Uma estratégia de marketing parte da meta de negócio, e cada tipo de dado responde a uma pergunta própria: a escolha do dado segue a decisão que leva o time até essa meta. O clique mostra o caminho digital até a conversão, a modelagem agregada estima a contribuição de cada canal, inclusive da mídia que não gera clique, o experimento testa se uma ação causou o resultado e a pesquisa de marca mostra o que o consumidor lembra e associa à marca. A divisão da verba entre canais pede dado agregado, o ajuste dentro de um canal digital pede dado de clique, e cada um desses dados tem um limite que a própria documentação reconhece.
Por que dado certo importa mais do que mais dado
Confiar na própria medição não é o mesmo que medir o conjunto. Segundo a Nielsen (comunicado de 09/10/2025; o texto não informa o tamanho da amostra, e a Nielsen vende serviços de medição), 85% dos profissionais de marketing dizem confiar na sua capacidade de medir o ROI, mas só 32% medem o ROI de forma holística, juntando mídia tradicional e digital.
O uso de modelagem agregada também aparece de forma parcial. Segundo a analista principal da Forrester, Tina Moffett (blog de 12/03/2024), na Forrester Marketing Survey de 2023, cerca de 30% dos profissionais de marketing B2C usavam ferramentas de Marketing Mix Modeling (MMM) para entender como o marketing gera valor para o negócio.
Uma estratégia de marketing começa pela meta de negócio e se desdobra numa sequência de perguntas — quanto investir, em quais canais, com qual mensagem, por quanto tempo — e cada pergunta tem um dado que a responde com mais ou menos precisão. O trabalho do time de marketing é escolher o dado pela pergunta, e não pelo que já está no painel.
Que tipos de dado entram numa estratégia de marketing
Quatro tipos de dado sustentam decisões de estratégia, e cada um cobre um pedaço diferente. O dado de clique vem da atribuição em ferramentas como o Google Analytics 4 (GA4) e mostra o caminho do usuário até a conversão dentro dos canais digitais. A modelagem agregada, o MMM, roda sobre dados agregados e estima quanto cada canal contribuiu para o resultado, incluindo mídia online e offline. O experimento, com grupo de controle, testa se uma ação causou o resultado, em vez de apenas acompanhar o número. A pesquisa de marca mede o que o consumidor lembra e associa à marca, o que o clique e a venda não mostram.
O que cada tipo de dado responde e onde ele para
Dado de clique: qual caminho digital levou à conversão
No GA4, a atribuição baseada em dados usa aprendizado de máquina para avaliar caminhos com e sem conversão e, com uma abordagem contrafactual, compara o que aconteceu com o que poderia ter acontecido, segundo a Ajuda do Google Analytics (consultada em 30/09/2026). É o dado que sustenta o ajuste fino dentro de cada canal digital: qual anúncio, qual palavra-chave, qual criativo.
Segundo a mesma página, nenhum modelo de atribuição dá crédito a visitas diretas, salvo quando o caminho para o evento principal é composto só por essas visitas. A janela de lookback tem outra página na Ajuda do Google Analytics (janela de lookback, consultada em 30/09/2026): o padrão é de 30 dias para eventos de aquisição, com opção de 7 dias, e de 90 dias para os demais eventos principais, com opção de 30 ou 60 dias.
A documentação do Meridian, do Google, recomenda a Multi-Touch Attribution (MTA), ou atribuição multitoque, orientada por dados justamente para o detalhe dos canais digitais, e trata o MMM como ferramenta de nível do canal (consultada em 30/09/2026). Para decidir verba entre canais, a escolha entre os dois métodos está em MMM ou MTA.
Modelagem agregada: quanto cada canal contribuiu
O MMM não precisa de dado no nível do usuário e roda sobre dados agregados, segundo o guia de MMM para analistas do Robyn, da Meta (consultado em 30/09/2026). Segundo o mesmo guia, o MMM considera o impacto do marketing online e offline e também de fatores que não são marketing, como preço, promoção, sazonalidade e distribuição. A decisão que esse dado sustenta é a do orçamento: quanto cada canal rendeu, quanto rende o próximo real e como realocar entre canais.
O limite é de natureza estatística. No artigo de Chan e Perry, do Google, de 2017, os MMMs típicos são regressões sobre uma quantidade limitada de dados observacionais agregados e produzem resultados correlacionais, não causais; só em condições estreitas as estimativas podem ser tratadas como causais. A documentação do Meridian observa que o MMM é uma ferramenta macro e trabalha no nível do canal, não da campanha.
