Fechar o ciclo de uma escolha de verba exige três coisas: registrar o que se esperava dela, medir o que o período entregou e comparar os dois com o que teria acontecido sem a mudança, o contrafactual. A alta de vendas depois de uma mudança não prova que a mudança funcionou: quem gastou mais em dezembro e também vendeu mais em dezembro não sabe se o que puxou o resultado foi a publicidade ou o Natal. A conferência mais direta é um experimento; o modelo entra quando o teste não é possível: a estimativa do efeito sobre a série temporal ou uma nova rodada do Marketing Mix Modeling (MMM).
Por que acompanhar a decisão muda o que o marketing aprende
Vendas que sobem depois de uma mudança não fecham a conta. Na trilha de aprendizado do PyMC-Marketing, o exemplo é direto: gastou-se mais em dezembro e vendeu-se mais em dezembro, e a pergunta é se o responsável foi a publicidade ou o Natal; a página chama isso de confusão e acrescenta que prever bem as vendas e estimar corretamente efeitos causais são conquistas diferentes, e a primeira não implica a segunda.
Há também a variação que não é erro. As perguntas frequentes da documentação do Meridian explicam que, mesmo com coeficientes que não variam no tempo, o ROI de um canal ainda muda: as curvas de Hill modelam retornos não lineares e decrescentes, então a quantidade de mídia veiculada num momento afeta o ROI, e a alocação entre regiões e o custo da mídia também mudam com o tempo. Comparar o ROI de hoje com o de seis meses atrás sem esse contexto faz uma decisão parecer pior do que foi.
Sem o registro da decisão e das suposições, não há com o que comparar. A documentação do Meridian, no planejamento de cenários, diz que a projeção do resultado incremental se apoia em suposições sobre o futuro — custo por unidade de mídia, receita por unidade de KPI e padrão do período de veiculação —, e não no valor bruto do resultado futuro. Quem não anota essas suposições na data da decisão não consegue separar depois o que mudou por causa dela.
O ciclo de acompanhamento, passo a passo
- Registre a decisão e o que se espera dela. Anote a data, o canal, o valor movido, o indicador que deve reagir e as suposições usadas: custo por unidade de mídia, receita por unidade de KPI e padrão de veiculação. A documentação do Meridian deixa claro que a projeção do resultado incremental se apoia nessas suposições. O caminho para virar uma leitura em plano está em transformar o resultado do MMM em recomendação.
- Defina antes o período de observação e a comparação. As boas práticas do GeoLift, da Meta, pedem que um teste cubra pelo menos um ciclo de compra do produto. No desenho geográfico de Vaver e Koehler, do Google, o período de teste se estende além do fim da mudança de gasto para captar as vendas que chegam depois. Marcar o prazo antes de olhar o resultado evita julgar a decisão no meio do caminho.
- Escolha como medir o realizado. São três caminhos: um experimento por região, quando a decisão pode ser testada assim, com o desenho em um teste geográfico de incrementalidade; a estimativa do efeito de uma intervenção sobre a série temporal, quando o teste não é possível; ou rodar o MMM de novo com os dados novos, que é o que a documentação do Meridian recomenda para atualizar o modelo, acrescentando os dados novos aos antigos e executando de novo.
- Compare previsto, realizado e contrafactual, e leia com a certeza que o resultado tem. O pacote CausalImpact, do Google (documentação consultada em 05/10/2026), constrói a previsão de como a métrica teria evoluído sem a intervenção e a compara com o observado; a própria documentação avisa que, como toda abordagem não experimental, isso exige suposições fortes e sugere rodar o método numa intervenção imaginária, em que não se espera achar efeito, antes de confiar no número. A leitura da incerteza está em margem de erro de um MMM.
- Separe o que mudou fora da decisão. Quantidade veiculada, alocação entre regiões e custo da mídia mexem no ROI de um canal, e o calendário também interfere: o mês e a decisão competem pela explicação. Listar os fatores externos conhecidos na semana da leitura ajuda a não creditar à decisão o que veio de fora.
