O caminho tem quatro movimentos: o modelo aponta o canal em que a estimativa está incerta, o experimento mede o efeito incremental daquele canal, o resultado entra no modelo como informação a priori (o ponto de partida do modelo para aquele canal) e a verba muda dentro de limites por canal, com validação antes de implementar. A documentação do Meridian prioriza para teste os canais em que o modelo tem alta incerteza e, no otimizador, parte por padrão do orçamento histórico, com faixa de variação por canal. Nenhum dos passos dispensa julgamento: o guia do Robyn avisa que o alocador de orçamento não tem garantia de atender às expectativas de negócio.

Por que o MMM e o teste precisam um do outro na decisão de verba

Segundo Chan e Perry (Google, 2017), modelos de marketing mix são, em geral, modelos de regressão sobre uma quantidade limitada de dados observacionais agregados, e produzem resultados correlacionais, não causais; é só sob condições estreitas que essas estimativas podem ser tratadas como causais. O experimento aleatorizado é o padrão-ouro geralmente aceito para responder perguntas causais, mas em geral entrega uma estimativa pontual. Um entrega o mapa, o outro entrega a medida.

A documentação do Meridian acrescenta o argumento prático: muitas vezes é difícil fazer experimentos por custo e praticidade, e as duas ferramentas respondem a perguntas de tamanhos diferentes. Um teste geográfico calcula o ROAS de um canal específico, como a TV; um modelo de inferência causal como o MMM entrega o ROI de cada canal, curvas de resposta completas e alocação de orçamento. O time de marketing usa o teste para saber quanto vale a pena gastar a mais num canal e o modelo para decidir como o conjunto dos canais fica.

O artigo de Chan e Perry mostra por que a decisão não pode ficar só no modelo: num conjunto de dados real de MMM com dados semanais, cinco modelos igualmente plausíveis, todos com R2 de 0,98 ou 0,99, discordaram sobre as vendas alcançáveis em cada nível de gasto e sobre como dividir o orçamento entre os canais, e as previsões de vendas diferiram em até 50%. Ajuste alto não é garantia de uma alocação confiável.

O experimento também não fecha a conta sozinho: ele mede um canal, num período, contra um contrafactual declarado, o cenário sem a campanha. O uso dos três métodos juntos, a triangulação e o que fazer quando as leituras discordam estão em como usar MMM, atribuição e experimento juntos.

O fluxo de decisão, passo a passo

São sete passos, e cada um termina numa decisão que o time de marketing toma antes de seguir.

  1. Deixe o modelo apontar o canal em dúvida. A verificação de ROI de alta variância do Meridian identifica canais em que a estimativa é muito incerta, e canais com pouco gasto tendem a ter variância maior; o modelo usa esses sinais para priorizar para teste os canais que mais se beneficiariam de calibragem. Um mROI (o ROI marginal, o retorno do próximo real investido) muito menor que o ROI sinaliza que o canal começa a saturar no nível de gasto histórico. A saída do modelo pode sugerir o experimento que vai calibrá-lo. Decisão: qual canal vai para o teste e qual fica para depois.
  2. Dimensione o teste com o que o modelo já sabe. Segundo o passo a passo do GeoLift, da Meta, o custo por conversão incremental (CPIC) costuma poder ser obtido de modelos de marketing mix, de estudos de Conversion Lift e de experimentos anteriores, e é o valor-chave para estimar o orçamento de um teste com poder estatístico suficiente. Decisão: quanto o teste consome e qual o menor efeito que ele consegue detectar.
  3. Escolha o desenho pela decisão. Segundo a documentação do Meridian GeoX, o investimento em regiões específicas estima os retornos marginais do aumento do orçamento em canais estabelecidos; a retirada de anúncios comprova o valor de referência que seria perdido se eles fossem desativados; a retenção parcial mede estratégias inéditas, como novos canais. Decisão: qual pergunta o teste responde e qual contrafactual ele produz.
  4. Rode com duração e isolamento. Segundo a documentação do Meridian GeoX (página atualizada em 17/09/2026), um estudo normalmente leva de 7 a 14 semanas, do planejamento do pré-teste à conclusão da análise, com um período de teste ativo de 3 a 10 semanas; a janela precisa cobrir pelo menos um ciclo de compra e a região de controle não se troca no meio. Decisão: quando o resultado chega e quanto do calendário comercial ele ocupa. O desenho completo está em um teste geográfico de incrementalidade.
  5. Leia o resultado com intervalo. A análise do Meridian GeoX devolve estimativas pontuais e intervalos de confiança para métricas de incrementalidade, entre elas a conversão incremental por dólar investido (iCPD), equivalente ao iROAS quando os dados são de receita, e o valor-p, uma medida de significância estatística. Decisão: qual faixa de efeito entra na conversa com a liderança.
  6. Leve o resultado ao modelo como prior. A calibragem transforma o experimento numa distribuição a priori do canal, desde que período, duração e contrafactual combinem com o que o modelo mede. Decisão: qual faixa de ROI o modelo passa a considerar para aquele canal.
  7. Releia o ótimo do orçamento e mova a verba dentro de limites. O otimizador devolve uma alocação nova depois da calibragem, e o time valida o resultado antes de implementar. Decisão: quanto mover, em que direção e em que prazo.

