Como transformar os resultados de um MMM em recomendações práticas

Ler o resultado de um Marketing Mix Modeling (MMM) é cruzar quatro saídas: o valor de referência (baseline, o que aconteceria sem mídia) e, por canal, o ROI, o retorno marginal (mROI) e a curva de resposta. A recomendação nasce de um cenário de orçamento simulado dentro de limites e se confirma com um experimento nos canais em que o modelo carrega mais incerteza. Olhar um número sozinho não descreve o quadro completo.

Por que ler um número só engana a recomendação

O guia de MMM para analistas do Robyn, da Meta, avisa que considerar todas as métricas antes de decidir importa, porque uma decisão tomada com base em um único dado pode não refletir o quadro completo.

O guia dá dois exemplos que se leem juntos. Um canal com ROI alto, pouca contribuição e pouco gasto pode indicar espaço para investir mais: o retorno é bom e o gasto baixo sugere que ele ainda não saturou. Um canal com ROI baixo, muita contribuição e muito gasto pode parecer de desempenho fraco, mas é um grande motor de resultado, e tirar verba dele talvez não seja sensato.

A documentação do Meridian, do Google, acrescenta uma distinção que muda a conversa: um ROI alto não implica eficácia alta, e pouco gasto não é sinônimo de eficácia baixa (interpretação das visualizações do Meridian). A eficácia mede a receita incremental por unidade de mídia, e o ROI mede o resultado incremental por real gasto. São réguas diferentes.

Quem leva para a diretoria uma lista de canais ordenada por ROI está levando meia leitura. A recomendação fica defensável quando valor de referência, ROI, retorno marginal e curva de resposta apontam na mesma direção, ou quando a divergência entre eles é explicada.

O que cada saída do modelo mostra

As definições abaixo são as da documentação do Meridian, e a regra de uso também é dela: ROI para avaliar a performance histórica, curvas de resposta para otimizar orçamentos futuros e retorno marginal para avaliar a saturação (ROI, mROI e curvas de resposta, consultada em 30/09/2026).

Saída	O que mostra	Para que serve
Valor de referência (baseline)	O que teria acontecido com a marca ou a linha de produtos sem as contribuições dos canais de marketing	Separar o que veio da mídia do que aconteceria de qualquer forma
ROI	O resultado incremental no nível de gasto histórico dividido pelo gasto	Avaliar a performance histórica do canal
Retorno marginal (mROI)	O resultado incremental do próximo real gasto acima do nível de orçamento histórico	Medir o nível de saturação do canal
Curva de resposta	O resultado incremental estimado em qualquer nível de gasto	Otimizar o orçamento futuro
Eficácia e CPIK	A eficácia é a receita incremental por unidade de mídia; o CPIK é o custo por resultado incremental	Ler ao lado do ROI, sem tomar um pelo outro

A base das três primeiras é o resultado incremental, calculado comparando o resultado real com um cenário contrafactual em que a atividade de marketing nunca aconteceu. Segundo a mesma documentação, se o retorno marginal de um canal está muito abaixo do ROI dele, o canal está começando a saturar no nível de gasto histórico, e os canais com maior retorno marginal são os candidatos a receber mais verba.

