de mapas de saliência, baseados no conjunto de dados de código aberto do MIT. É importante destacar que o modelo de IA da Databrain é especializado em materiais publicitários, razão pela qual alcança pontuações de precisão superiores ao benchmark do MIT, que inclui imagens naturais.

A tabela de posições (leaderboard) pode ser consultada no site do benchmark.

Modelo de Atenção para Vídeo

A comparação do modelo de vídeo é feita frente à tabela de posições (leaderboard) de predição de saliência em vídeo. Isso demonstra o desempenho da predição de atenção audiovisual da Databrain frente aos líderes na projeção de mapas de saliência, baseados em diferentes conjuntos de dados de código aberto. Como no caso das imagens, a especialização do modelo em materiais publicitários explica que alcance pontuações superiores às dos modelos treinados sobre conteúdo natural genérico.

Modelo de Atenção Mista (Beta)

O novo modelo de atenção para anúncios de mídia mista encontra-se em fase beta. Atualmente não existem modelos de pesquisa de predição de saliência especializados em estímulos de mídia mista. O coeficiente KLD não foi calculado devido ao tamanho limitado do conjunto de dados de teste para esse modelo. A tecnologia da Databrain continuará reunindo maiores volumes de dados de testagem no próximo período.

Em CC e SIM, um valor mais alto indica maior coincidência com a telemetria ocular real. Em KLD ocorre o contrário: mede a distância entre a distribuição humana e a prevista e, portanto, um valor mais baixo é melhor.

Predição de emoções e quantificação do inconsciente

Emoções vs. Sentimentos

Embora os termos "emoções" e "sentimentos" sejam usados com frequência de maneira intercambiável, é fundamental compreender a distinção entre eles.

As emoções são reações automáticas e inconscientes no cérebro e no corpo, desencadeadas automaticamente por fatores internos ou externos. As respostas emocionais aos estímulos surgem em menos de meio segundo, razão pela qual são frequentemente descritas como uma reação visceral.

Os sentimentos, por sua vez, são as experiências conscientes dessas reações emocionais. Só surgem quando as respostas emocionais inconscientes são levadas à consciência. Portanto, os sentimentos nunca podem surgir sem reações emocionais prévias. As métricas da Databrain se concentram nas emoções, que são preditores mais fortes das decisões e do comportamento real, tanto em nível individual quanto em nível de mercado.

Em Profundidade: a Metodologia do Teste de Resposta Rápida (FRT)

O motor científico por trás da pontuação de Engajamento (Engagement) é um Teste de Resposta Rápida (FRT, na sigla em inglês) patenteado. O FRT é um tipo de teste de associação implícita fundamentado em décadas de pesquisa em psicologia cognitiva, que demonstra que o tempo levado para emitir um julgamento é um indicador confiável da força da associação mental subjacente.

Em um estudo FRT típico, o participante é exposto brevemente a um ativo criativo. Imediatamente após a exposição, apresenta-se a ele uma série de palavras ou frases atributivas (por exemplo, "Atraente", "Confiável", "Inovador"). Sua tarefa consiste em responder "Sim" ou "Não" da maneira mais rápida e precisa possível, para indicar se a palavra descreve sua percepção sobre o ativo.

O princípio fundamental é que uma resposta "Sim" mais rápida diante de um atributo positivo indica uma associação positiva mais forte, automática e profundamente enraizada. Ao contrário, uma resposta mais lenta ou um "Não" sugere uma associação mais fraca ou inexistente.

Cálculo do FRT

A metodologia combina três elementos-chave: uma série de perguntas binárias (sim/não) sobre um ativo; o Tempo de Resposta (TR), uma medida precisa da latência de resposta registrada em milissegundos e usada como indicador (proxy) de certeza; e o Consenso de Grupo, calculado como indicador (proxy) dos efeitos no mercado.

O que é o Tempo de Resposta (TR)?

O Tempo de Resposta (TR), também conhecido como tempo de reação ou latência de resposta, refere-se ao tempo que as respostas comportamentais levam para se produzir durante uma tarefa específica (Donders, 1969; Luce, 1991). O TR geralmente se refere ao tempo decorrido entre a apresentação do estímulo externo e a resposta adequada (Posner, 1978). De forma crítica, o TR é afetado por processos emocionais e cognitivos, o que permite utilizá-lo como um índice da emoção inconsciente, da motivação e do processamento cognitivo.

