Econometria para Marketers: O que os Modelos Realmente Mostram

Um CMO, um dashboard e uma decisao de 40 milhoes

Em 2019, o diretor de marketing de uma rede varejista britanica recebeu um relatorio de Marketing Mix Modeling. O modelo era tecnicamente solido. R-quadrado de 0,94. Diagnosticos estatisticos impecaveis. A recomendacao: cortar 35% do investimento em TV e redistribuir para search e social.

Ele seguiu a recomendacao.

Em 18 meses, a penetracao da marca caiu 4,2 pontos percentuais. As vendas base, aquelas que acontecem independentemente de qualquer campanha, encolheram trimestre apos trimestre. O proprio search que havia sido turbinado comecou a performar pior, porque menos gente procurava a marca pelo nome.

O modelo estava certo? Tecnicamente, sim. Mas o CMO leu errado. Confundiu ROI de curto prazo com construcao de marca. Tratou correlacao temporal como causalidade. Otimizou a eficiencia do que podia medir e destruiu o que sustentava tudo.

Esse tipo de erro acontece com frequencia suficiente para ter ganhado um nome na literatura. Les Binet e Peter Field, analisando mais de 900 casos do IPA Databank entre 1998 e 2018, documentaram o padrao: campanhas otimizadas exclusivamente para metricas de curto prazo destroem valor de marca a medio prazo. A evidencia esta publicada em The Long and the Short of It e em Effectiveness in Context.

O problema quase nunca esta no modelo. Esta em quem interpreta o output sem entender como o modelo foi construido.

O que um modelo econometrico faz (e o que ele nao faz)

Na essencia, um modelo de Marketing Mix Modeling responde a uma pergunta simples: de tudo que aconteceu neste periodo, quanto de vendas cada fator explicou?

Ele faz isso por decomposicao. Pega suas vendas semanais (ou diarias, dependendo da granularidade) e as desmembra em componentes. Cada componente tem um coeficiente que quantifica sua contribuicao.

Base vs. incremental

A primeira separacao, a mais importante, divide vendas em dois blocos. A base captura tudo que venderia sem nenhum marketing ativo: lealdade de clientes existentes, distribuicao fisica ja estabelecida, sazonalidade do mercado, forca de marca acumulada ao longo dos anos. O incremental isola a contribuicao de cada atividade de marketing especifica, canal por canal.

Para a maioria das marcas maduras, a base responde por 60% a 80% das vendas totais. Dados do ROI Genome da Analytic Partners, compilados a partir de milhares de modelos em dezenas de categorias, indicam que o marketing incremental raramente explica mais de 30% do volume. O restante e marca, distribuicao e contexto de mercado.

O que a maioria dos CMOs ignora: a base erode. Se voce corta investimento em brand building, a base encolhe silenciosamente ao longo de trimestres. O modelo captura essa erosao, mas o gestor precisa saber onde olhar. Quando Binet e Field analisaram campanhas do IPA Databank que priorizaram ativacao sobre construcao de marca por mais de dois anos, a base caiu em media 2 a 4 pontos percentuais por ciclo, segundo os dados apresentados em Effectiveness in Context (2018).

Sazonalidade, tendencia e fatores externos

Antes de atribuir qualquer venda ao marketing, o modelo precisa retirar o efeito de variaveis que voce nao controla. Temperatura. Feriados. Ciclo economico. Acoes de concorrentes. Uma rede de sorvetes vende mais em dezembro por causa da campanha de verao ou por causa do calor? Uma locadora de carros vende mais em julho por causa do anuncio ou por causa das ferias escolares?

Se o modelo nao separa esses efeitos, ele credita ao marketing o que pertence ao calendario. Simon Broadbent, em Accountable Advertising (1997), dedicou capitulos inteiros a esse problema. Broadbent, um dos fundadores da econometria aplicada a publicidade no Reino Unido, demonstrou que modelos sem controles sazonais adequados inflam o ROI de midia em ate 40% em categorias com forte sazonalidade.