Experimento: se a ação causou o resultado
O experimento aleatorizado é o padrão-ouro para responder perguntas causais, segundo Chan e Perry (Google, 2017), e costuma entregar uma estimativa pontual, sobre o que foi testado, e não sobre o resto do mix.
A documentação do Meridian reconhece os experimentos aleatórios como ideais para estimar efeitos causais, mas lembra que muitas vezes é difícil fazê-los por custo e praticidade, e que um teste geográfico pode calcular o ROAS de um canal específico, como a TV (consultada em 30/09/2026). O desenho desse teste está em um teste geográfico de incrementalidade. Onde ele para: mede uma quantidade específica, em um período definido, e não descreve o mix inteiro.
Pesquisa de marca: o que o consumidor lembra e associa
Segundo o texto do Ehrenberg-Bass Institute sobre “How Brands Grow”, de Byron Sharp, a disponibilidade mental significa que os compradores pensam na marca com facilidade e a reconhecem rápido, e depende de ativos de marca fáceis de reconhecer e de associações com os momentos de entrada na categoria (consultado em 30/09/2026). É o dado que sustenta decisões de posicionamento e de mensagem, que o clique não observa.
A apresentação de Les Binet e Peter Field hospedada pelo IPA resume, a partir de uma meta-análise do IPA Effectiveness Databank, que os efeitos de curto prazo são vitais para a eficiência, mas os de longo prazo geram crescimento e lucro (consultada em 30/09/2026). O resumo vem do banco do IPA e não descreve o mercado brasileiro.
Os quatro tipos de dado lado a lado
A tabela abaixo resume a pergunta de cada tipo de dado e a decisão de estratégia que ele sustenta. As fontes das linhas são a Ajuda do Google Analytics, a documentação do Meridian, o artigo de Chan e Perry e o texto do Ehrenberg-Bass Institute, consultados em 30/09/2026.
| Tipo de dado | Pergunta que responde | Decisão de estratégia que sustenta |
|---|---|---|
| Clique | Qual caminho digital levou à conversão? | Ajuste de campanha, palavra-chave e criativo dentro do canal digital |
| Modelagem agregada | Quanto cada canal, inclusive a mídia sem clique, contribuiu para o resultado? | Divisão da verba entre canais, pelo retorno marginal de cada um |
| Experimento | A ação causou o resultado? | Provar uma aposta antes de ampliar o investimento |
| Pesquisa de marca | O que o consumidor lembra e associa à marca? | Posicionamento, mensagem e construção de marca no longo prazo |
Quando cada tipo de dado faz sentido
A escolha segue a decisão, e não o dado que já está disponível.
- Divisão do orçamento anual, com mídia offline incluída. Modelagem agregada: a documentação do Robyn diz que o MMM considera o marketing online e offline e fatores de fora do marketing.
- Ajuste de campanha dentro do canal digital. Dado de clique: é o nível de detalhe para o qual a documentação do Meridian recomenda a MTA orientada por dados.
- Prova de uma aposta antes de ampliar. Experimento: é o padrão-ouro para perguntas causais, segundo Chan e Perry.
- Posicionamento e mensagem. Pesquisa de marca: mede disponibilidade mental e associações que o clique não observa.
A Forrester recomenda tratar o MMM como parte de uma medição em camadas: o MMM sozinho não dá o desempenho por tática e orienta o CMO sobre o mix e a alocação de orçamento, enquanto testes de incrementalidade medem o impacto de uma tática específica (blog de 12/03/2024). A documentação do Robyn afirma que a triangulação entre MMM, experimentos e atribuição é o centro da mensuração moderna.
O caminho de combinar os três está em como usar MMM, atribuição e experimento juntos, e a leitura de como saber se as decisões deram certo está em acompanhar se as decisões melhoram o resultado.
Onde a Purple se encaixa
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, ela começa pela meta de negócio do cliente e mapeia as entregas que aproximam o time dessa meta; em seguida, avalia a base, orienta o que falta e apoia a organização dos dados, inclusive com IA. Na modelagem agregada, o modelo considera contribuição, lag, halo, saturação e otimização, e os especialistas da Purple contextualizam os resultados, desafiam premissas e recomendam caminhos para a decisão.
O modelo trabalha com dados agregados do histórico da própria empresa cliente, sem depender de rastreamento individual por cliques, UTMs ou cookies; contagens agregadas de cliques e impressões podem entrar quando adequadas ao modelo. A página de ciência da Purple afirma que o modelo “permite incluir variáveis que não geram clique nenhum: mídia offline, canais digitais de topo de funil, OOH, PR”.