Ponderação de Dados

Ponderamos as respostas de Sim/Não com o tempo de resposta para avaliar não apenas se os participantes dizem sim ou não, mas quão seguros estão de sua resposta. As respostas mais rápidas indicam maior certeza e são ponderadas para cima (up-weighted), enquanto as mais lentas indicam menor certeza e são ponderadas para baixo (down-weighted).

Os estudos demonstraram que a coerência do grupo é extremamente precisa para prever os efeitos no mercado. É por isso que também ponderamos o nível de concordância entre todas as respostas de sim/não.

A ponderação de dados resulta em uma pontuação FRT única, que prevê eficazmente o impacto do anúncio. Por exemplo, se 50% respondem "sim" com alta variância na certeza e 50% respondem "não" com certeza comparável, o "não" tem peso maior.

Cálculo e predição de métricas

O cálculo preciso das métricas baseadas no FRT foi desenhado para ir além da simples concordância e capturar a verdadeira força de uma associação inconsciente. A pontuação final é um cálculo sofisticado que integra três pontos de dados-chave: a resposta binária de "sim" ou "não", o tempo de resposta medido em milissegundos e o consenso em todo o grupo de participantes.

Nesse modelo, os tempos de resposta mais rápidos para as respostas afirmativas ("sim") recebem maior peso, já que isso indica uma associação positiva mais forte e automática.

Ao normalizar esses tempos de resposta individuais e ponderá-los frente ao consenso do grupo, a metodologia produz uma pontuação altamente confiável e matizada, que reflete com precisão a reação visceral coletiva diante de um ativo.

Para construir os modelos preditivos baseados no FRT, a tecnologia da Databrain reúne dados empíricos exaustivos (ground-truth data) provenientes de estudos FRT com mais de 25.000 participantes. Ao treinar modelos avançados de machine learning sobre esse vasto e específico conjunto de dados, a plataforma consegue prever essas respostas implícitas diretamente a partir de um ativo visual, com uma precisão superior a 90% em comparação com os dados reais de resposta humana.

IA Explicável em Ação: Abrindo a Caixa-Preta

Um requisito estrutural da plataforma Databrain é a absoluta auditabilidade e acionabilidade dos dados. Para demonstrar empiricamente por que um ativo recebe uma métrica específica, a plataforma implementa a técnica algorítmica Grad-CAM (Gradient-weighted Class Activation Mapping, ou Mapeamento de Ativação de Classe Ponderado por Gradiente).

O Grad-CAM é um método de visualização analítica que produz um mapa de calor para isolar e destacar as regiões topográficas específicas de uma imagem que foram mais influentes na decisão matemática do modelo preditivo. Essa abordagem de Inteligência Artificial Explicável ("XAI") se aplica com variações metodológicas dependendo do indicador auditado.

Para os modelos fundamentados no FRT, como o Engagement, os mapas de calor Grad-CAM visualizam exatamente quais vetores gráficos impulsionam a resposta implícita projetada. Nesses mapas, as zonas vermelhas delimitam as áreas de alta tração, que contribuem fortemente para uma resposta emocional positiva e automática, enquanto as zonas verdes representam áreas de impacto emocional inferior ou marginal. Essa sistematização metodológica transforma uma pontuação teórica de Engagement em inteligência visual, tangível e estritamente mensurável para o mercado.

O percurso da resposta emocional

1. Estímulo

   Processamento neuronal

   A amígdala e o tálamo processam o estímulo antes de qualquer elaboração consciente.

2. Inconsciente

   Emoções inconscientes

   As respostas corporais são disparadas, sem intervenção da vontade.

3. Consciente

   Emoções conscientes

   A atividade global no córtex, incluído o córtex pré-frontal ventromedial, dá lugar à experiência consciente.

As três métricas emocionais

• Engagement

  Fornece uma medida quantitativa da atratividade emocional de uma peça criativa. Fundamenta-se empiricamente nas respostas do FRT diante de palavras de associação emocional positiva, como atraente, feliz, interessante e cativante.

• Trust

  Quantifica quão crível, sincera e emocionalmente alinhada ao espectador uma peça criativa é percebida. Reflete percepções intuitivas e inconscientes de honestidade e autenticidade, derivadas de reações rápidas a atributos como confiável, honesto e sincero. Introduz um padrão analítico para avaliar a credibilidade da marca, o alinhamento moral e a ressonância emocional: vetores essenciais para construir capital de marca e lealdade de longo prazo.

