Durante mais de uma década, medir marketing digital foi relativamente simples: cada clique deixava um rasto, cada conversão tinha um dono e bastava olhar para o último clique para saber a quem dar o crédito. Esse mundo está a desaparecer. Entre o fim das third-party cookies, as restrições de tracking no iOS e as regras de privacidade cada vez mais apertadas, as ferramentas que dependiam de seguir o utilizador individual perderam boa parte da visão.
É neste contexto que o Marketing Mix Modeling (MMM) regressou com força. Não é uma técnica nova — vem da econometria aplicada ao retalho e aos bens de grande consumo — mas tornou-se subitamente relevante para empresas que antes viviam confortáveis com a atribuição por cliques. A promessa é simples: perceber quanto é que cada canal contribui para as vendas usando apenas dados agregados, sem precisar de saber nada sobre nenhuma pessoa em concreto.
Este artigo explica o que é o MMM, porque voltou a fazer sentido, como funciona por dentro e o que precisas de ter para começar — sem prometer magia e sem esconder as limitações.
O que é o Marketing Mix Modeling
O MMM é uma técnica estatística que relaciona aquilo que investes em marketing com aquilo que acontece ao negócio. Na prática, constrói-se um modelo — normalmente uma regressão — que tenta explicar uma variável de resultado (vendas, receita, número de encomendas) a partir de várias variáveis de entrada: investimento em cada canal de media, preço, promoções, sazonalidade, e fatores externos como o tempo ou a atividade da concorrência.
Em vez de seguir o percurso de um utilizador, o MMM olha para o todo. Pergunta: "nas semanas em que investimos mais em televisão, as vendas subiram mais do que seria de esperar?" Repete essa pergunta para cada canal, ao longo de meses ou anos de histórico, e separa o efeito de cada um. O resultado é uma estimativa do contributo de cada euro investido — e, com ela, uma base para decidir onde investir a seguir.
Porque é que o MMM voltou a estar na moda
A razão mais óbvia é a privacidade. O MMM trabalha com dados agregados — totais semanais de investimento e de vendas — e nunca precisa de identificar ninguém. Não depende de cookies, de device IDs nem de consentimento individual, por isso é imune às mudanças que estão a desmantelar a atribuição baseada no utilizador.
Há uma segunda razão, menos falada: o MMM vê o que a atribuição digital não vê. Consegue medir o efeito de canais offline (televisão, rádio, outdoors, patrocínios), da notoriedade de marca e até de fatores que não controlas, como a meteorologia ou um feriado. Onde a atribuição por cliques é míope — só conta o que é clicável e rastreável — o MMM dá uma visão de cima, do negócio inteiro.
MMM e atribuição não são a mesma coisa
Vale a pena não confundir. A atribuição multi-touch parte de baixo para cima: segue eventos individuais e distribui o crédito da conversão pelos vários pontos de contacto de cada pessoa. É granular, quase em tempo real, mas cega para tudo o que não é rastreável e cada vez mais limitada pela privacidade.
O MMM faz o contrário: parte de cima para baixo, com dados agregados e uma janela temporal longa. É mais lento (precisa de histórico) e menos granular (não te diz o que fazer amanhã de manhã), mas é robusto à privacidade e abrange tudo, online e offline. Muitas equipas maduras não escolhem entre os dois — usam o MMM para as grandes decisões de alocação e a atribuição para a otimização do dia-a-dia, e cruzam ambos com testes de incrementalidade para validar.
Como funciona por dentro: adstock e saturação
Dois conceitos separam um MMM sério de uma regressão ingénua. O primeiro é o adstock, ou efeito de arrastamento: o impacto de um anúncio não desaparece no dia em que ele passa. Quem vê uma campanha hoje pode comprar daqui a duas semanas. O modelo tem de distribuir o efeito ao longo do tempo, com uma cauda que decai gradualmente.
O segundo é a saturação, ou retornos decrescentes. Os primeiros mil euros num canal costumam render muito; os mil euros seguintes rendem menos; a partir de certo ponto, investir mais quase não move a agulha. Um bom MMM modela esta curva para cada canal — e é precisamente aí que está o valor, porque revela quais os canais que ainda têm espaço para crescer e quais já estão saturados.
Juntando as peças, o modelo separa as vendas em duas partes: a base — aquilo que venderias mesmo sem investir em marketing, por força da marca, da distribuição e do hábito — e o incremental, a parte que o marketing efetivamente gerou. É o incremental que interessa otimizar.
