Marketing Mix Modeling: O que a Econometria Revela Sobre Como Marketing Realmente Funciona

O CMO que cortou o orçamento certo

Em 2019, uma empresa europeia de e-commerce revisou seus relatórios de atribuição digital. O veredito do Google Analytics era limpo: busca paga gerava 62% das conversões rastreáveis. Mídia programática aparecia com 4%. TV e rádio mal registravam presença. O CMO fez o que qualquer executivo racional faria. Cortou TV em 70%. Reduziu programática em 40%. Triplicou o investimento em search.

Nos primeiros três meses, o custo por aquisição caiu. O dashboard ficou verde. O board celebrou.

No sexto mês, as vendas totais estagnaram. No nono, começaram a cair. No décimo segundo, a marca havia perdido 11% de participação de mercado. O CMO perdeu o emprego. O substituto contratou uma consultoria de econometria.

O modelo de Marketing Mix Modeling revelou o que o dashboard escondia: TV gerava 34% do volume incremental de vendas. A busca paga capturava demanda que TV criava. Cortar TV foi cortar a raiz e esperar que a planta sobrevivesse.

Essa história se repete com variações em centenas de empresas. A razão é estrutural. Os sistemas de atribuição digital foram desenhados para rastrear cliques, e cliques capturam o momento final de uma decisão que começou muito antes.

A ilusão da mensuração perfeita

A era digital prometeu algo irresistível: mensuração completa. Cada impressão rastreada. Cada clique contabilizado. Cada conversão atribuída ao canal correto. John Wanamaker podia finalmente descansar em paz.

Exceto que a promessa era falsa.

A atribuição de último clique atribui 100% do crédito ao touchpoint final antes da conversão. Uma pessoa vê um anúncio de TV na segunda-feira, pesquisa a marca no Google na terça, clica em um anúncio de search na quarta e compra. O crédito vai inteiro para search. TV recebe zero. A decisão orçamentária que segue é previsível: mais search, menos TV. Mais colheita, menos plantio.

Lewis e Rao publicaram no Quarterly Journal of Economics em 2015 um estudo que deveria ter abalado a indústria. A conclusão: medir o retorno real de publicidade digital com experimentos controlados exige amostras tão grandes que os resultados se tornam economicamente impraticáveis para a maioria das campanhas. O problema da incrementalidade revela que testes A/B tradicionais ignoram a pergunta mais cara do marketing: quanto teria acontecido sem a campanha? O experimento mediano na pesquisa deles precisou de 3,3 milhões de observações para distinguir entre uma campanha que se pagava e uma que era ineficaz. Para detectar uma diferença de 5% nos resultados de marketing, foram necessárias 1,3 bilhão de observações.

O problema vai além da escala. Cada plataforma reporta conversões usando modelos proprietários que favorecem a própria plataforma. O Google atribui de um jeito. A Meta atribui de outro. O TikTok de um terceiro. Quando você soma as conversões que cada plataforma declara ter gerado, o total excede as vendas reais da empresa. São todos corretos individualmente e impossíveis coletivamente.

A erosão dos cookies de terceiros agravou o cenário. Safari e Firefox já bloqueiam cookies de terceiros. O Chrome prometeu, recuou e voltou a prometer. A regulação europeia (GDPR) e as leis de privacidade globais restringem o rastreamento individual. A Multi-Touch Attribution (MTA), que dependia de seguir o usuário entre sites, perdeu o chão. O único método que sempre funcionou sem dados individuais voltou ao centro da conversa.

O que é Marketing Mix Modeling, sem mistério

Marketing Mix Modeling é uma técnica estatística que usa dados agregados para quantificar o impacto de cada variável de marketing sobre resultados de negócio. O conceito remonta a 1949. A lógica é direta.

Imagine uma equação. No lado esquerdo, coloque suas vendas semanais. No lado direito, coloque todas as variáveis que podem influenciar essas vendas: investimento em TV, search pago, social media, preço, distribuição, promoções, sazonalidade, temperatura, feriados, ações de concorrentes. O modelo estatístico calcula o coeficiente de cada variável. Quanto de venda cada real investido em cada canal gera, controlando por tudo mais.

MMM opera com dados de nível agregado. Vendas por semana, por região, por canal. Sem necessidade de cookies. Sem rastreamento individual. Sem dependência de plataformas digitais para reportar seus próprios resultados. Essa independência é o que torna MMM relevante quando os modelos baseados em rastreamento individual estão desmoronando.