• Avoidance

  Audita o grau de rejeição emocional, desinteresse ou irritação que os espectadores experimentam diante de um ativo criativo. É a primeira métrica baseada em inteligência artificial desenhada especificamente para quantificar o sentimento negativo a partir de uma perspectiva visceral e inconsciente. Deriva de associações empíricas com conceitos como irritante e entediante, e torna visível o risco operacional de que um anúncio repila, frustre ou fracasse em conectar com sua audiência.

Demanda cognitiva: índice de complexidade visual

O que é uma Resposta Cognitiva?

As respostas cognitivas são os processos mentais desencadeados por estímulos, como os anúncios publicitários. Compreender essas respostas é crucial para o sucesso comercial, pois revelam como os consumidores processam a informação, estruturam o pensamento e, potencialmente, se comportam. As peças criativas devem equilibrar simplicidade e complexidade para evitar tanto a confusão quanto o desinteresse, garantindo que capturem e mantenham a atenção.

Demanda Cognitiva e Carga Cognitiva

A pontuação de Demanda Cognitiva é uma medida quantitativa da complexidade visual e da carga de informação de um ativo. Uma pontuação alta indica que o estímulo é denso, saturado ou difícil de processar, o que pode provocar confusão no espectador, abandono da mensagem e uma codificação deficiente na memória.

O fundamento técnico dessa métrica está enraizado no robusto conceito matemático da "entropia de Shannon", proveniente da teoria da informação (Bundesen, 1999). Nesse contexto, a entropia funciona como um indicador (proxy) da quantidade de informação ou "surpresa" em uma imagem; uma entropia maior corresponde a um sinal visual mais complexo e imprevisível, que exige mais recursos cognitivos para seu processamento. Essa base matemática garante que a pontuação seja objetiva, confiável e reflita consistentemente o esforço cognitivo necessário para analisar uma cena visual.

Gerir a carga cognitiva é essencial para a eficiência publicitária. A carga cognitiva se refere à exigência mental imposta à memória de trabalho, que só consegue processar informação limitada em um dado momento. Sobrecarregar os anúncios com excesso de informação induz uma sobrecarga cognitiva, resultando em perda de atenção, redução da compreensão e percepção negativa da marca.

Aplicação em Vídeo: o Efeito Limiar ("The Doorway Effect")

Como o modelo foi selecionado

Ao avaliar múltiplos modelos de pontuação para a demanda cognitiva, foi selecionado aquele com a maior capacidade preditiva sobre a compreensão e o processamento da informação.

Aplicação ao formato de vídeo

No contexto do vídeo, a pontuação de demanda cognitiva se converte em um instrumento analítico de alto impacto para auditar a narrativa e o ritmo. A plataforma calcula essa métrica quadro a quadro, revelando as flutuações da carga cognitiva ao longo de toda a duração da peça.

Os picos abruptos costumam corresponder a mudanças de cena ou cortes diretos. Esses momentos são críticos porque podem desencadear um fenômeno cognitivo conhecido como "efeito limiar" ou fechamento conceitual: um lapso temporário na memória de trabalho que ocorre ao transitar entre contextos distintos.

Ao identificar matematicamente essas transições de alto risco, a plataforma fornece inteligência acionável para otimizar o ritmo do vídeo, garantindo que a informação crítica — como o surgimento da marca ou uma mensagem-chave — não seja apresentada imediatamente após um corte abrupto, onde a probabilidade de omissão e esquecimento é máxima.

Um mesmo anúncio pode apresentar várias dessas mudanças, marcadas como alterações abruptas da pontuação. Quanto mais rápida a sequência de cortes, maior o risco de fechamento conceitual e de que a informação-chave se perca.

Predição de memória com IA

O que é a Memória?

Memória Declarativa

Memória Não Declarativa

A memória declarativa, também chamada de memória explícita, envolve a lembrança consciente de fatos e eventos, como recordar o que se fez ontem ou o significado da palavra "neurociência". Pode ser medida avaliando quanto e o que as pessoas recordam, por meio de tarefas como a lembrança espontânea e o reconhecimento mediante pistas preestabelecidas.

