O gráfico que cruza o gasto de um canal de mídia com o resultado incremental que ele devolve tem uma curvatura: cada real a mais rende menos que o real anterior. A documentação de recursos do Robyn, da Meta, chama o fenômeno de saturação, ou retornos decrescentes, a teoria de que cada unidade adicional de investimento em publicidade aumenta a resposta a uma taxa decrescente. O retorno marginal é o que rende o próximo real, enquanto o ROI é a média do que o histórico já rendeu, e os dois números respondem a perguntas diferentes.
O que é uma curva de saturação
Na definição do glossário do Meridian, do Google (página atualizada em 17/09/2026), a curva de resposta é o gráfico do resultado incremental em relação ao nível de gasto de uma determinada variável de mídia. O eixo horizontal traz o gasto do canal; o vertical, o resultado incremental que o modelo atribui a ele. A curva sobe, mas sobe cada vez menos.
O Meridian supõe que mídia paga e mídia orgânica têm retornos marginais decrescentes e que existe um limite assintótico para o efeito da mídia em cada período, segundo o mesmo glossário. Conforme o gasto sobe ao longo da curva de resposta, o mROI, que é o retorno marginal, diminui.
A intuição está na introdução ao MMM do PyMC-Marketing (consultada em outubro de 2026): o investimento adicional num canal costuma render menos à medida que as pessoas se acostumam com a mensagem. A curva descreve uma relação entre gasto e resposta, não o mérito do canal.
Saturação é o nome que o modelo dá a essa curvatura.
Por que a curva de saturação muda a decisão de verba
O ROI olha para trás; o retorno marginal olha para o próximo real. A página do Meridian sobre ROI, mROI e curvas de resposta (consultada em 30/09/2026) separa os três usos: o ROI avalia a performance histórica do canal, as curvas de resposta servem para otimizar orçamentos futuros e o mROI avalia o nível de saturação.
A documentação de interpretação das visualizações do Meridian (página atualizada em 13/06/2026) trata o mROI como indicador da eficiência do gasto extra: canais com ROI alto e mROI baixo provavelmente estão em fase de saturação, e, nesse caso, a documentação sugere realocar parte do orçamento para um canal de alta performance que ainda esteja bem abaixo da saturação. A sugestão é condicionada ao caso e não define quanto mover.
O guia de MMM para analistas do Robyn (consultado em 30/09/2026) chega à mesma decisão por outro caminho: comparar as curvas de resposta dos canais lado a lado e mover verba dos canais mais saturados para os menos saturados. Quanto cada canal deve receber depois dessa comparação é o assunto de como distribuir o orçamento entre canais e objetivos.
Para o PyMC-Marketing, conhecer a saturação de cada canal é vital para decidir a verba futura.
Retorno marginal e ROI médio: duas perguntas diferentes
Os três números saem do mesmo modelo e respondem a perguntas distintas.
| Medida | A pergunta que responde | Para que serve, segundo a documentação do Meridian |
|---|---|---|
| ROI | Quanto o canal devolveu no nível de gasto histórico? | Avaliar a performance histórica do canal |
| Retorno marginal (mROI) | Quanto rende o próximo real acima do orçamento histórico? | Avaliar o nível de saturação do canal |
| Curva de resposta | Quanto o canal devolve em cada nível de gasto? | Otimizar orçamentos futuros |
As definições são as da documentação do Meridian sobre ROI, mROI e curvas de resposta: o ROI é o resultado incremental no nível de gasto histórico dividido pelo gasto; o mROI é o resultado incremental do próximo real gasto acima desse orçamento histórico; a curva de resposta estima o resultado incremental em qualquer nível de gasto.
Um exemplo hipotético mostra por que um número não vira o outro. Um canal gerou R$ 300 mil de resultado incremental com R$ 100 mil investidos. Isso não significa que acrescentar R$ 10 mil vá gerar outros R$ 30 mil: o retorno marginal compara manter o gasto atual com aumentá-lo um pouco, e o ROI compara o investimento realizado com a ausência dele.
Como é o formato da curva
O Robyn e o Meridian desenham a curvatura com a função de Hill. A documentação de recursos do Robyn (consultada em 30/09/2026) explica que abordagens comuns transformam a variável de mídia por logaritmo, potência ou funções em forma de S, e que o Robyn usa a função de Hill para uma transformação flexível em saturação com formato de S ou de L. Nela, o parâmetro alpha controla o formato da curva entre C e S, e o parâmetro gamma controla o ponto de inflexão.
No Meridian, a saturação é modelada pela mesma função, com dois parâmetros: um deles é o ponto de meia saturação e o outro controla o formato, segundo a página do Meridian sobre saturação e efeito defasado (consultada em 30/09/2026). A distribuição a priori padrão do modelo, o ponto de partida que ele assume antes de ver os dados, supõe curva côncava para o parâmetro de formato, e a documentação avisa que curvas em S podem causar problemas na otimização de orçamento por causa da convexidade.
A comparação que rende decisão é entre as curvas dos canais do próprio negócio, estimadas pelo mesmo modelo e sobre o mesmo histórico.
Como a curva é estimada e até onde confiar nela
A curva não é medida ponto a ponto: é estimada pelo modelo a partir do histórico. Na página do Meridian sobre saturação e efeito defasado, os parâmetros da função de Hill são estimados dentro do intervalo de mídia observado nos dados; a curva ajustada pode ser extrapolada para fora desse intervalo, mas o resultado precisa ser interpretado com cautela. A documentação de interpretação das visualizações do Meridian acrescenta que o ideal seria informar cada ponto da curva com dados, e não com extrapolação paramétrica, mas isso não é possível.