O renascimento: por que 2024-2026 mudou tudo

MMM existia desde 1949. Por décadas, ficou restrito a consultorias especializadas que cobravam centenas de milhares de dólares por projeto. O processo levava meses. Exigia econometristas com doutorado. Apenas corporações globais podiam bancar.

Dois eventos quebraram essa barreira.

Em janeiro de 2022, a Meta lançou o Robyn, um pacote open-source de MMM escrito em R. Robyn usa machine learning para automatizar grande parte do processo que antes exigia meses de trabalho manual. O modelo gera soluções Pareto-ótimas, permitindo que o analista escolha entre diferentes trade-offs de ajuste e parcimônia. A BARK, empresa de produtos para pets, usou Robyn para realocar orçamento e identificou que estava sobre-investindo em canais de fundo de funil por 23%.

Em março de 2024, o Google anunciou o Meridian, seu próprio framework open-source de MMM. Construído em Python com inferência bayesiana, Meridian integra dados proprietários do Google (como reach e frequência do YouTube) diretamente no modelo. Em fevereiro de 2025, foi aberto para todos os data scientists e marketers do mundo.

A democratização tem consequências. Quando MMM custava US$ 300 mil e levava seis meses, ficava confinado a relatórios anuais que poucos liam. Quando MMM roda em semanas, com código aberto e dados atualizados, vira ferramenta de decisão operacional. O ciclo de aprendizado encurta. As decisões erradas são corrigidas antes de causar dano permanente.

O que os modelos realmente mostram

A evidência acumulada por décadas de econometria converge em padrões consistentes que contradizem a sabedoria convencional do marketing digital.

1. Brand building gera a maior parte do crescimento de longo prazo

Les Binet e Peter Field analisaram mais de 1.000 campanhas do IPA Databank e chegaram a uma proporção que se tornou referência: 60% do orçamento para brand building, 40% para ativação. Campanhas que respeitavam essa proporção reportaram efeitos de lucro significativamente maiores no horizonte de três anos. O estudo atualizado de 2018, Effectiveness in Context, refinou o número para 62:38 dependendo da categoria, mas a direção permaneceu. Publicidade de brand building sustenta crescimento no longo prazo de formas que ativação isolada é incapaz de reproduzir.

O problema: atribuição digital é cega para brand building. Se você avalia canais pelo último clique, vai concluir que ativação gera todo o retorno. É como avaliar jogadores de futebol apenas por gols marcados e concluir que goleiros são inúteis. E mesmo quando a empresa aceita investir em marca, a objeção seguinte é previsível: "como meço isso antes de três anos?". A resposta existe, e envolve indicadores antecedentes como Share of Search, disponibilidade mental e ESOV.

2. TV permanece como o canal de maior volume incremental

Dados da Analytic Partners (ROI Genome, base de mais de 750 marcas) mostram repetidamente que TV gera o maior volume absoluto de vendas incrementais entre todos os canais, mesmo com ROI unitário inferior ao de digital. O motivo: alcance. TV atinge audiências que digital simplesmente não alcança na mesma escala, especialmente light buyers, que, como Byron Sharp demonstrou no Ehrenberg-Bass Institute, representam a maior oportunidade de crescimento para qualquer marca.

3. A sinergia entre canais é enorme e sistematicamente ignorada

MMM captura interações entre variáveis. Um dos achados mais robustos: TV amplifica a eficiência de search pago em 20% a 40%, dependendo da categoria (dados Analytic Partners). Quando a marca corta TV, o custo por clique de search sobe. As conversões de search caem. O dashboard mostra search como menos eficiente, mas a causa real foi a remoção de TV. Atribuição de último clique é incapaz de capturar esse efeito.

4. Cortar marketing em crise destrói valor

O ROI Genome da Analytic Partners documentou que 60% das marcas que aumentaram investimento em mídia durante a recessão viram melhora no ROI. Marcas que cortaram orçamento arriscaram perder até 15% da receita, com recuperação que levava anos. A razão econométrica: quando concorrentes cortam, o custo da atenção cai. Quem mantém investimento compra participação mental a preço de desconto.

"O que não podemos medir diretamente, tendemos a tratar como inexistente. Mas os efeitos de longo prazo da publicidade de marca são reais, mensuráveis com as ferramentas certas e frequentemente maiores do que os efeitos de curto prazo que dominam os dashboards." Les Binet, Head of Effectiveness, adam&eveDDB

As limitações que ninguém quer discutir

MMM resolve problemas reais. Também carrega limitações reais.