A memória não declarativa, ou memória implícita, refere-se aos processos de memória inconscientes que influenciam nosso comportamento e nossas habilidades, como andar de bicicleta ou a formação de hábitos. Não pode ser expressa verbalmente, já que é impossível trazê-la conscientemente à atenção. As pesquisas tradicionais são ineficazes para avaliar esse tipo de memória; sua medição exige a observação de padrões automáticos ou de variáveis comportamentais.

O Cérebro Implícito

Como comprovamos a existência das associações implícitas? Além dos achados empíricos que correlacionam as associações implícitas com o comportamento humano, os estudos neurocientíficos demonstraram fisicamente esse efeito.

Por exemplo, recentemente utilizamos imagens de ressonância magnética funcional (fMRI) para demonstrar que as associações de marca desencadeiam de forma inconsciente a rede de memória do cérebro, incluído o hipocampo. No estudo, uma maior atividade no hipocampo ao visualizar mascotes corporativos, como o boneco da Michelin, previu um número maior de associações a essas figuras em uma tarefa posterior.

Ou seja, mesmo quando observamos marcas ou estímulos derivados de maneira passiva, ou enquanto realizamos outra atividade simultânea, nosso cérebro ativa automaticamente a rede de associações que temos consolidada com essas marcas.

Memória do anúncio (Ad memory)

Memória de marca (Brand memory)

A memória do anúncio se refere à capacidade algorítmica de prever se os consumidores vão lembrar e reconhecer os anúncios que viram. É um indicador crucial para auditar a eficácia das campanhas publicitárias, pois determina quão bem um ativo criativo consegue deixar uma impressão residual na mente do mercado.

A memória de marca avalia a capacidade projetada dos consumidores de lembrar e associar um anúncio diretamente à sua marca emissora. Esse processo implica a correta decodificação da assinatura comercial por trás da peça, indicando o nível de eficiência com que o anúncio conseguiu fixar a marca na estrutura cognitiva dos consumidores.

Idealmente, cada anúncio deve ser estruturado para alcançar uma memória top-of-mind (TOM) ou de primeira menção, um estado cognitivo em que os consumidores recuperam imediatamente a marca sem necessidade de pistas externas. Esse nível de lembrança certifica que um ativo comercial possui tração e presença dominante na mente do consumidor.

MEMORY

A pontuação de Memory prevê a lembrança do anúncio (ad recall), fornecendo uma pontuação de probabilidade em uma escala de 0 a 100 que representa a probabilidade empírica de que um grupo de espectadores recorde um ativo comercial após uma exposição breve (menos de 2 segundos) e um período de distração.

Metodologia para prever a memória publicitária

A inteligência artificial de memória da Databrain utiliza uma abordagem baseada em dados derivada da metodologia do "Jogo de Memória Visual" desenvolvido pelo MIT. O paper original, junto a pesquisas posteriores que utilizam essa metodologia, forneceu uma sólida base científica e uma validação inicial para a métrica.

O estudo empírico consiste em expor os participantes a uma sequência rápida de imagens. Os participantes devem indicar o momento exato em que veem uma imagem pela segunda vez. Essa metodologia rigorosa captura tanto o tempo de reação quanto a precisão, integrando assim fatores de engajamento cognitivo à pontuação de Memory. Os conjuntos de dados utilizados para treinar o modelo incluem uma ampla gama de materiais publicitários, abrangendo diversos casos de uso do setor: de formatos impressos e publicidade exterior (OOH) a plataformas digitais como sites e redes sociais.

A Databrain reuniu dados de mais de 7.000 participantes da população geral. Esse conjunto de dados é enriquecido continuamente para garantir que o modelo preditivo capture o comportamento humano mais recente e a constante evolução das tendências no mercado publicitário.

Para os ativos de vídeo, cada quadro (frame) é pontuado individualmente utilizando o modelo de predição de imagens. Esse modelo algorítmico opera sob a restrição estrita de não utilizar dados de vídeo sequenciais nem sinais de áudio.

Para garantir ainda mais a robustez da métrica de Memory, as pontuações projetadas em vídeo foram correlacionadas com dados empíricos brutos (ground-truth data) provenientes de mais de 100 vídeos. Esses vídeos foram auditados em termos de lembrança publicitária por mais de 1.000 participantes, utilizando o Teste de Lembrança de Memória. Essa metodologia se fundamenta em abordagens empíricas altamente confiáveis, usadas para medir as funções da memória, e é adaptada de métodos médicos comprovados, desenvolvidos originalmente para o diagnóstico da doença de Alzheimer.