O que o teste devolve ao modelo e o que não devolve

A calibragem é o uso de resultados de experimentos e de outros conhecimentos do domínio para definir distribuições a priori específicas de cada canal. A documentação do Meridian diz que os experimentos de incrementalidade são possivelmente a base mais sólida para formar essa intuição, mas que não existe fórmula específica para transformar o resultado de um experimento numa prior. Experimento e MMM definem o ROI de formas diferentes, e a documentação sugere perguntar, antes de usar o número, se o experimento ocorreu antes, durante ou depois do período dos dados do modelo, se durou o bastante para captar efeitos de longo prazo e se mediu o mesmo contrafactual.

A prior não é uma restrição rígida, e sim um ponto de partida: se os dados trouxerem evidência forte em contrário, o modelo se ajusta, e o desvio padrão da distribuição define o peso da crença inicial frente aos dados. O CalibrationBuilder do Meridian considera o tempo para retorno, com incerteza maior para experimentos mais antigos, e a duração, escalonando as estimativas pelo efeito residual do adstock.

O formato importa. O CalibrationBuilder foi projetado para experimentos que medem o lift incremental médio contra um valor de referência de gasto zero, e a documentação não recomenda registrar experimentos que medem o lift marginal em relação a gastos reduzidos. O guia do Robyn pede que o estudo use a mesma granularidade, a mesma métrica e o mesmo período do modelo, evita estudo de confiança baixa e aceita o resultado como estimativa pontual, com data inicial, data final e resposta incremental.

Como mudar o orçamento depois do teste, dentro de limites

O otimizador do Meridian parte do orçamento histórico e, por padrão, no orçamento fixo limita o gasto de cada canal entre 70% e 130% do gasto de partida; no orçamento flexível, a faixa vai de 0% a 200%, segundo a documentação de cenários de otimização (consultada em 30/09/2026). Isso é configuração da ferramenta, não recomendação de quanto mover: quem decide a amplitude é o time, e a decisão fica mais segura quando cabe num ciclo de teste.

O guia de MMM do Robyn faz a ressalva equivalente: não há garantia de que o alocador atenda às expectativas de negócio quanto à acurácia da resposta prevista, e os resultados devem ser validados antes da implementação. A mudança de verba é a última etapa do fluxo, e não a primeira. O mROI e as curvas de resposta mostram para onde o próximo real rende mais; a comparação entre canais e a decisão de mix estão em como distribuir o orçamento entre canais.

Erros que quebram o fluxo

  • Tratar o resultado do teste como o ROI do canal inteiro. O experimento mediu um incremento, contra um contrafactual declarado; se o contrafactual não for o mesmo do modelo, o número não entra na prior sem ajuste.
  • Usar um teste antigo ou curto sem tratamento. Tempo e duração mudam o peso do resultado, e a documentação trata os dois casos com incerteza adicional.
  • Calibrar com estudo de baixa confiança. O guia do Robyn pede para evitar resultados que não tenham confiança suficiente, e o critério de qualidade vale antes da conta.
  • Esquecer a incerteza na conversa. Chan e Perry recomendam, se possível, discutir com quem usa o resultado as métricas de incerteza dos parâmetros e do modelo. A leitura de quanto a estimativa varia está em margem de erro e confiança de um MMM.