Os modelos modernos usam decomposicao de series temporais para separar tendencia (a direcao de longo prazo das vendas), sazonalidade (padroes ciclicos previsiveis) e residuo (tudo que sobra). O marketing entra como variavel explicativa do residuo. So o que o marketing explica alem do que ja era esperado conta como incremento.

Adstock: o tempo e um fator

Voce viu um anuncio de TV na segunda-feira. Na quarta-feira, voce compra o produto. A compra foi gerada pelo anuncio?

A resposta depende de como o modelo trata o tempo entre exposicao e efeito. E ai que entra o conceito de adstock, formulado originalmente por Broadbent nos anos 1970 e refinado ao longo de decadas.

Adstock modela o fato de que publicidade nao funciona como um interruptor. Ela se acumula e depois se dissipa. Um anuncio de TV veiculado nesta semana ainda gera impacto na semana seguinte, na outra, talvez na proxima, com intensidade decrescente. O parametro que controla a velocidade de decaimento se chama taxa de retencao, ou decay rate.

"Advertising does not work like a tap that you turn on and off. It works more like a leaky bucket: you pour in advertising, and the effect slowly drains away." Simon Broadbent, Accountable Advertising (1997)

Cada canal tem um perfil de decaimento diferente. O estudo Profit Ability 2, conduzido por Ebiquity, Gain Theory e Thinkbox (2024), analisou 141 marcas e 1,8 bilhao de libras em investimento de midia. Os dados mostram quatro velocidades de payback:

• Imediato (1 semana): search e paid social respondem mais rapido. O efeito de TV comeca pequeno nessa janela.
• Curto prazo (ate 13 semanas): o ROI medio sobe para 1,87 libra por libra investida, agregando todos os canais.
• Sustentado (14 semanas a 24 meses): TV domina. O efeito acumulado de longo prazo faz o ROI de TV saltar de valores modestos no curto prazo para 5,94 libras por libra investida quando os efeitos sustentados sao incluidos.
• Payback total (0 a 24 meses): o ROI medio, agregando todos os canais, atinge 4,11 libras por libra investida.

A implicacao pratica e direta: se voce mede ROI de TV apenas nas primeiras 4 semanas, vai subestimar o retorno sistematicamente. E se voce mede search apenas no curto prazo, vai superestimar a eficiencia do canal em relacao ao que ele realmente gera de forma independente.

O adstock, portanto, nao e um detalhe tecnico. E o mecanismo que determina se o modelo atribui valor ao canal certo. Uma taxa de retencao calibrada errada muda completamente a alocacao otima de budget.

Saturacao: quando mais dinheiro para de gerar mais resultado

O segundo conceito que separa modelos uteis de modelos perigosos se chama saturacao, ou diminishing returns.

A logica intuitiva: os primeiros 100 mil reais investidos em TV geram muito mais impacto do que os proximos 100 mil. E o terceiro lote de 100 mil gera ainda menos. A curva de resposta nao e linear. Ela sobe rapidamente no inicio e depois achata.

A funcao matematica mais usada para modelar esse comportamento vem da farmacologia. A funcao Hill, originalmente desenvolvida para descrever a relacao entre dose de uma droga e resposta biologica, foi adaptada para marketing por modeladores da Meta (no framework Robyn) e do Google (no Meridian). A analogia e precisa: publicidade e uma dose. O efeito satura.

Cada canal tem uma curva de saturacao diferente. TV tipicamente atinge o ponto de saturacao em niveis mais altos de investimento do que display ou social. O estudo Profit Ability 2 encontrou que TV tem o maior "ponto de saturacao semanal" entre todos os canais analisados, o que significa que ela pode absorver mais investimento antes de comecar a perder eficiencia marginal.

Os frameworks open-source de MMM refletem essa preocupacao. O Robyn da Meta usa Ridge regression com transformacoes de adstock geometrico e funcoes de saturacao Hill. O Meridian do Google adota modelagem bayesiana com dados proprietarios de reach e frequencia. Ambos produzem curvas de resposta por canal que mostram onde cada real adicional comeca a perder eficiencia.