A pontuação de Memory da IA da Databrain exibe um forte alinhamento matemático com os resultados dos testes humanos, o que sugere que um nível sustentado de engajamento na memória ao longo de um anúncio é um poderoso preditor estatístico da lembrança publicitária e do desempenho cognitivo geral da peça. Esse alinhamento entre a telemetria humana e as projeções algorítmicas demonstra que a pontuação de Memory da Databrain é um indicador (proxy) confiável para auditar a memorabilidade publicitária em conteúdos de vídeo.

Da predição à sugestão: objetivos da IA da Databrain

Objetivos para Guiar a Avaliação

Definir objetivos na plataforma da Databrain é um passo crítico, porque determina como o ativo criativo é avaliado e contra quais dados de referência (benchmarks) ele é comparado. Os objetivos selecionados — Propósito, Indústria e Caso de Uso — garantem que as projeções algorítmicas sejam comparadas com ativos de natureza similar, permitindo extrair inteligência comercial significativa gerada por IA. Essa parametrização também assegura que o Databrain Impact Score seja calculado de maneira algoritmicamente justa e contextualmente precisa.

Parâmetros da Indústria (Industry Benchmarks)

Comparamos os ativos criativos em 5 categorias industriais principais e 12 subcategorias especializadas, dando acesso a inteligência analítica adaptada ao mercado exato de cada peça. Seja em Bens de Consumo (FMCG), Finanças, Indústria Automotiva, Telecomunicações, Turismo ou Saúde, os anúncios não são medidos contra médias genéricas: são contrastados com o conjunto competitivo adequado. Isso se traduz em benchmarks mais precisos, pontuações de impacto de maior relevância e decisões estratégicas fundamentadas empiricamente.

Parâmetros de Casos de Uso (Use Case Benchmarks)

Fornecemos pontos de referência paramétricos para 15 casos de uso distintos, que abrangem Publicidade Digital (incluindo formatos display e plataformas sociais como Facebook, Instagram, TikTok e YouTube), Publicidade Tradicional (mídia impressa, publicidade exterior — OOH, televisão), Ativos de Produto (embalagem) e Sites (ambientes corporativos e de comércio eletrônico), além de uma categoria geral de "Qualquer caso de uso" para comparações transversais. Essa segmentação metodológica assegura que o ativo criativo seja avaliado frente ao contexto exato para o qual foi desenhado — e não frente a uma média estatística genérica —, garantindo os insights comparativos mais precisos e acionáveis do mercado.

• Construção de marca (brand building)

  Foca em aumentar a notoriedade e o reconhecimento da marca no mercado, e não na tração de vendas imediatas. Estrutura uma imagem corporativa sólida por meio de conteúdo narrativo, como infográficos educativos ou vídeos de alto engajamento. Cultiva a familiaridade e a confiança do consumidor e assenta as bases para uma relação comercial sustentável.

• Conversão (conversion)

  Capitaliza o valor de marca construído nos esforços anteriores. São iniciativas estritamente direcionadas, desenhadas para converter a notoriedade em uma ação mensurável: a compra de um produto, a assinatura de uma newsletter ou o seguimento em plataformas sociais. São campanhas diretas, de propósito transacional, que apresentam elementos visuais e textos com senso de urgência para provocar respostas imediatas.

Da predição à sugestão: benchmarks da IA da Databrain

Seleção do Parâmetro de Referência Adequado

Os benchmarks da IA da Databrain são as faixas de desempenho recomendadas para cada métrica-chave avaliada pela plataforma. Eles indicam a pontuação que um ativo criativo otimizado deveria alcançar em métricas como Focus, Engagement e Memory, entre outras, fornecendo uma medida padronizada do setor contra a qual auditar o desempenho projetado da criação. Os benchmarks derivam de um conjunto de dados em crescimento constante, com mais de 12.000 imagens e mais de 10.000 vídeos (e mais de 100.000 Áreas de Interesse distintas), reunido em diversas regiões e em múltiplas indústrias e casos de uso. Esse volume garante que os parâmetros de referência não apenas sejam representativos, mas se refinem continuamente à medida que nova telemetria é incorporada.

