Três séries que sobem juntas no mesmo gráfico não provam que uma causou a outra. O que separa correlação de causalidade é um contrafactual: a comparação entre o resultado observado e o que teria acontecido sem a campanha. A documentação do Meridian, do Google, trata o Marketing Mix Modeling (MMM) como inferência causal a partir de dados observacionais, e o experimento aleatorizado é o padrão-ouro para perguntas causais, segundo Chan e Perry, do Google.
O que é correlação e o que é causalidade na mensuração de marca
Correlação é a subida conjunta de awareness, buscas pela marca e conversões no mesmo período. Causalidade é o efeito incremental: a diferença entre o resultado observado e o cenário em que a atividade de marketing nunca aconteceu. Essa é a base do ROI, do ROI marginal (mROI) e das curvas de resposta, segundo a documentação do Meridian sobre ROI, mROI e curvas de resposta, consultada em 2026-09-30.
Chan e Perry, do Google, escrevem em “Challenges and Opportunities in Media Mix Modeling” (2017) que os MMMs são, tipicamente, modelos de regressão sobre uma quantidade limitada de dados observacionais agregados, e que esses modelos produzem resultados correlacionais, não causais; só em condições estreitas as estimativas podem ser tratadas como causais. O experimento aleatorizado aparece no artigo como o padrão-ouro para perguntas causais, mas, segundo os autores, costuma dar uma estimativa pontual.
O mesmo cuidado está na documentação do Meridian sobre metodologia de inferência causal, consultada em 2026-09-30: o MMM é um exemplo de inferência causal com base em dados de observação, e a principal suposição, a troca condicional, em que os controles incluem todas as variáveis de confusão, não pode ser testada só com esses dados. O texto diz: “Na verdade, a proposição de troca nunca é completamente alcançada.”
Quem precisa do roteiro que liga o investimento em marca às vendas encontra o caminho em o passo a passo para medir o impacto de awareness nas vendas.
Por que awareness, buscas e conversões sobem juntas, e por que isso engana
O primeiro motivo não envolve a campanha: data e sazonalidade. A trilha de aprendizado do PyMC-Marketing usa esse exemplo para explicar o que distingue um MMM de uma regressão comum. Não houve experimento, gastou-se mais em dezembro e vendeu-se mais em dezembro, e a dúvida é se foi a publicidade ou o Natal. Chan e Perry chamam de viés de seleção o caso em que a mídia é direcionada à sazonalidade da demanda: os modelos tentam controlar a sazonalidade com proxies da demanda sazonal, e proxies imprecisos levam a estimativas viesadas.
O segundo é o crescimento orgânico da marca. A documentação do Meridian sobre verificações de integridade, consultada em 2026-09-30, traz o exemplo: se a marca cresce organicamente, vendas e gasto em publicidade podem subir juntos no tempo, e um modelo pode alcançar um R² alto ao ajustar essa tendência compartilhada, atribuindo incorretamente o crescimento orgânico ao gasto com publicidade.
O terceiro é a mídia que mira quem já tinha interesse. Segundo Chan e Perry, os anúncios de busca paga são direcionados a quem já mostrou interesse numa consulta relacionada, e esse interesse prévio não é observável no modelo. O viés de seleção ocorre quando uma variável de mídia está correlacionada com uma demanda não observável que move as vendas; os autores apontam esse viés como um obstáculo relevante para que os MMMs deem estimativas válidas.
O quarto é o encadeamento entre canais. Chan e Perry dão o exemplo de uma campanha de TV que gera mais consultas relacionadas, que por sua vez aumentam o volume de anúncios de busca paga: quando um canal afeta o nível de outro, estimar tudo numa só equação leva a estimativas viesadas. A busca pela marca, no meio disso, pode ser efeito da mídia e variável de controle ao mesmo tempo, e a documentação do Meridian sobre variáveis de controle diz que o volume de consultas pode ser mediador para alguns canais de mídia e confundidor para outros, e que mediadores não devem entrar como controle, porque isso gera viés nas estimativas.