A diferenca entre os dois esta na abordagem estatistica e na integracao de dados. O Robyn e construido em R, usa otimizacao multiobjetivo via Nevergrad (framework de IA da Meta) e permite calibracao com resultados de lift tests. O Meridian roda em Python, usa inferencia bayesiana e se integra nativamente com dados do ecossistema Google (Google Ads, YouTube, Display & Video 360).

Para o marketer, a ferramenta importa menos que o principio: todo canal satura. A pergunta correta nunca e "qual canal tem o melhor ROI?" e sim "qual canal tem mais espaco para investimento adicional antes de saturar?"

O que o modelo mostra quando voce sabe ler

Um modelo econometrico bem construido entrega quatro outputs que todo CMO precisa saber interpretar.

1. A decomposicao de vendas

O grafico de waterfall, aquele que mostra quanto cada fator contribuiu para o total de vendas. Base aqui, TV ali, search la, promocao acolA. Esse grafico responde a pergunta: de cada 100 unidades vendidas, quantas vieram do marketing e quantas teriam acontecido de qualquer forma?

A armadilha: tratar a base como algo imutavel. A base muda. Se voce investe em construcao de marca por anos, a base cresce. Se voce corta brand e so faz performance, a base encolhe. O grafico de waterfall mostra uma fotografia. A tendencia da base ao longo do tempo mostra o filme.

2. As curvas de resposta por canal

Graficos que mostram a relacao entre investimento e retorno para cada canal. A forma da curva revela o grau de saturacao. Curvas ingremes na faixa de investimento atual indicam espaco para crescer. Curvas achatadas indicam que voce ja esta gastando perto do limite do que o canal pode entregar.

Lewis e Rao, no estudo publicado no Quarterly Journal of Economics (2015), analisaram 25 experimentos controlados de publicidade digital. A conclusao: medir o retorno de publicidade com precisao e economicamente desfavoravel. O efeito real de um anuncio sobre as vendas e frequentemente pequeno em relacao a variancia natural das vendas, o que exige amostras enormes para detectar efeitos com significancia estatistica. Isso torna as curvas de resposta estimadas por regressao inerentemente ruidosas, especialmente em canais digitais com efeitos pequenos sobre vendas totais.

3. O payback por horizonte temporal

Quanto cada canal retorna em 1 semana, 13 semanas, 6 meses, 24 meses. Esse output e o que separa a logica de atribuicao de ultimo clique da logica econometrica. Search e social performam bem em janelas curtas. TV e out-of-home precisam de janelas longas para revelar o retorno real.

O Profit Ability 2 documentou isso com clareza: a TV, quando analisada no curto prazo (13 semanas), aparece como menos eficiente que canais digitais. Quando a janela se estende para 24 meses, TV se torna o canal com maior ROI absoluto (5,94 libras por libra investida para TV linear). A janela de medicao muda a conclusao. O modelo mostra os dois cenarios. O CMO precisa saber qual cenario usar para qual tipo de decisao.

4. O cenario de otimizacao

A maioria das plataformas de MMM gera cenarios de realocacao: "se voce mover 15% do budget de TV para online video, as vendas previstas mudam em X%." Esses cenarios sao exercicios de simulacao, nao previsoes garantidas.

O perigo esta em tratar a simulacao como receita. Todo cenario de otimizacao depende da premissa de que as relacoes passadas se manterao no futuro. Se voce muda drasticamente o mix, as curvas de resposta podem mudar. Se voce corta TV por 6 meses, a base pode erodir de formas que o modelo baseado em dados historicos nao antecipa.

Os tres erros que destroem o valor de um modelo

Erro 1: otimizar para ROI sem considerar volume

Um canal pode ter ROI de 8:1 em investimentos baixos e ROI de 2:1 em investimentos altos. O ROI mais alto nao significa que o canal deveria receber todo o budget. Ele significa que o canal e muito eficiente na margem inferior. Mas na margem inferior, ele gera pouco volume absoluto.

