Marketing Mix Modeling: visão geral

Por que MMM voltou ao centro da discussão de mensuração

Modelagem de mix de marketing não é técnica nova — surgiu nos anos 1960 nas empresas de bens de consumo, onde a maior parte do investimento ia para mídia tradicional (televisão, rádio, jornal, revista) sem mensuração granular do usuário. Por décadas foi o padrão de medição de marketing em empresas grandes. Quando o digital cresceu, atribuição no nível do usuário (multi-touch attribution, MTA) prometeu medição mais granular e tempo-real, e MMM foi deslocado para segundo plano em muitos times.

Três mudanças trouxeram MMM de volta ao centro: o iOS App Tracking Transparency limitou rastreamento entre aplicativos; os navegadores Safari e Firefox bloquearam cookies de terceiros; o Privacy Sandbox do Chrome avança no mesmo sentido. O resultado prático é que atribuição user-level ficou parcial e ruidosa — janelas de conversão encurtaram, deduplicação entre plataformas piorou, contribuição de canais offline e de marca nunca foi capturada com qualidade. MMM, que opera em dado agregado, não depende dessa identificação e segue funcionando.

O segundo motivo da retomada é a oferta de ferramentas abertas. Meta publicou o Robyn em 2021, Google publicou o LightweightMMM. As duas ferramentas tornam viável conduzir MMM com custo de software zero, restando o custo de talento (cientista de dados, analista de mensuração) e tempo. Antes, MMM era território exclusivo de fornecedores premium com projetos de seis dígitos. Agora, empresa média com analista interno consegue executar.

Como o método funciona em termos práticos

MMM ajusta um modelo de regressão sobre dados agregados que descreve a métrica de resultado em função das variáveis do mix.

Dados de entrada. Tipicamente 2 a 4 anos de dado semanal contendo: investimento (R$) por canal de mídia, métricas de desempenho complementares (impressões, alcance) por canal, preço médio, promoção (se aplicável), distribuição (se aplicável), variáveis externas (sazonalidade, feriado, índice macroeconômico, campanha do concorrente quando rastreável).

Termos de saturação. Cada canal não rende linearmente — investir o dobro raramente entrega o dobro de receita. A curva de saturação (Hill, Adbudg, ou outras formas funcionais) captura retorno decrescente. Permite identificar ponto a partir do qual investir mais não rende.

Termos de adstock. Efeito de mídia não acontece só na semana de exposição — distribui-se ao longo do tempo (transferência de carregamento). O parâmetro de adstock captura essa decaída exponencial. Mídia de marca tem adstock longo (semanas), mídia de captura tem adstock curto (dias).

Validação. Modelo é validado fora da amostra de treinamento: ajusta nos primeiros 80% do tempo, testa nos 20% finais. Diferença entre previsão e realidade indica robustez. Métricas usuais: erro médio absoluto percentual (MAPE) e R quadrado fora da amostra. Modelo com MAPE acima de 15% costuma ser sinal de problema.

Saídas. Contribuição incremental por canal (quanto da receita do período veio de cada canal além do que seria orgânico), retorno sobre investimento em mídia por canal, pontos de saturação por canal, curvas de resposta que permitem simular alocações alternativas.

Quando MMM faz sentido (e quando não faz)

Faz sentido quando: investimento agregado em mídia é relevante (a partir de R$ 100.000 a R$ 200.000 por mês), o mix é multi-canal (3 ou mais canais com peso material), existe ao menos 2 anos de dado semanal completo, a empresa tem analista de dados ou consultoria capacitada, e a decisão a apoiar é estratégica (alocação anual, entrada em novo canal, dimensionamento de orçamento por linha de produto).

Não faz sentido quando: investimento é pequeno (sob R$ 50.000 por mês, esforço analítico não rende); histórico curto (menos de 18 meses); operação com um único canal dominante (modelo não tem variação para estimar parâmetros); a empresa precisa de decisão tática diária ou semanal (MMM dá visão estratégica, não otimização em tempo real); empresa não tem capacidade analítica nem orçamento para contratar.

Para o segmento entre os dois extremos — empresa média sem time interno — fornecedores oferecem MMM "leve" com Robyn ou LightweightMMM por R$ 30.000 a R$ 150.000 por projeto. Modelo viável para começar.

Diferença prática versus atribuição no nível do usuário (MTA)

MMM e atribuição multi-touch (MTA) respondem perguntas distintas e funcionam em camadas diferentes.

MTA rastreia jornada do indivíduo, atribui parcelas da conversão entre pontos de contato observados (cliques, visualizações de anúncio rastreáveis, abertura de email). É granular (cliente por cliente), tempo-real ou quase real, útil para otimização tática (qual criativo, qual público, qual lance). Limitação: depende de identificação do usuário (cookies, identificadores móveis, login), por isso sofreu com restrições recentes. Não captura efeito offline (televisão linear, rádio, mídia exterior), não captura efeito de marca de longo prazo, não captura mercados online.