A curva também carrega duas premissas: supõe que o gasto dos outros canais permaneça igual e que o custo por unidade de mídia seja constante, igual à média histórica, segundo a documentação do Meridian sobre ROI, mROI e curvas de resposta. O risco de extrapolação cresce para pontos acima do gasto histórico.
O erro depende de quanto dado existe. Numa simulação de Jin e outros, pesquisadores do Google, publicada em 2017, com dois anos de dados semanais, os parâmetros da forma da curva foram bem mais difíceis de estimar que os do efeito defasado e ficaram sujeitos a alta variância e grande viés. Como esses parâmetros chegam com incerteza, a leitura do ponto de saturação também chega: a margem de erro e confiança nas estimativas de um MMM é o que separa uma leitura firme de um número com aparência de certeza.
Os limites de realocação que aparecem em simulação são da ferramenta. Por padrão, no cenário de orçamento fixo, o otimizador do Meridian limita o gasto de cada canal entre 70% e 130% do gasto da alocação de partida; no orçamento flexível, entre 0% e 200%, segundo a documentação de cenários de otimização de orçamento do Meridian, consultada em 30/09/2026. São valores padrão de configuração, não recomendação de quanto mover.
O que a curva de saturação não é
Não é um teto fixo. O glossário do Meridian diz que saturação é um termo geral e que nenhum limite específico é definido; o ponto em que um canal satura é uma estimativa do modelo para aquele histórico, e não um número de tabela.
Não é o efeito defasado. A página do Meridian sobre saturação e efeito defasado descreve dois mecanismos que regem o efeito da mídia no KPI: o efeito defasado, em que o efeito de um canal de mídia tem uma defasagem que diminui lentamente ao longo do tempo, e a saturação, a diminuição dos retornos marginais com o aumento da execução de mídia. O primeiro é o tema de o efeito da mídia que continua depois do gasto.
Não é a definição de um estudo. No Profit Ability 2, estudo do Reino Unido divulgado em 24/04/2024 e encomendado pela Thinkbox, que promove a publicidade em TV, com base em bancos de dados econométricos de cinco empresas do setor, o ponto de saturação de um canal é o último ponto em que cada libra investida ainda gera pelo menos £ 1 de lucro. É a régua que aquele estudo adotou, em libras, e não um padrão de mercado.
Quem quer saber se o próprio canal já saturou encontra o diagnóstico, com os sinais e o passo a passo da medição, em como saber se um canal de mídia está saturado.
Como a Purple trata saturação e retorno marginal
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.
O modelo da Purple considera contribuição, lag, halo, saturação e otimização, segundo o site da Purple, e a saturação entra na análise inclusive para marca e mídia offline. Na home da Purple, a leitura aparece como “veja o retorno marginal de cada canal: onde ainda cresce, onde já esgotou”. O lag, na descrição da página de ciência da Purple, espalha o investimento de uma semana pelas dez seguintes.
Quem quer ver o retorno marginal dos próprios canais pode conhecer a Purple Metrics.
Perguntas frequentes
O que é retorno marginal em mídia?
Retorno marginal é o que rende o próximo real investido, e não o que o canal rendeu em média. A documentação do Meridian, do Google, define o ROI marginal (mROI) como o derivado da curva de resposta, que equivale aproximadamente ao ROI da próxima unidade monetária investida além do nível de gasto atual; o ROI, por sua vez, é o resultado incremental dividido pelo gasto. Conforme o gasto sobe ao longo da curva de resposta, o mROI diminui.
A curva de saturação tem sempre o mesmo formato?
Não. A função de Hill aceita formatos diferentes: na documentação do Robyn, o parâmetro alpha controla o formato da curva entre C e S e o gamma controla o ponto de inflexão. No Meridian, a função tem dois parâmetros, um deles o ponto de meia saturação e o outro o formato, e a distribuição a priori padrão para o formato supõe curva côncava; a documentação avisa que curvas em S podem causar problemas na otimização de orçamento por causa da convexidade.
Curva de saturação e curva de resposta são a mesma coisa?
Os dois nomes se encontram nas documentações. O guia do Robyn diz que as curvas de resposta são às vezes chamadas de curvas de saturação e que indicam se o gasto de um canal está num nível ótimo ou se aproxima da saturação. No Meridian, a curva de resposta é o gráfico do resultado incremental em relação ao nível de gasto de uma variável de mídia, e a saturação é o que acontece ao longo dela: conforme o gasto aumenta, o mROI diminui.
A curva de saturação de um canal é medida ou estimada?
É estimada pelo modelo. Segundo a documentação do Meridian, os parâmetros da função de Hill são estimados dentro do intervalo de mídia observado nos dados; fora dele, a curva pode ser extrapolada, mas o resultado precisa ser interpretado com cautela. Na simulação de pesquisadores do Google (Jin e outros, 2017), com dois anos de dados semanais, os parâmetros da saturação foram bem mais difíceis de estimar que os do efeito defasado e tiveram alta variância e grande viés.
Em resumo
- A curva de saturação mostra que cada real a mais investido num canal rende menos que o anterior, e esse fenômeno é o que o MMM chama de retornos decrescentes.
- Retorno marginal é o que rende o próximo real acima do gasto histórico; o ROI é o resultado incremental do histórico dividido pelo gasto, e os dois partem de cenários de comparação diferentes.
- Pela documentação do Meridian, canais com ROI alto e mROI baixo provavelmente estão em fase de saturação, e aí a sugestão é realocar parte do orçamento para um canal ainda bem abaixo da saturação.
- A curva é estimada dentro do intervalo de gasto observado, supõe os outros canais iguais e custo por unidade de mídia constante, e perde precisão fora desse intervalo.
- Na Purple, saturação é uma das peças do modelo e a leitura do retorno marginal aparece por canal.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.