Predição de Desempenho de Textos em Campanhas de CRM

Abstract

Este trabalho visa contribuir para a análise e predição do desempenho de campanhas publicitárias digitais com base em suas características textuais. Utilizando dados reais de uma instituição financeira, o estudo concentra-se nos campos título (H1), subtítulo (H2) e CTA (Call to Action) de campanhas no formato de banner veiculadas em canais digitais, buscando compreender quais padrões linguísticos estão associados a melhores taxas de cliques (CTR). A metodologia compreende etapas de extração e limpeza dos dados, aplicação de técnicas de Processamento de Linguagem Natural (PLN) e testes com diferentes algoritmos de aprendizado de máquina. Foram avaliados modelos tradicionais (como classificação binária com TF-IDF), além de abordagens baseadas em representações profundas (BERT) e modelos generativos (LLMs). Os resultados demonstram que modelos simples e interpretáveis, como a vetorização TF-IDF combinada com classificadores lineares, alcançaram desempenho comparável aos modelos mais complexos, apresentando acurácia e F1-score acima de 74%. Como principal contribuição, o trabalho propõe uma abordagem escalável e baseada em dados que pode apoiar equipes de marketing na construção de campanhas mais eficazes, além de oferecer um ponto de partida para futuras soluções automatizadas de geração de conteúdo publicitário.

This study presents a methodology for analyzing and predicting the performance of digital marketing campaigns based on their textual characteristics. Using real-world data from a financial institution, the research focuses on the headlines (H1) and subheadlines (H2) of CRM campaigns, aiming to identify linguistic patterns associated with higher click-through rates (CTR). The proposed methodology involves data extraction, cleaning, and preprocessing, followed by the application of Natural Language Processing (NLP) techniques and machine learning models. The study evaluates both traditional approaches — such as binary classification using TF-IDF vectors — and more advanced methods, including contextual representations (BERT) and large language models (LLMs). Results indicate that interpretable models like TF-IDF combined with linear classifiers performed comparably to more complex alternatives, achieving over 74% accuracy and F1-score. This work contributes a scalable, text-based predictive framework that can support marketing professionals in crafting more effective messages and lays the groundwork for future automated tools in campaign optimization.