O modelo de mídia que as gigantes retomaram não é o que a sua empresa precisa

Com a perda de rastreamento individual, o marketing mix modeling voltou à mesa das grandes anunciantes, e Meta e Google publicaram ferramentas abertas para isso (Robyn e Meridian). O método é legítimo, mas depende de histórico longo e de variação real de investimento entre canais e períodos. Para uma empresa de R$ 60 mil a R$ 500 mil por mês, o caminho com melhor relação entre custo e resposta é o teste de incrementalidade, que responde a pergunta mais importante, "o que muda se eu desligar isso?", sem modelo nenhum.

O problema: a atribuição parou de fechar e apareceu um vendedor

Desde as mudanças de privacidade em navegadores e sistemas operacionais, os números das plataformas deixaram de bater com a receita. Cada canal reivindica a mesma venda, a soma das conversões declaradas passa do total real, e o dono da empresa fica sem saber em que acreditar.

Nesse vácuo apareceu uma oferta nova no mercado brasileiro: modelagem estatística de mix de mídia vendida como a substituta definitiva da atribuição, inclusive para empresas pequenas. A ferramenta é real e séria. O problema é o pré-requisito de dados, que quase nunca é discutido na proposta.

O que a evidência mostra

O método voltou porque o rastreamento caiu

Marketing mix modeling é uma técnica antiga, usada por grandes anunciantes de bens de consumo desde os anos 1980: regressões sobre séries temporais de vendas e investimento, com ajustes para sazonalidade, preço, distribuição e efeito residual de mídia. Ela nunca dependeu de cookie nem de identificador individual, e é exatamente por isso que voltou.

O Meta publicou em 2021 o Robyn, pacote aberto para MMM com otimização automática de hiperparâmetros. O Google publicou o Meridian, também aberto, com abordagem bayesiana e recursos de calibração por experimentos geográficos. Que as duas plataformas que mais perderam com o fim do rastreamento individual sejam as que distribuem ferramentas de modelagem agregada diz bastante sobre para onde a medição está indo.

O que o modelo exige para funcionar

MMM aprende com variação. O modelo só consegue estimar o efeito de um canal se aquele canal teve investimento diferente em momentos diferentes, e se essas variações não aconteceram todas juntas com as dos outros canais. Na prática isso significa histórico de dois a três anos em granularidade semanal, número suficiente de observações em relação ao número de variáveis, e variação deliberada de verba.

Uma operação que investe valores parecidos, nos mesmos dois ou três canais, todos os meses, oferece ao modelo pouca informação. O modelo roda e devolve um resultado, porque é isso que modelo faz, mas com incerteza tão grande que qualquer decisão tirada dali é fé, não medição.

A alternativa com evidência forte: desligar e comparar

Em 2015, Thomas Blake, Chris Nosko e Steven Tadelis publicaram na Econometrica o resultado de experimentos em larga escala no eBay: a empresa suspendeu a compra de anúncios de busca paga em parte dos mercados americanos e comparou a receita com as regiões em que a compra continuou. O efeito incremental dos anúncios de marca foi próximo de nulo, e o retorno estimado dos anúncios não relacionados à marca ficou muito abaixo do que a atribuição de último clique indicava. A diferença entre o que a atribuição mostrava e o que o experimento revelou era de ordem de grandeza.

Esse é o ponto que importa para a nossa realidade: o experimento respondeu à pergunta certa sem modelo nenhum. Ligou, desligou, comparou.

O mecanismo: correlação em série temporal curta é traiçoeira

• Colinearidade. Quando os canais sobem e descem juntos (típico de quem aumenta tudo no mês bom e corta tudo no mês ruim), o modelo não tem como separar o efeito de cada um.
• Poucas observações. Dois anos de dados semanais dão cerca de cem pontos. Com dez variáveis e efeitos de decaimento para estimar, sobra pouca informação por parâmetro.
• Causalidade invertida. Muita empresa aumenta a verba quando as vendas estão indo bem. O modelo lê isso como "mídia causou venda", quando parte da relação é o contrário.
• Experimento não sofre disso. A designação do que fica ligado e do que é desligado é feita por você, o que quebra a relação entre a decisão de investir e o desempenho anterior.

O que eu vejo na prática

Em diagnóstico, o que aparece com frequência não é falta de modelo estatístico, é falta de pergunta bem feita. A empresa tem seis relatórios de plataforma, nenhum bate com o faturamento, ninguém sabe o custo real de aquisição por canal e nunca se desligou nada para descobrir. Colocar um modelo sofisticado em cima dessa base não resolve; ele herda a mesma confusão e devolve com aparência de precisão.

Aplicação prática para uma empresa de R$ 60 mil a R$ 500 mil por mês

1. Faça o teste de desligamento antes de qualquer modelo

Escolha um canal, desligue por duas a quatro semanas e acompanhe receita total e volume de leads diretos, não a métrica do próprio canal. Se possível, desligue só em uma região e compare com outra semelhante. Esse é o teste mais barato de causalidade que existe.

2. Olhe o número que não mente

Receita total dividida pelo investimento total em marketing no mês, acompanhado ao longo de doze meses. Não resolve a atribuição por canal, mas mostra a direção da eficiência da operação inteira, que é o que o sócio precisa saber para decidir.

3. Pergunte a origem para quem chega

Um campo aberto de "como você chegou até a gente?" no formulário e na primeira conversa comercial. Concorda parcialmente com os dados de plataforma, e a divergência entre os dois é informação útil sobre o que está sendo superestimado.

4. Varie de propósito

Se em algum momento você quiser mesmo modelar, comece a gerar a variação de agora em diante: períodos com mais e menos investimento por canal, planejados. Sem isso, nenhum modelo conseguirá ler o seu histórico depois.

5. Guarde MMM para quando fizer sentido

Investimento de mídia acima de sete dígitos por ano, muitos canais simultâneos, incluindo offline, e histórico de dois ou três anos. Antes disso, o dinheiro rende mais em experimento e em qualidade de oferta.

Limitações e contexto

Nada aqui diz que MMM é ruim. Para anunciantes grandes, com mídia offline e muitos canais, é hoje a melhor ferramenta disponível para alocação de verba, e a prática recomendada pelos próprios autores das ferramentas é calibrar o modelo com experimentos, não substituir um pelo outro.

O teste de desligamento também tem limitações reais: efeito residual de mídia faz parte do resultado aparecer depois do período testado, sazonalidade pode contaminar a comparação, e desligar um canal em operação pequena pode custar leads que não voltam. Por isso o teste deve ter período definido, comparação com um período equivalente e, de preferência, separação geográfica.

O resultado do eBay é de uma empresa com marca dominante e altíssimo tráfego direto. Para uma marca desconhecida, anúncio de busca tende a ser mais incremental, justamente porque não há demanda pelo nome. A lição a levar não é "busca paga não funciona", é "o valor incremental de um canal é uma pergunta empírica, e você pode responder na sua própria operação".

Conclusão

O retorno do marketing mix modeling é um bom sinal sobre o rumo da medição: menos dependência de rastrear indivíduos, mais estatística agregada. Só que o método exige histórico e variação que a maior parte das empresas do nosso porte não tem. Enquanto isso, o experimento continua disponível, barato e capaz de responder à única pergunta que decide orçamento: o que muda se eu desligar isso?