Como avaliar canais de mídia novos, com pouco histórico de dados

Um canal recém-aberto tem pouca variação de gasto, e é a variação que dá ao Marketing Mix Modeling (MMM) o que estimar. Enquanto o histórico não chega, o caminho é combinar um experimento desenhado de propósito com o conhecimento que a equipe já tem sobre o canal, e retomar o modelo quando houver variação de gasto suficiente para ele aprender algo. Para decidir quanto investir nesse intervalo, o apoio vem do experimento e da prior, e não de um número que o modelo entregue com poucas semanas de dados.

Por que um canal novo engana a leitura do MMM

O MMM aprende sobre um canal pelos momentos em que o gasto foi diferente. A trilha de aprendizado do PyMC-Marketing descreve o caso extremo: um canal com € 50 mil fixos toda semana durante dois anos quase não traz informação sobre o que acontece com € 30 mil ou € 80 mil, e, se o plano de mídia foi estável, o modelo devolve em grande parte as priors. Pela mesma página, o MMM não diz nada confiável sobre um canal cujo gasto nunca se moveu.

O risco é a estimativa sair grande justamente onde há menos dado. A documentação do Meridian, do Google, sobre priors de ROI e calibragem afirma que, sem uma distribuição a priori razoavelmente forte, o modelo pode estimar que um canal com poucos gastos está gerando uma receita enorme.

Canal com poucas semanas de execução é um caso de dado esparso. A documentação do Meridian de depuração do modelo pergunta se uma variável de mídia é muito esparsa, e a esparsidade pode ser pouca execução no canal, muitas regiões sem execução ou muitos períodos sem mídia. Vale medir quanto de histórico os outros canais têm, o que está em quanto histórico de dados um MMM precisa.

O que fazer com o canal novo, situação por situação

As linhas abaixo são recomendações de cada documentação, com a condição que ela própria escreve. Não são regra geral para todo canal novo.

Situação do canal	O que a documentação recomenda	Cuidado
Poucas semanas de execução	A documentação do Meridian sugere perguntar se a variável de mídia é muito esparsa quando o modelo tem dificuldade de convergir, e a esparsidade inclui poucos períodos com execução	Prior pouco informativa pode dificultar a convergência, e uma prior informativa demais também pode complicá-la
Gasto baixo	A documentação do Meridian recomenda mesclar o canal de pouco gasto com outro relacionado, para aumentar o sinal dele	Sem prior razoavelmente forte, o modelo pode estimar que um canal de pouco gasto gera uma receita enorme
Gasto constante desde o início	A trilha do PyMC-Marketing diz que, se os dados falham em duas ou mais das quatro checagens dela, a ação mais valiosa não é montar o modelo, e sim rodar um teste de lift ou variar o gasto de propósito por um trimestre	Se o plano de mídia foi estável, o modelo devolve em grande parte as priors
Muitos recortes no tempo	Para efeitos de mídia que variam no tempo, as perguntas frequentes do Meridian pedem dividir manualmente os dados do canal em períodos e modelá-los como canais separados	Não criar muitas segmentações temporais: isso aumenta o número de canais e de parâmetros e dificulta separar sinal de ruído com dados limitados

