A publicidade digital promove produtos e serviços através da internet e proporciona uma excelente segmentação de clientes, pois pode filtrar clientes por determinado interesse. Entre todas as empresas que vendem espaços publicitários na internet, a que mais se destaca por quantidade de anunciantes e usuários é o Google Ads. A plataforma de anúncios do Google proporciona ao anunciante uma quantidade enorme de configurações para os anúncios. Por exemplo, na rede de pesquisa, o anunciante pode criar vários anúncios para diversas palavras-chave e produtos, pode escolher um lance diferente por palavra-chave, dispositivo, data, dia da semana e hora do dia. Entretanto, otimizar uma campanha com várias configurações possíveis não é algo trivial, pois requer que o agente decisor pense em todas as configurações possíveis e nos riscos induzidos por cada combinação de escolhas. Tradicionalmente, as campanhas são avaliadas por duas métricas: O ROI (Return of Investiment) e a taxa de conversão, essas métricas são calculadas em função de estatísticas descritivas da campanha e por mais eficientes que essa abordagem possa ser, não levam em consideração os fator aleatórios na tomada de decisão. O propósito desta dissertação é criar uma metodologia, que será fundamentada em teoria da decisão, para determinar a configuração ótima para uma campanha no Google Ads utilizando uma perspectiva bayesiana.

Internet advertising is a way to promote products and services through internet. This kind of advertisement provides an excellent approach to segment possible clients, since they can be filtered acording to their interests. Among the various digital advertising platforms, the most used in terms of the number of users is the Google Ads. Traditionally, campaigns are mainly created based on two metrics: the ROI (Return On Investment) and the Conversion Rate. However, as efficient as these methods may be, they do not consider other unknown variables that may influence the choice of the campaign. The purpose of this Dissertation is to create a probability-based methodology for determining optimal settings within the Ads tool using a Bayesian perspective.