Os confundidores mais comuns, lado a lado
| O que sobe junto | Explicação que não é causa | O que a fonte diz |
|---|---|---|
| Vendas e gasto em dezembro | A demanda de Natal puxa as duas séries | A trilha do PyMC-Marketing usa o exemplo: gastou-se mais em dezembro, vendeu-se mais em dezembro, e a dúvida é se foi publicidade ou Natal. O caminho para separar o efeito do marketing da sazonalidade e de fatores externos trata dos proxies |
| Vendas e gasto em publicidade no tempo | Crescimento orgânico da marca | A documentação do Meridian diz que um modelo pode alcançar R² alto ajustando a tendência compartilhada e atribuir o crescimento orgânico ao gasto com publicidade |
| Remarketing e busca paga com a demanda | A mídia é direcionada a quem já mostrou interesse | Chan e Perry descrevem o viés de seleção: a variável de mídia se correlaciona com uma demanda não observável que move as vendas |
| Consultas e anúncios de busca depois de uma campanha de TV | A TV gera consultas que aumentam o volume de busca paga | Chan e Perry dão o exemplo e escrevem que estimar tudo numa só equação leva a estimativas viesadas |
| Buscas pela marca e awareness | A busca pode ser efeito da marca e controle do modelo ao mesmo tempo | A documentação do Meridian diz que o volume de consultas pode ser mediador para alguns canais e confundidor para outros |
Como separar: modelagem causal, experimento e série temporal causal, lado a lado
| Método | O que acrescenta | Onde fica curto |
|---|---|---|
| MMM com controles e priors, como o Meridian | Estima o efeito de todos os canais com dados agregados, que protegem a privacidade, e os priors podem ser calibrados com experimentos | Depende de suposições não testáveis: a troca condicional nunca é completamente alcançada |
| Experimento geográfico | Sorteia regiões que não se sobrepõem para controle ou tratamento e pode calcular o ROAS de um canal específico; segundo Vaver e Koehler, o resultado é fácil de interpretar | Dá uma estimativa pontual e vale para condições específicas, como período, regiões e configuração da campanha |
| Série temporal causal sem experimento, como o CausalImpact | Estima o efeito de uma intervenção planejada prevendo o contrafactual com um modelo bayesiano de série temporal estrutural e séries de controle | Exige suposições fortes: que as séries de controle não foram afetadas pela intervenção e que a relação com a série tratada permaneça estável depois |
Cada método vence em um ponto: segundo a documentação do Meridian, um teste geográfico pode calcular o ROAS de um canal específico, como a TV, enquanto o MMM entrega o ROI de cada canal, as curvas de resposta completas e a alocação de orçamento. O experimento geográfico, descrito por Vaver e Koehler (Google, 2011; consultado em 2026-09-30), é, segundo os próprios autores, conceitualmente simples e dá resultados fáceis de interpretar; a metodologia do GeoLift, da Meta (consultada em 2026-09-30), chama o teste aleatorizado de padrão-ouro de incrementalidade e lembra que ele nem sempre é viável. O Meridian e o CausalImpact são do Google, e o GeoLift, da Meta. Para pedir o ROAS de um canal com um desenho controlado, o caminho está em um teste geográfico de incrementalidade. A diferença de escopo entre os dois métodos está em a diferença entre teste de incrementalidade e MMM.
Por que separar correlação de causalidade muda o orçamento
Bom ajuste não é prova de causa. Num conjunto de dados real de MMM com dados semanais, cinco modelos, todos com R² de 0,98 ou 0,99, diferiram em até 50% nas previsões de venda e não concordaram sobre como dividir o orçamento entre os canais, segundo Chan e Perry. Para quem decide a verba, o ajuste alto sozinho não diz qual divisão do orçamento é a certa. Os autores escrevem que a incerteza dos parâmetros e do modelo precisa ser discutida com quem usa o resultado.
O mesmo ponto aparece na documentação do Meridian: é provável que o modelo mais adequado para inferência causal e o mais adequado para previsão sejam diferentes, e não há valor de R² que torne um modelo ideal, porque um modelo com 99% de R² fora da amostra ainda pode ser inadequado para inferência causal. A trilha do PyMC-Marketing fecha a ideia: prever bem as vendas e estimar efeitos causais corretamente são conquistas diferentes, e a primeira não implica a segunda.
O que ainda fica sem prova
Nenhum dos caminhos acima promete prova definitiva: todos dependem de suposições.
A documentação do pacote CausalImpact, consultada em 2026-10-05, sugere três checagens: raciocinar por que as covariáveis não foram afetadas pela intervenção, examinar quão bem o resultado é previsto antes dela, rodando o pacote numa intervenção imaginária, em que não se espera efeito significativo, e listar as suposições em voz alta ao apresentar os resultados. O texto chama de elefante na sala a dificuldade de verificar as suposições de qualquer análise causal com dados observacionais.