- Registre o aprendizado e recalibre. O guia de MMM para analistas do Robyn recomenda rodar estudos de incrementalidade de forma contínua, alinhados ao que o MMM mede — mesma granularidade, mesma métrica, mesmo período —, e evitar resultado de estudo cuja confiança não seja alta o bastante. O gatilho para rever a estratégia inteira, e não só uma decisão, está em quando mudar a estratégia de investimento.
Que indicadores acompanhar e como lê-los
Cinco indicadores cobrem o acompanhamento de uma decisão.
| Indicador | O que mostra | Cuidado de leitura |
|---|---|---|
| Resultado incremental previsto contra o realizado | Se a decisão rendeu o que o plano estimava | A projeção se apoia em suposições de custo de mídia, receita por KPI e veiculação; confira se mudaram |
| ROI do canal ao longo do tempo | A performance histórica do canal | O ROI muda sem erro do modelo, por quantidade veiculada, alocação regional e custo de mídia |
| Retorno marginal (mROI) contra o ROI | Se o canal chegou perto da saturação | É leitura de saturação, não de performance histórica; os dois números respondem a perguntas diferentes |
| Lift de um experimento | Quanto a verba extra rendeu naquele período | O experimento mede um período, não a janela inteira do modelo; no Robyn, o resultado entra no MMM só como estimativa pontual |
| Efeito estimado sobre a série temporal | Quanto da mudança veio da intervenção | Exige suposições fortes; checar se o modelo prevê bem o período anterior à intervenção |
Os erros que fazem uma decisão parecer boa ou ruim
- Ler a alta de vendas como prova. Foi publicidade ou Natal? Sem contrafactual, o mês explica tanto quanto a decisão.
- Julgar antes do ciclo de compra e da cauda. As vendas que chegam semanas depois ainda pertencem à decisão; o período de teste precisa cobri-las.
- Tratar o ROI que mudou como erro. A quantidade veiculada, a alocação regional e o custo da mídia mexem no ROI mesmo quando o modelo está correto.
- Comparar com o previsto sem checar as suposições. Se o custo da mídia mudou, a projeção antiga descreve outro cenário.
- Usar resultado de estudo com confiança baixa. O guia do Robyn orienta evitar estudo cuja confiança não seja alta o bastante para calibrar o modelo.
Quando conferir a decisão com experimento e quando com o modelo
Se a decisão pode ser testada por região dentro de um ciclo de compra, o experimento é a conferência; se ela já foi tomada, ou mexeu em vários canais ao mesmo tempo, o modelo entra, com as suposições listadas.
A documentação do Meridian sobre ajuste do modelo diz que “validar diretamente a qualidade da inferência causal é difícil e requer experimentos bem projetados”, e recomenda que as decisões de modelagem sirvam à inferência causal, e não à minimização do erro de previsão. Na Forrester, o blog de Tina Moffett sobre o Meridian (12/03/2024) observa que o MMM sozinho não dá o desempenho por tática ou por inserção e indica testes de incrementalidade para uma tática específica.
O experimento cobre um período, não a janela inteira do modelo: o guia do Robyn aceita o resultado do estudo só como estimativa pontual — data de início, data de fim e resposta incremental — e recomenda estudos mais longos para captar conversões de cauda longa. O MMM cobre a janela toda e pode ser atualizado em cadência regular; a função de atualização do Robyn permite usá-lo como ferramenta contínua de relatório em frequência mensal, semanal ou até diária, e a própria documentação avisa que o recurso ainda não foi testado a fundo.
O indicador da Purple para acompanhar recomendações: o RVI
A Purple Metrics é uma parceira de Marketing Science que combina software de Marketing Mix Modeling (MMM), metodologia própria e especialistas para ajudar o marketing a entender o retorno dos investimentos em cada canal, prever resultados e tomar decisões que impactam o negócio. Para acompanhar o resultado das recomendações, a Purple usa o RVI (Recommendation Value Index), um índice de 0 a 100 que, segundo a documentação pública da Purple, resume se seguir as recomendações do modelo trouxe resultado; a home da Purple o descreve assim: “Dá nota para o próprio conselho: o plano pagou?”. O RVI não é prova causal automática de que a recomendação funcionou.