MMM opera em dado agregado (sem identificar usuário), captura efeito de qualquer canal cujo investimento e desempenho a empresa tenha registro (incluindo offline e mercados), captura adstock e saturação, sobrevive ao cenário de restrição de cookies. Limitação: opera em grão semanal ou mensal (não serve para otimizar lance em tempo real), exige histórico longo, precisa de variação no investimento entre semanas (se o gasto é constante, modelo não consegue estimar).

Decisões táticas (qual criativo, qual público) ficam com MTA quando disponível; decisões estratégicas (quanto investir por canal, qual a alocação ideal entre criação e captura) ficam com MMM. Em empresas maduras, os dois rodam em paralelo e se calibram mutuamente.

Ferramentas open-source: Robyn e LightweightMMM

Robyn (Meta). Biblioteca em R publicada pela Meta em 2021. Usa otimização multi-objetivo (combina ajuste do modelo, distribuição da contribuição e respeito a restrições de negócio) e algoritmo evolutivo para selecionar parâmetros. Saídas: contribuição por canal, curvas de saturação, curvas de adstock, simulador de alocação ótima. Documentação ampla, comunidade ativa, atualização frequente. Curva de aprendizado moderada — exige R e familiaridade com regressão.

LightweightMMM (Google). Biblioteca em Python publicada pelo Google. Abordagem bayesiana, com posterior por canal e intervalos de credibilidade. Mais leve computacionalmente que o Robyn, especialmente bom para empresas com dado mais limitado. Saídas similares: contribuição, saturação, adstock, simulação de alocação. Documentação razoável; comunidade menor que o Robyn, mas crescendo.

Escolha entre os dois depende de stack técnico do time (R versus Python), volume de dado (LightweightMMM se sai melhor com dado mais curto), e preferência por abordagem frequentista (Robyn) ou bayesiana (LightweightMMM). Para empresa começando, ambos resolvem.

Vale notar que ferramenta open-source não substitui talento. Robyn e LightweightMMM facilitam o cálculo, mas o trabalho difícil — definir variáveis, limpar dados, validar premissas, traduzir resultado em decisão — segue sendo humano e exige analista experiente.

Combinando MMM com experimentos: a virada da incrementalidade

MMM estima contribuição estatisticamente. Experimento mede empiricamente. Combinar os dois — usando experimento para calibrar o MMM — é o padrão de mercado mais robusto.

Experimento de geo (geographic holdout). Dividir o país em regiões comparáveis, pausar canal em metade das regiões por período definido (4 a 8 semanas), comparar resultado com regiões de controle. Diferença é a contribuição incremental empírica do canal. Resultado serve para validar contribuição prevista pelo MMM e ajustar parâmetros se houver divergência.

Experimento de mídia paga social. Plataformas como Meta oferecem grupo de controle nativo em campanhas (conversion lift). Compara conversões em quem viu anúncio com grupo aleatório que não viu. Mede incrementalidade direta da campanha.

Pré-teste e pós-teste. Investir mais em canal por período definido e medir efeito agregado. Menos rigoroso (não isola fatores externos), mas dá sinal direcional barato.

O padrão mais sofisticado, chamado Unified Marketing Measurement, combina MMM (estratégia, alocação anual), MTA (tática, otimização contínua) e experimentos (calibração e validação). Cada camada compensa limitação das outras.

Erros comuns que comprometem o projeto de MMM

Histórico curto. Menos de 18 meses não dá variação suficiente para o modelo estimar parâmetros com confiança. Iniciar projeto antes de ter 2 anos de dado costuma render modelo instável.

Sem variável de baseline. Esquecer de incluir variáveis que explicam a parte da receita que aconteceria sem mídia (sazonalidade, dia da semana, feriado, lançamento de produto, distribuição) infla a contribuição atribuída a mídia. Baseline mal especificado gera atribuição mal especificada.

Sem validação fora da amostra. Modelo com R quadrado alto na amostra de treinamento, mas que erra feio fora da amostra, é overfitting — ajustou aos detalhes do passado e não generaliza. Validação fora da amostra é obrigatória.

Variação insuficiente no investimento. Se o investimento em canal é constante semana a semana, o modelo não consegue isolar o efeito desse canal. Algum nível de variação (estacionalidade, campanhas pontuais) é necessário para estimação.

Tratar resultado como verdade absoluta. MMM dá intervalo de confiança, não número exato. Tomar decisão como se a contribuição estimada fosse certa ignora a incerteza inerente. Decisão deve considerar intervalo (faixa razoável) e ser validada empiricamente quando possível.

Esquecer de atualizar o modelo. Modelo construído uma vez e não atualizado fica obsoleto em 6 a 12 meses — comportamento do consumidor muda, mídia muda, mix muda. Refresh trimestral ou semestral é parte do compromisso de adotar MMM.

Confiar só em MMM sem experimento. Validar contribuição estimada com experimento empírico é o que separa MMM bem feito de MMM cosmético. Sem experimento, o modelo nunca é confrontado com a realidade.