Como transformar o resultado em recomendação, passo a passo

1. Conferir o valor de referência e a contribuição antes de qualquer coisa. Pela documentação do Meridian, o resultado não pode ser negativo, então um valor de referência negativo indica erro estatístico na inferência causal dos efeitos dos canais, equivalente a eles receberem crédito demais. A mesma página avisa que uma estimativa pontual negativa não indica necessariamente viés do modelo e pede avaliar a negatividade de forma probabilística. Um número desses não vira recomendação.
2. Cruzar ROI, contribuição e gasto de cada canal. É o que o guia do Robyn pede: nenhuma das três isolada descreve o quadro. Um canal pode devolver bem por real e pesar pouco no total; outro pode devolver pouco por real e sustentar boa parte das vendas.
3. Ler o retorno marginal contra o ROI. Segundo o Meridian, onde o retorno marginal está muito abaixo do ROI, o canal começa a saturar no nível de gasto histórico. O passo a passo para achar esse ponto com a curva de resposta está em saber se um canal está saturado.
4. Simular o cenário dentro do tipo de orçamento que a empresa tem. O otimizador do Meridian tem três cenários: orçamento fixo, que acha a alocação que maximiza o ROI para um orçamento dado; orçamento flexível com ROI mínimo desejado, cuja restrição vale para o total de marketing e não para cada canal; e orçamento flexível com ROI marginal desejado, cuja meta vale por canal (cenários de otimização de orçamento, consultado em 30/09/2026). O detalhamento de como escolher entre eles está em distribuir o orçamento entre canais.
5. Limitar a realocação. Por padrão, no orçamento fixo, o otimizador do Meridian limita o gasto de cada canal entre 70% e 130% do gasto de partida; no flexível, entre 0% e 200%, conforme a mesma documentação. São o padrão da ferramenta, não uma recomendação de quanto mover. A trilha de aprendizado do PyMC-Marketing é direta nesse ponto: quando o otimizador concentra quase todo o orçamento em um canal, isso em geral não é defeito do otimizador, e sim o que uma curva de saturação com inclinação mal estimada produz; a orientação é restringir as faixas de gasto com os limites do otimizador e não entregar a resposta sem restrições (trilha de MMM do PyMC-Marketing).
6. Confirmar com experimento os canais de maior incerteza. O Meridian ajuda a identificar e priorizar para teste os canais em que o modelo apresenta alta incerteza, possível viés ou valor de referência irreal, e sinaliza os canais com pontuação abaixo de 67,5 nessa verificação. O 67,5 é o limite dessa verificação, não uma régua de decisão. No fluxo do Meridian GeoX, a saída do MMM pode sugerir um experimento, e os achados de incrementalidade calibram o modelo quando passam nas verificações de qualidade; o desenho do teste está em um teste geográfico de incrementalidade.

Como apresentar a recomendação à diretoria

Três itens vão à diretoria junto com o número, cada um com a fonte que o sustenta: o intervalo, as suposições do cenário e a validação dos resultados. O primeiro vem da trilha do PyMC-Marketing, cujo objetivo para essa etapa é uma recomendação de orçamento com um intervalo e um relato claro de como ela pode estar errada.

O Meridian usa uma regressão bayesiana que combina conhecimento prévio e o que aprende dos dados para estimar os efeitos de mídia e quantificar a incerteza; todos os parâmetros e a incerteza correspondente entram no cálculo das estimativas pontuais e dos intervalos de credibilidade do ROI.

O segundo item são as suposições do cenário. Na otimização de orçamento futuro, o Meridian estima a parte incremental do resultado com base em suposições sobre o futuro, e não o valor do resultado futuro; as suposições que podem diferir do histórico são o custo por unidade de mídia, a receita por unidade do indicador principal e o padrão do período de veiculação. As perguntas frequentes do Meridian fecham a questão: “o Meridian foi criado para inferência causal, não para previsão” e, por isso, não pode ser usado para prever o resultado bruto futuro. O que ele entrega é uma estimativa do efeito incremental sob suposições.

O terceiro item é a validação antes de implementar: o guia do Robyn pede validar os resultados do alocador; o código foi revisado pela Meta e pela comunidade, mas o guia não garante que a resposta prevista atenda às expectativas de negócio quanto à acurácia. A leitura de quanto vale mover, com a faixa de erro de cada estimativa, está em margem de erro de um MMM.

Os erros que transformam um bom resultado em má recomendação

• Otimizador que concentra tudo em um canal. É sintoma antes de ser solução: uma curva de saturação com inclinação mal estimada produz essa concentração, e o caminho é restringir as faixas de gasto e checar se a curva daquele canal chegou a ser identificada.
• Tratar a contribuição incremental como previsão das vendas totais. O cenário estima a parte incremental sob suposições; prever o resultado total depende do modelo e da entrega, e a documentação do Meridian diz que o modelo dela foi criado para inferência causal, não para previsão.
• Ler ROI alto como eficácia alta. As duas réguas medem coisas diferentes, segundo a documentação do Meridian.
• Ignorar a incerteza do mix. O intervalo de credibilidade faz parte da resposta. Recomendação sem faixa de variação vira promessa.

O blog da Purple dá nome ao risco de fundo desses erros: no post sobre o que torna um MMM útil na estratégia de marketing, de 17/06/2026, a distância entre o que o modelo entrega e o que precisa ser respondido é “onde quase todo MMM morre”.

Como a Purple trata a leitura e a recomendação

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. Criada em 2021, estima o efeito de cada canal com séries temporais bayesianas sobre dados agregados do histórico de investimento e de resultado, sem depender de rastreamento individual por cliques, UTMs ou cookies; as séries bayesianas apoiam a estimativa das relações, e a interpretação causal depende das premissas e da qualidade do modelo.