Medir construcao de marca exige equilibrar eficiencia (ROI) com escala (volume total de vendas ou lucro gerado). O Profit Ability 2 separa explicitamente Profit ROI (a eficiencia) de Profit Volume (o quanto de lucro total e gerado). TV domina em volume. Canais menores frequentemente dominam em eficiencia. Um CMO que olha so para um numero vai errar a alocacao.

Erro 2: ignorar a janela temporal

Cada modelo tem uma janela de dados. Se o modelo usa 52 semanas de dados, ele so captura efeitos que se manifestam dentro dessa janela. Efeitos de brand building que levam 2 ou 3 anos para se materializar ficam invisiveis. O modelo nao esta errado. Ele esta respondendo a uma pergunta diferente da que o CMO pensa estar fazendo.

Broadbent (1997) ja alertava: modelos com janelas curtas penalizam sistematicamente canais de construcao de marca e favorecem canais de ativacao. A solucao tecnica e usar janelas longas, multiplos ciclos, e calibrar com dados experimentais (lift tests, geo-tests). A solucao gerencial e mais simples: perguntar ao econometrista "o que este modelo nao consegue capturar?" e decidir com esse limite em mente.

Erro 3: confundir o modelo com a realidade

Um modelo e uma simplificacao deliberada. Ele captura padroes observados em dados historicos e extrapola relacoes. Ele nao explica por que a publicidade funciona. Ele mostra que, nos dados observados, gastar X em TV correlacionou com Y de vendas, controlando por Z fatores.

Louise Cook e Mike Holmes, no guia Econometrics Explained editado por Les Binet para o IPA, fazem uma distincao que todo marketer deveria internalizar: um modelo responde "o que aconteceu?" com razoavel precisao. Ele responde "o que vai acontecer?" com incerteza mensuravel. Ele nao responde "por que aconteceu?" de forma confiavel.

"A model is not a crystal ball. It is a structured summary of what we observed, with explicit assumptions about what we did not." Louise Cook & Mike Holmes, Econometrics Explained (IPA)

O renascimento da econometria: Robyn, Meridian e o que mudou

Ate 2020, econometria de marketing era coisa de consultorias caras. Um projeto de MMM custava entre 100 e 500 mil dolares, levava meses e produzia um relatorio estatico que ficava obsoleto antes de ser implementado.

Duas coisas mudaram. Primeiro, Meta e Google lancaram frameworks open-source (Robyn em 2021, Meridian em 2024) que permitem qualquer empresa com dados e um analista competente rodar modelos internamente. Segundo, a morte dos cookies de terceiros e as restricoes de privacidade (ATT da Apple, GDPR) tornaram a atribuicao digital progressivamente cega, ressuscitando o interesse em metodos agregados como MMM.

A Analytic Partners, no relatorio ROI Genome de 2024, registrou aumento de 40% na demanda por projetos de MMM entre seus clientes globais entre 2021 e 2023. O Ebiquity reportou crescimento similar. O mercado redescobriu que, quando voce nao pode rastrear o individuo, precisa modelar o agregado.

O paradoxo: a democratizacao das ferramentas aumentou o numero de modelos sendo construidos, mas nao aumentou proporcionalmente a capacidade de interpreta-los. Mais modelos nao significam melhores decisoes. Significam mais oportunidades de erro se quem le o output nao entende as premissas.

O que perguntar ao econometrista (checklist para CMOs)

Econometria nao e uma caixa preta. E uma caixa de vidro com regras explicitas. Cada parametro tem um significado. Cada premissa tem uma consequencia. O problema real nunca foi a complexidade da matematica. Marketers nao precisam calcular regressoes. Precisam saber o que acontece quando a taxa de adstock muda, quando a curva de saturacao achata, quando a base comeca a erodir.

Os modelos mostram o que os dados revelam. Cabe a quem decide entender o que os dados escondem.

A econometria nao vai tomar sua decisao. Mas vai mostrar, com precisao mensuravel, o custo de decidir sem ela.