Como a Purple apoia a decisão de orçamento

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. A Purple Metrics foi criada em 2021, em São Paulo.

No software, o time do cliente acompanha os resultados, consulta análises por chat em linguagem natural, simula cenários e planeja o orçamento dos próximos investimentos. O modelo da Purple considera contribuição, lag, halo, saturação e otimização, segundo o site da empresa: a saturação mostra onde mais verba rende menos. Os especialistas em marketing e estatística contextualizam os resultados, desafiam premissas e recomendam o que faz sentido para o negócio; os testes geográficos estão entre as entregas, com apoio ao planejamento e à condução deles.

A Purple ajuda o cliente a escolher a metodologia adequada à pergunta, a avaliar quando usar mais de uma abordagem e a interpretar as diferenças entre os resultados. Combinar métodos não garante, por si só, uma conclusão causal. Sem vínculo com veículos de mídia, a Purple pode recomendar menos investimento num canal quando a análise não encontra resultado incremental.

Segundo Lucas Yokota, cofundador e COO da Purple, à Exame (25/09/2026), o ciclo que a Purple quer colocar dentro da operação de marketing das empresas é “criar uma hipótese, aumentar o investimento e medir novamente”. Em post da página da Purple no LinkedIn (17/09/2026), o time de especialistas ajuda a transformar o resultado em decisões de negócio: “quanto vendeu, em quanto tempo pagou e até onde ainda vale a pena investir”.

Depois da decisão, o RVI (Recommendation Value Index), indicador da Purple que vai 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. Segundo o blog da Purple Metrics (17/06/2026), 68% das empresas que contratam MMM não tomam nenhuma decisão diferente por causa dele. Quem quiser entender como o modelo e os testes podem orientar o orçamento pode agendar uma conversa.

Perguntas frequentes

Preciso testar todos os canais antes de mudar a verba?

Não. A documentação do Meridian prioriza para teste os canais em que o modelo apresenta alta incerteza, possível viés ou estimativas de valor de referência irreais, e registra que muitas vezes é difícil fazer experimentos por custo e praticidade. Chan e Perry (Google, 2017) recomendam, se possível, discutir com quem usa o resultado as métricas de incerteza dos parâmetros e do modelo.

Qual o prazo entre o alerta do MMM e a mudança no orçamento?

O prazo é o do teste somado ao da calibragem. Segundo a documentação do Meridian GeoX, o período ativo de um estudo vai de 3 a 10 semanas, dentro de uma janela que precisa cobrir pelo menos um ciclo de compra, e a região de controle não muda no meio. Depois disso vêm o registro do resultado como prior, a nova rodada do otimizador e a validação antes de implementar.

Um teste feito meses atrás ainda serve para calibrar o MMM?

Pode servir, com mais incerteza. A documentação do Meridian manda perguntar se o experimento ocorreu antes, durante ou depois do período dos dados do modelo, e o CalibrationBuilder adiciona incerteza a experimentos mais antigos. O guia do Robyn recomenda rodar estudos de incrementalidade de forma contínua e regular para ter resultados que calibrem o MMM de forma permanente.

Um teste de aumento de verba pode entrar na calibragem do modelo?

Vale conferir qual contrafactual o teste usou. O CalibrationBuilder do Meridian foi projetado para experimentos que medem o lift incremental médio contra um valor de referência de gasto zero, e a documentação não recomenda registrar experimentos que medem o lift marginal em relação a gastos reduzidos. O teste de investimento em regiões específicas, segundo o Meridian GeoX, estima os retornos marginais do aumento do orçamento sobre o gasto atual.

Em resumo

  • O MMM aponta o canal em que a estimativa é incerta; o experimento mede o efeito incremental desse canal.
  • O resultado entra no modelo como prior, sem fórmula única: a documentação do Meridian diz que não existe fórmula específica para transformar o experimento em distribuição a priori.
  • A verba muda dentro de limites: por padrão, o otimizador do Meridian limita cada canal entre 70% e 130% do gasto de partida no orçamento fixo, e isso é configuração da ferramenta.
  • Teste quando viável, não para todo canal: a prioridade são os canais com alta incerteza, viés possível ou valor de referência irreal.
  • Na Purple, os testes geográficos estão entre as entregas dos especialistas, que apoiam o planejamento e a condução, e a Purple não tem vínculo com veículos de mídia.

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