Os especialistas em marketing e estatística contextualizam os resultados, desafiam premissas, recomendam caminhos e preparam a conversa com a liderança. A Purple não tem vínculo com veículos de mídia e pode recomendar investir menos num canal quando a análise não encontra resultado incremental. Na home, no bloco sobre a temporada de orçamento, a Purple diz que o time “entra com cenários em vez de um pedido”.

Depois da decisão, a Purple acompanha o resultado das recomendações com o RVI (Recommendation Value Index), que, segundo a documentação da Purple, vai de 0 a 100 e, na home, “dá nota para o próprio conselho: o plano pagou?”. O RVI mostra se seguir as recomendações trouxe resultado; não é prova causal automática de que a recomendação funcionou.

Segundo a página de ciência da Purple, o modelo considera contribuição, lag, halo, saturação e otimização. Na home, a proposta é “veja o retorno marginal de cada canal: onde ainda cresce, onde já esgotou” e, depois, “simule o mix antes de comprometer um centavo”.

Um exemplo de leitura cruzada vem do case da Liv Up: um canal que parecia pequeno, quando observado isoladamente, estava contribuindo para o desempenho das vendas, segundo Lucas Yokota à Exame (25/09/2026). A participação do TikTok nos investimentos de topo e meio de funil da Liv Up passou de 1% para 3,5% em janeiro de 2026 e depois chegou a 6,5%, segundo o case do blog da Purple (28/09/2026), e a decisão de investir foi da Liv Up.

Quem quer ver essa leitura com os próprios dados pode agendar uma conversa.

Perguntas frequentes

Como defender uma mudança de orçamento de mídia para a diretoria?

Apresentando a mudança como cenário, com o que o modelo estima, o intervalo e as suposições. A trilha do PyMC-Marketing define o objetivo dessa etapa como uma recomendação de orçamento com um intervalo e um relato claro de como ela pode estar errada, e a documentação do Meridian lembra que a estimativa da parte incremental depende de suposições sobre o futuro, como o custo por unidade de mídia. O guia do Robyn pede validar os resultados antes de implementar.

O que significa um valor de referência negativo no resultado do modelo?

Um erro estatístico. A documentação do Meridian diz que o resultado não pode ser negativo, então um valor de referência negativo indica erro na inferência causal dos efeitos dos canais, equivalente a eles receberem crédito demais. A mesma página avisa que uma estimativa pontual negativa não indica necessariamente viés do modelo, porque o erro pode vir de viés ou de variância, sobretudo quando os dados têm informação limitada, e pede avaliar a negatividade de forma probabilística.

Por que o otimizador de orçamento concentra tudo em um canal?

Segundo a trilha de aprendizado do PyMC-Marketing, isso em geral não é um defeito do otimizador: é o que uma curva de saturação com inclinação mal estimada produz. A orientação da página é restringir as faixas de gasto com os limites do otimizador, perguntar se a curva daquele canal chegou a ser identificada e não entregar a resposta sem restrições.

O resultado de um MMM é uma previsão de vendas?

Não necessariamente; depende do modelo e da entrega. Uma estimativa de contribuição incremental, por si só, não é uma previsão das vendas totais. No planejamento de cenários, o modelo estima a parte incremental do resultado sob suposições sobre o futuro.

ROI e eficácia de um canal dizem a mesma coisa?

Não. A documentação do Meridian define o ROI como o resultado incremental por real gasto, a eficácia como a receita incremental por unidade de mídia e o CPIK como o custo por resultado incremental. Segundo a página, um ROI alto não implica necessariamente eficácia alta, e pouco gasto não é sinônimo de eficácia baixa.

Em resumo

• Ler o resultado é cruzar o valor de referência e, por canal, ROI, retorno marginal e curva de resposta, não olhar um número só.
• O cenário de orçamento se simula dentro de limites: no padrão do otimizador do Meridian, de 70% a 130% do gasto de partida no orçamento fixo e de 0% a 200% no flexível.
• A resposta sem restrições não se entrega: otimizador que concentra tudo em um canal aponta para curva mal estimada.
• A recomendação vai à diretoria com intervalo e suposições, como estimativa do efeito incremental, com as suposições do cenário à vista.
• Na Purple, os especialistas ajudam a transformar a leitura em decisão, e o RVI acompanha o resultado das recomendações depois dela, sem provar sozinho que funcionaram.

Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science que combina software de Marketing Mix Modeling (MMM), metodologia própria e especialistas. Atualizado em outubro de 2026.