Correlação vs. causalidade. MMM é fundamentalmente correlacional. O modelo identifica que quando investimento em TV sobe, vendas sobem. Isso sugere causalidade, mas pode refletir o fato de que empresas investem mais em TV quando esperam vender mais (sazonalidade de Natal, por exemplo). Bons modelos controlam por sazonalidade e variáveis confusoras, mas a armadilha persiste.

Granularidade limitada. MMM opera com dados agregados. Ele diz que TV gerou X vendas incrementais na semana Y. Ele diz qual criativo ou qual programa de TV gerou mais impacto apenas quando o modelo inclui essas variáveis, o que exige dados granulares que nem sempre existem.

Garbage in, garbage out. A qualidade do modelo depende da qualidade dos dados de entrada. Dados de investimento imprecisos, séries temporais curtas demais, variáveis ausentes. Qualquer desses fatores contamina os resultados. Broadbent já alertava em 1997, no seu Accountable Advertising, que o rigor na coleta de dados é mais determinante para a qualidade do modelo do que a sofisticação estatística aplicada.

Resultados estáticos em mercados dinâmicos. Um MMM calibrado com dados de 2023 pode ser irrelevante em 2025 se o mix de mídia mudou, se um novo concorrente entrou ou se o comportamento do consumidor se alterou. Modelos precisam ser recalibrados com frequência, o que as ferramentas open-source finalmente tornaram viável.

MMM + Experimentos: a triangulação que funciona

O estado da arte em mensuração de marketing em 2026 combina três métodos. Nenhum sozinho é suficiente.

MMM fornece a visão macro: quanto cada canal contribui para vendas, como os canais interagem e onde o orçamento está mal alocado. Funciona no nível estratégico. Responde "quanto investir em cada canal."

Experimentos controlados (lift tests) fornecem causalidade: rodar uma campanha em metade das regiões e medir a diferença. Confirmam ou refutam os coeficientes que MMM sugere. O Robyn da Meta, por exemplo, permite calibrar os resultados do MMM com dados de lift tests, aumentando a precisão.

Atribuição digital permanece útil no nível tático: qual criativo performa melhor, qual landing page converte mais, qual campanha de search precisa de ajuste imediato. O erro é usar atribuição para decisões estratégicas de alocação de orçamento.

Cada método ilumina uma parte do problema. Separados, cada um distorce. Combinados, triangulam algo próximo da verdade. O dashboard sozinho conta uma história incompleta. MMM conta outra. Experimentos arbitram entre as duas.

O fim do achismo é o começo do desconforto

MMM vai te dizer coisas que você talvez prefira ignorar. Vai mostrar que aquele canal que seu dashboard celebra gera menos vendas incrementais do que parece. Vai revelar que o investimento em marca que o CFO quer cortar é responsável por uma parcela de crescimento de longo prazo que nenhuma tática de performance consegue substituir. Vai sugerir que a alocação otimizada é diferente da alocação que sua organização está politicamente disposta a aceitar.

A econometria aplicada ao marketing é desconfortável porque substitui narrativa por número. E números, ao contrário de narrativas, resistem a negociação.

Mas o desconforto é produtivo. Quando a Represent Clothing usou Sellforte para modelar seu mix durante a Black Friday de 2024, realocou orçamento com base nos coeficientes e obteve 44% mais receita incremental em comparação ao ano anterior. O modelo mostrou que a empresa estava sobre-investindo em retargeting e sub-investindo em awareness. O dashboard de atribuição jamais teria chegado a essa conclusão.

O Google Trends mostra que buscas globais por "Marketing Mix Modeling" crescem consistentemente há uma década. A WARC declarou 2025 o ano do renascimento do MMM. A convergência entre erosão de cookies, regulação de privacidade e ferramentas open-source criou uma janela que raramente se abre. Pela primeira vez, empresas de qualquer porte podem rodar modelos econométricos com a mesma sofisticação que antes custava o orçamento anual de uma startup.

A pergunta que MMM responde é a mesma de sempre: onde cada real investido gera mais retorno? A diferença é que agora, com as ferramentas certas, a resposta está ao alcance de quem estiver disposto a aceitar o que os dados dizem. Mesmo quando dizem o contrário do que o dashboard mostra.