O Processo de Cálculo

O processo simplificado é o seguinte:

1. Os ativos são categorizados: as peças criativas são agrupadas por fatores como indústria, caso de uso (por exemplo, social, display, OOH) e elementos visuais como a presença de marca ou a colocação do produto (product placement).

2. As pontuações das métricas são agregadas: as predições algorítmicas para métricas como Focus, Engagement e Memory são consolidadas em todos os ativos dentro da mesma categoria.

3. São criadas as faixas de desempenho: a distribuição total de pontuações é dividida em cinco segmentos de desempenho (de muito baixo a muito alto) para auditar como os ativos se comportam tipicamente.

4. São estabelecidas as faixas de benchmark recomendadas: o segmento de maior desempenho (geralmente os 20% superiores) se converte no parâmetro de referência recomendado que os profissionais de marketing devem estabelecer como objetivo de eficiência ao otimizar criações.

Esses benchmarks são validados continuamente contra dados empíricos de desempenho de campanhas reais e décadas de pesquisa em neuromarketing, garantindo que reflitam matematicamente aquilo que de fato impulsiona os resultados comerciais.

Volume do conjunto de referência

• +12.000 imagens

  Ativos publicitários estáticos analisados.

• +10.000 vídeos

  Peças audiovisuais incorporadas ao conjunto.

• +100.000 AOIs

  Áreas de interesse distintas identificadas e classificadas.

Cobertura geográfica

Tipologia de áreas de interesse

Para imagens são classificados cinco tipos de área: marca (branding), produto, chamada para ação (CTA), título (headline) e corpo de texto (bodytext). Em vídeo, a tipologia se concentra na marca.

Da predição à sugestão: Databrain Impact Score

Um Índice Único de Eficácia

O Databrain Impact Score (DIS) é uma pontuação quantitativa única, de 1 a 10, que projeta quão eficaz é o anúncio antes de seu lançamento no mercado.

Ele destila métricas neurocientíficas-chave (como atenção, Engagement, cognição e Memory) em um único indicador, calibrado parametricamente segundo o objetivo da campanha: branding ou conversão.

Em vez de processar os dados manualmente, obtém-se um coeficiente exato que revela o impacto do anúncio e indica a próxima ação operacional. Tudo respaldado por mais de 20 anos de pesquisa empírica em neurociência.

Uma Pontuação Para Uma Direção Clara

O Databrain Impact Score funciona como o "check pré-voo" do ativo comercial. Uma pontuação de 7,0 ou superior certifica matematicamente que o ativo está otimizado, enquanto um coeficiente baixo representa uma oportunidade estrutural de corrigir a peça criativa antes de executar o orçamento de mídia.

Priorização baseada em objetivos

Cada Databrain Impact Score é construído sobre uma seleção de métricas priorizadas, adaptadas ao objetivo (construção de marca vs. conversão) e ao formato (imagem vs. vídeo) da peça criativa. Essas métricas foram selecionadas porque se alinham de maneira consistente com o sucesso em campanhas do mercado real. Cada variável é incluída porque possui sólido respaldo teórico ou uma correlação empírica demonstrada com KPIs transacionais. As métricas que não demonstraram impacto consistente (por exemplo, a atenção sobre um corpo de texto genérico) foram excluídas do algoritmo, para garantir precisão diagnóstica e relevância comercial.

Metodologia de Cálculo

Para construir esse coeficiente integral, primeiro avaliamos cada elemento priorizado do ativo de maneira individual, para atribuir a cada um seu próprio Impact Score. Cada métrica relevante recebe uma ponderação entre 1 e 10, mapeando com exatidão o desempenho da peça frente às expectativas do benchmark para sua indústria e seu caso de uso específicos.

Esse cálculo é executado contrastando os resultados métricos brutos do ativo com as faixas de benchmark recomendadas. Os ativos que penetram a faixa recomendada recebem uma bonificação de desempenho, enquanto os que ficam abaixo sofrem uma penalização matemática proporcional. Ao ponderar a distância exata em relação à faixa de benchmark ideal, esse sistema de ajuste dinâmico garante uma classificação de alta granularidade, evitando que ativos com trações distintas sejam agrupados nas mesmas categorias genéricas.