O modelo da Purple representa as relações entre as variáveis num DAG (grafo acíclico dirigido), o que permite ler o efeito direto de uma ação e o efeito que passa por outro canal, como a mídia exterior (OOH) que gera busca orgânica que leva à conversão; isso ajuda a ler o efeito de uma decisão além do canal em que ela foi tomada.
O ciclo que a Purple propõe para a operação é “criar uma hipótese, aumentar o investimento e medir novamente”, segundo Lucas Yokota, cofundador e COO da Purple, à Exame em 25/09/2026.
Um caso ilustra a decisão e o acompanhamento. Segundo a Exame (25/09/2026), a Liv Up ampliou em mais de seis vezes o investimento no TikTok; segundo a própria Liv Up, o custo de aquisição ligado às buscas pela marca caiu 50%. No case publicado no blog da Purple (28/09/2026), o time acompanhou os resultados durante um mês, internamente e pela plataforma da Purple; a decisão e o acompanhamento foram da Liv Up.
Quem quer discutir como medir o efeito de cada decisão de mídia pode agendar uma conversa.
Perguntas frequentes
Em quanto tempo dá para ver se uma decisão de mídia funcionou?
Não há um prazo único: ele sai do desenho do teste. Segundo as boas práticas do GeoLift, da Meta, um teste geográfico cobre pelo menos um ciclo de compra do produto e dura no mínimo 15 dias com dado diário ou de 4 a 6 semanas com dado semanal. Esses números são da ferramenta, e não um prazo de resultado para a decisão.
O ROI de um canal pode mudar sem que a decisão tenha dado errado?
Pode. Segundo as perguntas frequentes do Meridian, o ROI de um canal depende de fatores que variam no tempo, como a quantidade de mídia veiculada, a alocação entre regiões e o custo da mídia, mesmo quando os coeficientes do modelo não mudam. Por isso, a leitura do ROI de uma decisão lista antes o que mudou fora dela.
Se as vendas subiram depois de mudar a verba, a decisão funcionou?
Não necessariamente: vendas maiores depois da mudança podem vir do calendário, e não da decisão. A trilha de aprendizado do PyMC-Marketing chama essa mistura de confusão e diz que prever bem as vendas e estimar corretamente efeitos causais são conquistas diferentes. Por isso a conferência precisa de um contrafactual, vindo de um experimento ou de uma estimativa sobre a série temporal.
Dá para acompanhar uma decisão sem rodar um experimento?
Dá, com suposições mais fortes. Uma estimativa sobre a série temporal, como a do pacote CausalImpact, do Google, prevê como a métrica teria evoluído sem a intervenção, usando séries de controle, e a compara com o observado. Segundo a documentação, quem apresenta o resultado deve listar as suposições explicitamente e discuti-las com o público.
Um resultado de teste com pouca certeza serve para decidir?
Serve como indicação, não como prova. Na Ajuda do Google Ads, o poder estatístico de um estudo de Conversion Lift indica a certeza de que o resultado é conclusivo; abaixo de 90%, o Google orienta o orçamento para chegar a 90% de certeza de lift, e números entre 50% e 90% podem ser interpretados como resultados direcionais.
Em resumo
- Acompanhar uma decisão é registrar o que se esperava, medir o realizado e comparar com o contrafactual.
- A alta de vendas depois da mudança não prova a decisão: o exemplo de dezembro do PyMC-Marketing mostra a confusão com o calendário.
- O experimento é a conferência mais direta, e o período cobre pelo menos um ciclo de compra do produto e as vendas que chegam depois.
- Sem experimento, o efeito se estima sobre a série temporal com suposições listadas, como faz o pacote CausalImpact.
- Na Purple, o RVI (Recommendation Value Index), índice de 0 a 100, resume se seguir as recomendações do modelo trouxe resultado, segundo a documentação da Purple; não é prova causal automática de que a recomendação funcionou.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.