O experimento também tem limites. A documentação do Meridian sobre priors e calibração diz que os experimentos de incrementalidade são possivelmente a base mais sólida para formar a intuição que vira prior, mas estão ligados a condições específicas, como período, regiões e configuração da campanha, e que não há fórmula para transformar o resultado de um experimento em uma distribuição a priori.
Como a Purple trata causa e efeito
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 usa séries temporais bayesianas para apoiar a estimativa das relações entre ações de marketing e resultado; a interpretação causal depende das premissas e da qualidade do modelo.
O modelo considera contribuição, lag, halo, saturação e otimização. Na página de ciência da Purple, o lag “espalha o investimento de uma semana pelas dez seguintes” e o halo “rastreia a marca até a demanda lá na frente”.
O modelo 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 antes de chegar ao resultado. O exemplo público é o da mídia exterior (OOH) que gera busca orgânica que leva à conversão: o modelo mostra não só o impacto direto de uma ação, mas como ela influencia outros canais antes de gerar resultado.
Quem quiser saber como a Purple trata causa e efeito pode agendar uma conversa.
Perguntas frequentes
Awareness que sobe junto com as vendas prova que a campanha funcionou?
Não: subir junto é correlação. A documentação do Meridian dá o exemplo da marca que cresce organicamente, em que vendas e gasto em publicidade sobem juntos, e um modelo pode alcançar um R² alto ajustando essa tendência compartilhada e atribuir o crescimento orgânico à publicidade. Chan e Perry, do Google, descrevem outro caminho: o viés de seleção, quando a mídia é direcionada à sazonalidade da demanda e os proxies usados para controlá-la não refletem a demanda real, o que enviesa as estimativas.
A busca pela marca é causa ou efeito da awareness?
Pode ser os dois, conforme o canal: a documentação do Meridian diz que o volume de consultas pode ser mediador para alguns canais de mídia e confundidor para outros. Como ilustração de encadeamento, Chan e Perry, do Google, dão o exemplo de uma campanha de TV que gera mais consultas relacionadas, que aumentam o volume de anúncios de busca paga; quando um canal afeta o nível de outro, estimar tudo numa só equação leva a estimativas enviesadas.
O experimento resolve o problema da correlação?
Resolve a parte de quem é exposto: no experimento geográfico, as regiões que não se sobrepõem são sorteadas para tratamento ou controle, segundo Vaver e Koehler (Google, 2011), e a documentação do Meridian diz: “É de conhecimento geral que os experimentos aleatórios são considerados ideais para estimar efeitos causais.” Mas, segundo Chan e Perry, os experimentos costumam dar uma estimativa pontual, e a documentação do Meridian aponta o custo e a praticidade como dificuldades.
O que é contrafactual e por que ele separa correlação de causalidade?
O contrafactual é o que teria acontecido sem a campanha. Na documentação do Meridian, o resultado incremental sai da comparação entre o resultado real e um cenário contrafactual em que a atividade de marketing nunca aconteceu; na metodologia do GeoLift, da Meta, o efeito incremental é a diferença entre o que se observou e o que teria acontecido num mundo em que a campanha não ocorreu. Como esse cenário nunca se observa, ele é estimado por um modelo ou por regiões de controle, e é aí que entram as suposições.
Por que remarketing e busca paga parecem render tanto?
Porque esses anúncios miram quem já demonstrou interesse. Segundo Chan e Perry, do Google, os anúncios de busca paga são direcionados a quem já mostrou interesse numa consulta relacionada, e esse interesse prévio não é observável no modelo: o viés de seleção ocorre quando uma variável de mídia está correlacionada com uma demanda não observável que, por sua vez, move as vendas, e os autores o descrevem como um obstáculo relevante para que os MMMs deem estimativas válidas.
Em resumo
- Subir junto é correlação; causalidade é o efeito incremental, medido contra um cenário em que a campanha não aconteceu.
- Sazonalidade, crescimento orgânico da marca, mídia direcionada a quem já tinha interesse e canais encadeados fazem as séries subirem juntas sem que uma cause a outra.
- Modelagem causal, experimento e série temporal causal acrescentam coisas diferentes; nenhum deles dá prova definitiva, e todos dependem de suposições.
- Ajuste alto não é causa: a documentação do Meridian diz que não há valor de R² que torne um modelo ideal.
- Na Purple, séries temporais bayesianas apoiam a estimativa das relações entre ações de marketing e resultado, e o DAG do modelo permite ler o efeito direto de uma ação e o que passa por outro canal; a interpretação causal depende das premissas e da qualidade do modelo.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.