Como avaliar um canal novo, passo a passo

1. Trate o canal novo como hipótese a testar, não como número do modelo. A trilha do PyMC-Marketing lembra que o MMM não produz resposta causal só com dados observacionais, sem experimentos ou suposições explícitas e discutíveis.
2. Desenhe o experimento antes de gastar. O guia do GeoLift, da Meta, trata a análise de poder prospectiva como etapa anterior ao teste, cobrindo número de regiões, duração, mercados de teste e de controle e efeito mínimo detectável, e dá como regra prática que o período do teste contenha pelo menos um ciclo de compra completo. O desenho prático está em um teste geográfico de incrementalidade.
3. Se os dados falham em duas ou mais das quatro checagens da trilha, teste ou varie o gasto de propósito. Para o PyMC-Marketing, a ação mais valiosa nesse caso é rodar um teste de lift ou variar o investimento de propósito por um trimestre, para que os dados do ano seguinte respondam à pergunta.
4. Leve o resultado do experimento para o modelo como prior. A documentação do Meridian define calibragem como usar resultados de experimentos e outros conhecimentos do domínio para definir distribuições a priori específicas do canal, e avisa que não existe fórmula para transformar o resultado de um experimento em prior. O guia de MMM para analistas do Robyn, da Meta, recomenda calibrar com resultados experimentais tratados como verdade de campo e pede que o estudo esteja alinhado ao que o MMM mede: mesma granularidade, mesma métrica e mesmo período.
5. Não trate o resultado do teste como meta exata. A trilha do PyMC-Marketing aponta isso como o erro típico: o experimento ancora o modelo, e o modelo estende o experimento a períodos e canais nunca testados.
6. Enquanto o histórico não chega, some o canal de gasto baixo a um relacionado. Para canal de pouco gasto, a documentação do Meridian diz que a prática recomendada geralmente é mesclá-lo com outro parecido para aumentar o sinal, e pede cuidado com muitos recortes no tempo.

Como usar conhecimento prévio enquanto o histórico não chega

Calibragem é o nome do processo. Segundo a documentação do Meridian, ela usa resultados de experimentos e outros conhecimentos do domínio para definir priors específicas do canal, e não existe fórmula para essa conversão; a documentação lista perguntas a responder antes de usar um experimento, entre elas se ele durou o bastante para captar os efeitos de longo prazo do marketing e se mediu o mesmo contrafactual.

Segundo a documentação do Meridian, “as distribuições a priori não são restrições rígidas, mas pontos de partida”: se os dados trouxerem evidência forte em contrário, o modelo se ajusta, e o desvio padrão da prior define o peso dessa crença inicial frente aos dados. O exemplo da própria documentação: se a empresa fez muitos experimentos ao longo dos anos e nunca observou um ROI maior que 6 num canal, a prior deve dar probabilidade muito baixa a valores acima desse patamar.

Um canal de pouco gasto carrega mais incerteza na estimativa, e vale ler a margem de erro de um canal de gasto baixo antes de tratar o número como definitivo.

Como o canal novo entra no modelo depois

Quando o canal tiver mais dados, o caminho é atualizar o modelo. A documentação do Meridian sobre atualização do modelo recomenda adicionar os dados novos aos mais antigos e rodar o modelo de novo, na frequência que fizer sentido para o processo de orçamento. Uma janela de tempo mais longa reduz a variância, mas pode aumentar o viés se a eficácia e as estratégias de mídia mudaram muito.

A mesma página desaconselha modelar só os dados novos de forma independente, mesmo com um trimestre de dados, porque isso não estima com precisão os efeitos de defasagem. Sobre os efeitos de defasagem, ver o efeito da mídia que chega nas semanas seguintes.

O guia do Robyn trata dois casos em que reconstruir o modelo pode ser preferível a atualizá-lo. Quando há muito dado novo a acrescentar, o exemplo do guia é o de um modelo inicial de 100 semanas que recebe 80 semanas de dados novos, e ali pode ser melhor reconstruir o modelo. Quando é preciso acrescentar variáveis novas, o desenho do modelo muda e é melhor reconstruí-lo.

Os erros que distorcem a avaliação de um canal novo

• Tratar o resultado do teste como meta exata. A trilha do PyMC-Marketing aponta esse uso como o erro típico da calibração.
• Calibrar com estudo de confiança baixa. O guia do Robyn pede que se evite resultado de estudo de incrementalidade cuja confiança não seja alta.
• Criar segmentações temporais demais. As perguntas frequentes do Meridian avisam que isso multiplica os canais e os parâmetros e dificulta separar sinal de ruído com dados limitados.

Como a Purple trata canais com pouco histórico

Criada em 2021, 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.