Uma vez consolidadas essas pontuações individuais precisas, o Databrain Impact Score geral é calculado pela média linear de todas as pontuações de impacto disponíveis. Se o desenho carece naturalmente de um elemento específico — como um anúncio que não apresenta um produto físico —, a arquitetura do sistema omite essa métrica de forma inteligente. O ativo não é penalizado por essa ausência: o algoritmo faz a média apenas das métricas detectáveis, para fornecer um reflexo analítico justo e confiável dos elementos que efetivamente operam na peça.

Como é calculado

1. 01

   Medir o resultado bruto

   Toma-se o valor bruto do ativo para a métrica auditada (por exemplo, Focus = 55).

2. 02

   Comparar com o benchmark

   Contrasta-se com a faixa específica do objetivo comercial e da categoria.

3. 03

   Situar em um segmento

   Situa-se em uma faixa de classificação: baixa, média ou alta.

4. 04

   Ajustar e converter

   Aplica-se uma bonificação ou penalização conforme a proximidade matemática da faixa ideal, e converte-se para uma pontuação de 1 a 10.

Da predição à sugestão: motor de recomendações

Seleção, Adoção e Aproveitamento de LLMs

O motor de recomendações da IA da Databrain se integra via API com os LLMs mais avançados. A Databrain usa Claude (Anthropic) para analisar imagens e Gemini (Google) para vídeo. Antes de selecioná-los, realizamos uma avaliação cega com 200 profissionais de marketing, gerentes de insights e designers, que avaliaram a utilidade das respostas. Seu feedback validou Claude e Gemini como os melhores modelos para oferecer insights criativos acionáveis.

Ao continuar desenvolvendo as recomendações de IA, buscamos usar sempre os modelos de maior desempenho disponíveis. Isso assegura uma melhoria contínua. Os modelos atuais já suportam múltiplos idiomas e processam áudio.

Nosso Método para Treinar LLMs em Marketing

Fundamentamos o LLM usando as pontuações e os benchmarks da Databrain, para que seus insights sejam contextuais e se alinhem à indústria, ao uso e ao propósito do ativo. Para maior relevância, fornecemos avaliações baseadas em AOIs e informação do brand kit, ajudando o modelo a entender logotipos, produtos e mensagens-chave.

O LLM analisa o ativo junto ao mapa de calor projetado, aos benchmarks e ao contexto de marca para gerar resumos e recomendações adaptados ao cenário de marketing. Em breve, o modelo também incorporará tópicos estruturados de insights, melhorando a organização e a interpretação dessas sugestões.

Uso de LLMs para Insights e Análise Temática

A página de Insights transforma as predições da Databrain em feedback criativo claro. Em vez de apenas mostrar pontuações e mapas de calor, os LLMs explicam o que acontece no desenho e por que isso importa. O modelo cruza o ativo com dados de atenção, benchmarks e elementos visuais. Depois, organiza essa análise em tópicos estruturados: visibilidade de marca, pontos focais, hierarquia visual e clareza da mensagem.

Cada tópico destaca o que funciona bem, o que deve melhorar, e oferece recomendações práticas para que os profissionais otimizem sua criação rapidamente.

Explicação do Processamento de Dados do Cliente

O modelo usa o ativo do cliente e o mapa de calor atencional para analisar e gerar os insights recomendados. O cliente mantém todos os direitos sobre seus dados, e a inteligência gerada por IA faz parte deles. Nenhum dado é utilizado para propósitos de treinamento algorítmico.

Do insight à solução visual: IA generativa da Databrain

As recomendações visuais traduzem os insights e as recomendações escritas em novos exemplos visuais concretos: maquetes que mostram como ficariam, na prática, as melhorias propostas para um anúncio.

Fundamentam-se em quatro entradas: a peça criativa original, as pontuações de atenção, engagement, demanda cognitiva e memória, os insights e recomendações diagnosticados, e um fluxo automatizado que traduz essas recomendações em ações concretas de geração e curadoria.

O ciclo fechado

O que distingue esse processo de uma ferramenta generativa de propósito geral é que a saída volta a entrar no modelo preditivo. Não se geram variantes para exibi-las: elas são geradas, medidas novamente pelo mesmo motor que avaliou o original, e só sobrevive o que projeta uma melhoria.

1. 01

   Tradução

   O processo parte das recomendações textuais, fundamentadas nas métricas preditivas. Essas recomendações são convertidas em um formato estruturado que os modelos de imagem interpretam de forma consistente.