Em post de 15/09/2026, a página da Purple no LinkedIn descreve o trifecta, nome que o Google deu ao modelo que junta atribuição por clique, modelagem e experimento, e acrescenta, como quarta perna do que o mercado usa, a pesquisa de saúde de marca; essa pesquisa não é produto da Purple.
Para acompanhar o que vem depois da escolha do dado, a Purple usa o RVI (Recommendation Value Index), um índice de 0 a 100 que, segundo a documentação 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 acompanha o resultado das recomendações e não é prova causal automática de que a recomendação funcionou: a interpretação causal depende das premissas e da qualidade do modelo.
Quem quer ver a modelagem aplicada aos próprios dados da empresa pode conhecer a Purple Metrics.
Perguntas frequentes
Como fazer marketing baseado em dados sem depender só de cliques?
Combine o clique com dados que ele não cobre. A documentação do Robyn, da Meta, diz que o MMM não precisa de dado no nível do usuário e roda sobre dados agregados, e a do Meridian recomenda o MMM no nível do canal e indica a MTA orientada por dados para o detalhe dos canais digitais. Para provar a causa, o padrão-ouro é o experimento aleatorizado, segundo Chan e Perry, do Google (2017).
Por que tantas empresas confiam na medição de ROI e poucas medem o ROI de forma holística?
O comunicado da Nielsen traz as duas medidas e não explica a diferença; o que ele mostra é o tamanho dela. Segundo a Nielsen (comunicado de 09/10/2025), 85% dos profissionais de marketing dizem confiar na sua capacidade de medir o ROI, mas só 32% medem o ROI de forma holística, juntando mídia tradicional e digital; o texto não informa o tamanho da amostra, e a Nielsen vende serviços de medição. A Forrester, em texto de 12/03/2024, recomenda uma estratégia de medição em camadas, em que o MMM orienta a alocação do orçamento e testes de incrementalidade medem táticas específicas.
A pesquisa de marca entra numa estratégia baseada em dados?
Entra, com uma pergunta própria: o que o consumidor lembra e associa à marca na hora da compra. Segundo o texto do Ehrenberg-Bass Institute sobre “How Brands Grow”, de Byron Sharp, disponibilidade mental significa que os compradores pensam na marca com facilidade e a reconhecem rápido, e depende de ativos de marca fáceis de reconhecer e de associações com os momentos de entrada na categoria. A apresentação de Les Binet e Peter Field, hospedada pelo IPA, resume que efeitos de curto prazo são vitais para a eficiência, mas os de longo prazo geram crescimento e lucro.
Um experimento serve para qualquer decisão de estratégia?
Não. A documentação do Meridian reconhece que os experimentos aleatórios são ideais para estimar efeitos causais, mas lembra que nem sempre é fácil fazê-los, por custo e praticidade, e que um teste geográfico pode calcular o ROAS de um canal específico, como a TV, enquanto o MMM dá o ROI de cada canal, curvas de resposta e alocação de orçamento. Chan e Perry (Google, 2017) acrescentam que o experimento costuma entregar uma estimativa pontual.
O dado de clique serve para definir a estratégia?
Serve para o detalhe dentro dos canais digitais, nível para o qual a documentação do Meridian recomenda a MTA orientada por dados. Os limites são os do método: no GA4, nenhum modelo de atribuição dá crédito a visitas diretas, salvo quando o caminho é só de visitas diretas, e a janela de lookback padrão é de 30 dias para eventos de aquisição e de 90 dias para os demais eventos principais. Por isso o clique sustenta a otimização de campanha, e a divisão da verba entre canais pede também outros dados.
Em resumo
- Cada tipo de dado responde a uma pergunta: o clique mostra o caminho digital até a conversão, a modelagem agregada estima quanto cada canal contribuiu, o experimento prova se a ação causou o resultado e a pesquisa de marca mostra o que o consumidor lembra e associa.
- A divisão da verba entre canais pede dado agregado de modelagem, inclusive para mídia offline; o ajuste dentro do canal digital pede dado de clique.
- Pela Ajuda do Google Analytics, nenhum modelo de atribuição dá crédito a visitas diretas, e a janela de lookback padrão vai de 30 dias para eventos de aquisição a 90 dias para os demais.
- Segundo a Nielsen (09/10/2025), 85% dos profissionais de marketing dizem confiar na sua capacidade de medir o ROI, e só 32% medem o ROI de forma holística.
- A triangulação entre MMM, experimentos e atribuição é o centro da mensuração moderna, segundo a documentação do Robyn, da Meta.
- A Purple Metrics começa pela meta de negócio e acompanha o resultado das recomendações com o RVI, um índice de 0 a 100 que 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.