Quem abre um canal novo não precisa resolver sozinho a falta de histórico antes de procurar a parceria. A conversa começa pela meta de negócio e pelo mapa das entregas que levam até ela; depois a Purple avalia os dados disponíveis, incluindo o histórico de investimento, exposição e resultado, orienta o que falta e apoia a organização dos dados, inclusive com IA. Os especialistas em marketing e estatística também ajudam a escolher o método adequado à pergunta e apoiam o planejamento e a condução de testes geográficos, quando o desenho é viável para o caso.

O site da Purple propõe começar o próximo trimestre “com um plano de experimentos”, não “com um palpite”, e convida: “Traga o time da Purple Metrics junto”. Segundo a página de ciência da Purple, o lag espalha o investimento de uma semana pelas dez seguintes, o que pede uma janela de várias semanas para ler um canal novo, e o modelo atual foi testado com 10 clientes pagantes, de indústrias e modelos de negócio variados.

Quem está abrindo um canal e precisa decidir o investimento antes de o histórico existir pode agendar uma conversa com a Purple.

Perguntas frequentes

Como calibrar um marketing mix modeling com experimentos?

Segundo a documentação do Meridian, calibrar é usar resultados de experimentos e outros conhecimentos do domínio para definir distribuições a priori específicas de cada canal; ela avisa que não existe fórmula para transformar o resultado de um experimento em prior e sugere perguntar, entre outras coisas, se o experimento durou o bastante para captar efeitos de longo prazo. A trilha do PyMC-Marketing descreve a calibração como o experimento ancorando o modelo e o modelo estendendo o experimento a períodos e canais nunca testados, e o guia do Robyn pede que se evitem estudos de confiança baixa.

O MMM consegue estimar um canal que começou há poucas semanas?

Não de forma confiável enquanto o gasto quase não variou. Segundo a trilha do PyMC-Marketing, o modelo não diz nada confiável sobre um canal cujo gasto nunca se moveu, e a documentação do Meridian lista a variável de mídia muito esparsa, com pouca execução ou muitos períodos sem execução, entre as perguntas para quando o modelo tem dificuldade de convergir.

Dá para juntar o canal novo a outro parecido?

Para canais de pouco gasto, sim. A documentação do Meridian diz que canais de pouco gasto são mais suscetíveis a ter informação fraca nos dados, em relação à da distribuição a priori, e que a prática recomendada geralmente é mesclar o canal com outro relacionado para aumentar o sinal dele. A pergunta de negócio muda junto, porque a estimativa passa a ser a do grupo.

Como incluir o canal novo no modelo depois de alguns meses?

A documentação do Meridian recomenda adicionar os dados novos aos mais antigos e executar o modelo de novo, e desaconselha modelar só os dados novos, mesmo os de um trimestre, porque isso não estima com precisão os efeitos de defasagem. O guia do Robyn diz que, quando é preciso acrescentar variáveis novas, o desenho do modelo muda e é melhor reconstruí-lo do que atualizá-lo.

O que fazer com os zeros de um canal que entrou no meio do histórico?

No planejamento de cenários futuros, a documentação do Meridian explica que o padrão histórico de veiculação de um canal novo registra zero unidades de mídia antes de ele ser implementado e que, se a empresa planeja executar o canal de forma contínua, os zeros do padrão de veiculação devem ser substituídos por valores que reflitam o padrão planejado. A página trata do planejamento de cenários futuros, não do ajuste do modelo aos dados históricos.

Em resumo

• Um canal novo quase não varia o gasto, e sem variação o MMM não diz nada confiável sobre ele.
• Enquanto o histórico não chega, o caminho é experimento mais conhecimento prévio, sem fórmula pronta e sem tratar o resultado do teste como meta que o modelo precisa reproduzir exatamente.
• Canal de gasto baixo pode ser somado a um canal relacionado, para aumentar o sinal nos dados.
• Quando o canal tiver mais dados, a recomendação é somar os dados novos aos antigos e rodar o modelo de novo, não modelar só o período recente.
• A Purple começa pela meta de negócio, avalia os dados disponíveis e orienta o que falta, sem exigir que a empresa resolva sozinha a falta de histórico; no site dela, o convite para o próximo trimestre é começar com um plano de experimentos.

Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.