2. 02

   Geração

   São produzidas múltiplas versões visuais a partir dessas diretrizes. Cada uma é verificada automaticamente para confirmar que reflete uma mudança visível e alinhada à recomendação prevista.

3. 03

   Classificação

   As versões restantes são avaliadas com o motor preditivo. Aplicam-se os objetivos e as áreas de interesse originais e calcula-se um novo Databrain Impact Score. As que não superam os critérios paramétricos são descartadas.

4. 04

   Curadoria

   Do conjunto de versões que de fato demonstram uma melhoria projetada, exibe-se uma seleção com os exemplos mais sólidos e visualmente distintos entre si.

Cada execução produz um conjunto curado de exemplos que encurta a distância entre o diagnóstico e a decisão: o profissional não recebe uma sugestão escrita que precisa interpretar, mas alternativas concretas com seu impacto projetado já calculado.

Referências científicas

• Bagdziunaite, D., Nasan, K., Clement, J. & Ramsøy, T.Z. (2014). An added value of neuroscientific tools to understand consumers in-store behaviour. European Marketing Academy Conference, June 8.

• Bundesen, C. (1999). A new look at functions of attention. Visual Cognition, 6, 89-91.

• Bundesen, C., Habekost, T. & Kyllingsbæk, S. (2005). A neural theory of visual attention: bridging cognition and neurophysiology. Psychological Review, 112(2), 291-328.

• Christensen, M. S., Ramsøy, T. Z., Lund, T. E., Madsen, K. H., & Rowe, J. B. (2006). An fMRI study of the neural correlates of graded visual perception. NeuroImage, 31(4), 1711-25.

• Harel, J., Koch, C., & Perona, P. (2006). Graph-based visual saliency. Proceedings of Neural Information Processing Systems (NIPS).

• Hou, X., Harel, J., & Koch, C. (2011). Image signature: Highlighting sparse salient regions. IEEE Transactions on Pattern Analysis and Machine Intelligence.

• Itti, L. & Koch, C. (2000). A saliency-based search mechanism for overt and covert shifts of visual attention. Vision Research, 40(10-12), 1489-1506.

• Kyllingsbæk, S., Valla, C., Vanrie, J. & Bundesen, C. (2007). Effects of spatial separation between stimuli in whole report from brief visual displays. Perception and Psychophysics, 69(6), 1040-1050.

• Kyllingsbæk, S., Markussen, B. & Bundesen, C. (2012). Testing a poisson counter model for visual identification of briefly presented, mutually confusable single stimuli in pure accuracy tasks. Journal of Experimental Psychology: Human Perception and Performance, 38(3), 628-642.

• Milosavljevic, M., & Cerf, M. (2008). First attention then intention. International Journal of Advertising, 27(3), 381-398.

• Milosavljevic, M., Navalpakkam, V., Koch, C., & Rangel, A. (2012). Relative visual saliency differences induce sizable bias in consumer choice. Journal of Consumer Psychology, 22(1), 67-74.

• Plassmann, H., Ramsøy, T. Z., & Milosavljevic, M. (2012). Branding the brain: A critical review and outlook. Journal of Consumer Psychology, 22(1), 18-36.

• Ramsøy, T. Z. (2015). Introduction to neuromarketing & consumer neuroscience. Neurons Inc Publisher.

• Ramsøy, T. Z. (2019). Building a Foundation for Neuromarketing And Consumer Neuroscience Research. Journal of Advertising Research, 59(3), 281-294.

• Ramsøy, T. Z., Jacobsen, C., Friis-Olivarius, M., Bagdziunaite, D., & Skov, M. (2017). Predictive value of body posture and pupil dilation in assessing consumer preference and choice. Journal of Neuroscience, Psychology, and Economics, 10(2-3), 95-110.

• Ramsøy, T. Z., & Overgaard, M. (2004). Introspection and subliminal perception. Phenomenology and the Cognitive Sciences, 3, 1-23.

• Ramsøy, T. Z., & Skov, M. (2014). Brand preference affects the threshold for perceptual awareness. Journal of Consumer Behaviour, 13(1), 1-8.

• Trabulsi, J., Norouzi, K., Suurmets, S., Storm, M., Nieuwenhuis, I., & Ramsøy, T.Z. (2020). Optimal gaze filters for eye-tracking on small screens. Frontiers in Neuroscience.