Que dados precisas de reunir
O MMM é exigente em histórico, mas modesto em granularidade. Não precisas de dados pessoais; precisas de séries temporais consistentes, idealmente de dois a três anos, com frequência semanal. O mínimo costuma incluir:
- Investimento por canal e por semana — media pago, mas também custos de canais próprios sempre que possível.
- Variáveis de resultado — vendas, receita ou encomendas, na mesma granularidade temporal.
- Preço e promoções — descontos e campanhas distorcem tudo se ficarem de fora.
- Sazonalidade e calendário — feriados, épocas altas, Black Friday.
- Fatores externos — meteorologia, indicadores económicos, ações relevantes da concorrência, quando disponíveis.
A qualidade destas séries importa mais do que a sofisticação do modelo. Um histórico com buracos, canais mal classificados ou promoções não registadas produz um modelo confiante e errado — o pior dos mundos.
Do modelo à decisão: otimizar o orçamento
Um MMM só vale o esforço se mudar decisões. Depois de estimadas as curvas de resposta de cada canal, o passo seguinte é a otimização: dada uma verba total, como distribuí-la para maximizar o retorno? A matemática é a de igualar o retorno marginal entre canais — tirar do que já está saturado e pôr onde ainda há retorno a crescer.
O output útil não é um número mágico de ROI, mas cenários. "Se mantivermos o orçamento mas o reafetarmos assim, esperamos +8% de receita incremental." "Se cortarmos 15%, é daqui que faz menos mal tirar." São conversas que uma direção de marketing consegue ter com uma direção financeira — e é essa a verdadeira entrega do MMM.
Erros comuns ao construir um MMM
O erro mais frequente é confundir correlação com causalidade. Se investes sempre mais em pesquisa paga no pico de vendas, o modelo pode atribuir a esse canal um mérito que é, na verdade, da sazonalidade. Daí a importância de incluir bem as variáveis de contexto e, sempre que possível, validar com experiências.
Outros erros clássicos: histórico curto demais para o modelo aprender; canais agregados a um nível que esconde diferenças (juntar todo o "digital" num só número); ignorar o adstock e a saturação, tratando tudo como linear; e, talvez o mais perigoso, apresentar as estimativas como certezas. Um MMM devolve intervalos, não verdades absolutas — comunicar a incerteza faz parte de o usar bem.
Mini-caso: reafetar 20% do orçamento numa marca de retalho
Imagina uma empresa de retalho com presença online e em loja, a investir cerca de 1,2 milhões de euros por ano em marketing, repartidos por pesquisa paga, redes sociais, televisão e catálogos em papel. A atribuição digital dava quase todo o crédito à pesquisa paga, e a tentação era cortar a televisão, que "não se via" nos relatórios.
Ao construir um MMM com três anos de histórico semanal, o quadro mudou. A pesquisa paga estava saturada: os últimos euros rendiam pouco. A televisão, invisível para a atribuição, mostrava um adstock longo e um contributo real para a base de vendas online — as pessoas viam o anúncio e depois procuravam a marca diretamente. Com base nisto, a equipa reafetou cerca de 20% do orçamento da pesquisa paga saturada para televisão e para um canal social subinvestido, sem aumentar a verba total. Nos dois trimestres seguintes, a receita incremental estimada subiu perto de 7%, com o mesmo investimento. Não foi magia: foi parar de sobreinvestir onde já não havia retorno.
Ferramentas para começar
Não precisas de comprar uma plataforma cara para experimentar. Existem bibliotecas open-source maduras: o Robyn, da Meta, e o Meridian, da Google (que sucedeu ao LightweightMMM), permitem construir um MMM com uma abordagem semi-automatizada e boa documentação. Exigem conhecimentos de estatística e de programação — tipicamente em R ou Python — mas removem a barreira do custo de licença.
Para uma primeira iteração, o mais sensato é começar pequeno: um mercado, uma linha de produto, dados limpos de dois anos. Um modelo simples que a equipa entende e em que confia vale mais do que um modelo sofisticado que ninguém sabe explicar.
Na prática
O Marketing Mix Modeling não é a bala de prata que substitui tudo o resto, mas é a resposta mais sólida à pergunta que a privacidade tornou difícil: "afinal, o meu marketing está a funcionar, e onde?". Trabalha com dados agregados, respeita a privacidade por construção e vê o negócio inteiro — online, offline e marca.
Se dependes hoje quase só da atribuição por cliques, o próximo passo não é deitá-la fora, mas complementá-la. Reúne dois a três anos de histórico semanal, começa com um modelo simples, valida-o com um teste real sempre que possas, e usa-o para as decisões que mais pesam: onde alocar o orçamento. É aí que o MMM paga o seu trabalho.
