O que é Marketing Mix Modeling (MMM)?
Marketing Mix Modeling é uma técnica estatística e econométrica que estima a contribuição de cada canal de marketing — e de fatores externos como preço, distribuição, sazonalidade, concorrência e clima — sobre uma variável de resultado, em geral as vendas. Em vez de olhar cada mídia isoladamente, o MMM constrói um modelo de regressão sobre séries históricas que decompõe o resultado total e atribui uma parcela a cada variável explicativa.
A abordagem não é nova. Ela está bem fundamentada na literatura de market response models, sistematizada por Hanssens, Parsons e Schultz (2001) e revisada por Tellis (2006). O que mudou foi o contexto: com o fim dos cookies de terceiros e as restrições de rastreamento individual, o MMM voltou ao centro do debate justamente por medir efeito agregado sem depender de identificadores pessoais. Ele trabalha com dados de nível macro — totais por semana ou por mercado — e não com o histórico de cada usuário.
Como o MMM funciona por dentro
No coração do método há uma regressão. A variável dependente é o resultado (vendas, receita, pedidos). As variáveis independentes são o investimento por canal mais os fatores de contexto. O modelo separa o que seria vendido de qualquer forma — o baseline — do que foi gerado pelo esforço de marketing — o incremental. O baseline reúne demanda orgânica, força de marca acumulada, distribuição e sazonalidade; o incremental é a parcela atribuída à mídia ativa no período.
Antes de rodar a regressão, o investimento bruto de cada canal precisa ser transformado para refletir como a propaganda age na realidade. Duas transformações são essenciais:
- Adstock: o efeito da mídia não é instantâneo nem desaparece no dia seguinte. Ele decai gradualmente e se acumula quando há exposições repetidas. Por isso o gasto de uma semana é convertido em uma série de "mídia efetiva" que arrasta parte do impacto para as semanas seguintes. Sem isso, o modelo alinha errado o gasto da semana com a venda da semana. Veja adstock (decaimento publicitário).
- Saturação: cada real adicional tende a render menos (retornos decrescentes). A relação entre investimento e resposta não é uma reta, e sim uma curva que achata. Modelar essa curva — com funções como a logística ou a de Hill — é o que permite identificar o ponto em que um canal está exaurido e o dinheiro renderia mais em outro lugar.
O resultado da modelagem são coeficientes de contribuição por canal, curvas de resposta e uma estimativa de ROAS marginal. Com as curvas em mãos, é possível simular cenários: o que aconteceria se cortássemos 20% da TV e realocássemos para busca? Onde está o próximo real mais produtivo? Essa simulação de alocação é o principal entregável estratégico do MMM.
MMM, atribuição e incrementalidade
O MMM é complementar à atribuição de marketing, não um substituto. A atribuição enxerga de baixo para cima, seguindo a jornada individual e os toques digitais até a conversão. O MMM enxerga de cima para baixo, medindo o efeito agregado inclusive de mídias offline que a atribuição não captura, como TV, rádio e out of home. O padrão maduro de mensuração é triangular: MMM para alocação estratégica de orçamento, atribuição para otimização tática no digital e experimentos de incrementalidade para calibrar e validar ambos. Os três se corrigem mutuamente.
A calibração por incrementalidade merece destaque. Como o MMM é observacional, seus coeficientes podem estar enviesados por variáveis omitidas ou por correlação espúria. Um experimento controlado — ligar e desligar mídia em geografias comparáveis — fornece uma estimativa causal que serve de âncora. Quando o lift medido no experimento e o coeficiente do MMM divergem muito, é sinal de que o modelo precisa ser revisto.
Como aplicar na prática
Um projeto de MMM costuma seguir uma sequência clara. Primeiro, reúna a base: idealmente de 2 a 3 anos de dados semanais, com investimento por canal, vendas e os fatores de contexto. Períodos curtos quase nunca dão variação suficiente. Segundo, limpe e alinhe as séries, tratando promoções, rupturas de estoque e eventos atípicos. Terceiro, aplique adstock e saturação a cada canal e estime o modelo, verificando sinais dos coeficientes, significância e ajuste. Quarto, valide fora da amostra: separe um período que o modelo não viu e cheque se ele prevê bem. Quinto, calibre com experimentos. Só então gere as curvas de resposta e as recomendações de alocação.
Exemplos aplicados
- Varejo com mídia mista. Um varejista que investe em TV, busca e social descobre, pela curva de saturação, que a busca já passou do ponto de retornos decrescentes enquanto a TV ainda tem espaço. A recomendação não é "gastar mais em tudo", e sim mover o orçamento marginal da busca saturada para a TV ainda produtiva.
- Marca com forte componente offline. A atribuição digital credita quase toda a conversão à busca de marca. O MMM mostra que boa parte dessas buscas é estimulada por TV e out of home, que a atribuição não vê. Cortar essas mídias offline pareceria seguro pela atribuição, mas derrubaria o baseline ao longo dos meses.
- Decisão de orçamento anual. Com as curvas de resposta, o time simula três cenários de verba e projeta vendas incrementais para cada um, escolhendo o ponto em que o ROAS marginal ainda compensa o custo de capital, em vez de definir o orçamento por inércia histórica.
Limites, armadilhas e quando não confiar
O MMM é correlacional por natureza: ele estima associação entre investimento e vendas, não causa direta. Vários problemas o tornam frágil. Sem variação suficiente no investimento, canais que sempre andam juntos ficam indistinguíveis (colinearidade) e os coeficientes oscilam de forma instável. Variáveis omitidas — uma ação da concorrência, uma mudança de preço não registrada — podem ser absorvidas pelo coeficiente de mídia, inflando ou deprimindo seu efeito. Modelos sem adstock e sem saturação produzem números aparentemente precisos, porém enganosos.
Desconfie de um MMM quando: a série histórica é curta; os coeficientes mudam muito a cada nova rodada; o modelo não foi validado fora da amostra; nunca foi calibrado por experimento; ou quando é apresentado como caixa-preta de IA, sem que se possa inspecionar adstock, saturação e premissas. Um bom MMM é transparente nas escolhas e humilde quanto à incerteza. Ele orienta decisões de alocação, mas não dispensa o teste empírico.