Um Marketing Mix Modeling (MMM) bayesiano não devolve um número único por canal: devolve uma faixa de valores possíveis, o intervalo de credibilidade, e a largura dessa faixa mede a incerteza da estimativa. A documentação de inferência bayesiana do Google, consultada em 05/10/2026, descreve o Meridian como uma regressão bayesiana que combina conhecimentos anteriores e indicadores aprendidos com dados para estimar os efeitos de mídia e quantificar a incerteza: todos os parâmetros entram nas estimativas pontuais e nos intervalos confiáveis (de credibilidade) do ROI. Quem pergunta pela margem de erro está perguntando pela largura desse intervalo, e a resposta muda o que o time de marketing faz com o número.
O que são a margem de erro e a confiança nas estimativas de um MMM
O valor que chega na planilha é uma estimativa pontual; a informação sobre quanto ela pode estar errada vem da distribuição de onde ele foi tirado. A documentação do Meridian descreve o resultado principal do modelo como uma distribuição a posteriori de parâmetros, que alimenta a análise pós-modelagem, e explica que o modelo cria pressupostos sobre efeitos complexos do mundo real, como o efeito defasado da publicidade e a saturação. A estimativa de ROI de um canal e o intervalo em volta dela são duas leituras da mesma distribuição.
A forma de mostrar a incerteza varia com a escola. O Robyn, da Meta, calcula a incerteza por bootstrapping: depois de obter os modelos candidatos Pareto-ótimos, agrupa por k-means os de hiperparâmetros parecidos e faz o bootstrap das métricas de eficiência, ROAS ou CPA, para obter a distribuição e o intervalo de 95%, segundo a documentação de recursos do Robyn (consultada em 05/10/2026). O Meridian usa o intervalo de credibilidade de 80% na verificação de ROI de alta variância. O intervalo de 95% do Robyn e o de 80% do Meridian vêm de métodos diferentes, e um não se converte no outro.
Na linguagem da documentação, o termo é intervalo de credibilidade, não margem de erro nem intervalo de confiança clássico. A tradução em português do Meridian escreve intervalos confiáveis. O ponto prático é o mesmo: a faixa diz quais valores de ROI são compatíveis com os dados e com as premissas do modelo.
Por que a faixa de incerteza muda a decisão de verba
Um número único convida a decisão binária: aumentar ou cortar o canal. Uma faixa obriga a uma decisão sobre o risco. Em um 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, com previsões de vendas diferindo em até 50% entre os modelos, segundo o artigo de Chan e Perry, do Google, publicado em 2017.
A discordância aparece justamente onde a decisão dói. Os mesmos autores observam que as métricas de incerteza dos parâmetros e do modelo precisam ser discutidas com quem usa o resultado. Quando um otimizador concentra quase todo o orçamento em um canal, o aprendizado do PyMC-Marketing observa que isso nem sempre é um erro de software: muitas vezes é o que uma curva de saturação com inclinação mal estimada faz.
O guia “Modernizing MMM”, publicado pelo IAB em dezembro de 2025 e elaborado com provedores de MMM e profissionais, recomenda desenhar as saídas do modelo em torno de decisões e trazer a orientação do “próximo dólar”, com ROI ou CPA marginal por canal, e ressalva que são estimativas do modelo. A ressalva não enfraquece a decisão: ela diz de que tipo de número o time está falando, e a faixa é o que transforma um ROI num intervalo de credibilidade para agir.
Como o MMM calcula e mostra a incerteza
O mecanismo é a combinação entre o que o time já sabe e o que os dados mostram. A documentação do Meridian explica que, com poucas informações nos dados, a distribuição a posteriori fica mais ponderada pelas distribuições a priori; com muitas informações, ela fica mais ponderada pelos dados. Isso significa que um canal com histórico curto tem parte da estimativa sustentada por premissas, e premissa não é medição.
O Meridian tem uma verificação de ROI de alta variância: compara o comprimento do intervalo de credibilidade de 80% do ROI de cada canal, normalizado e ponderado pelo gasto, com o da prior padrão, para identificar os canais em que a estimativa é muito incerta. A documentação calcula uma pontuação composta e sinaliza os canais com pontuações abaixo de 67,5, e canais com pouco gasto tendem a ter variância maior. O Robyn mostra a incerteza no fim do processo, com o bootstrap das métricas de eficiência.
A orientação do Meridian sobre quantidade de dados é aproximada e direcional, e a forma mais precisa de avaliar é rodar o modelo e olhar a amplitude dos intervalos de credibilidade. No exemplo hipotético da própria documentação, dois anos de dados semanais, 104 pontos, dão quatro pontos por parâmetro, amostra que a documentação considera pequena demais para estimar o modelo de maneira confiável. O exemplo simplifica o caso real, porque ignora, por exemplo, os parâmetros de adstock e de função de Hill.
O que alarga a faixa de incerteza de um canal
A largura do intervalo responde a quatro perguntas sobre os dados, e o diagnóstico vem antes da decisão de mexer na verba.
| O que alarga a faixa | O que a documentação diz | O que conferir |
|---|---|---|
| Pouco dado por parâmetro | A orientação do Meridian é direcional; no exemplo, 104 pontos semanais dão quatro pontos por parâmetro, amostra pequena para estimar o modelo | Quantos pontos de dados a série tem por parâmetro estimado |
| Canal de gasto baixo | Na documentação do Meridian, o intervalo de ROI compatível com os dados é muito maior em canais de gasto baixo, porque eles precisam de um ROI muito grande para influenciar o ajuste | Se o canal recebeu verba suficiente para o modelo aprender a curva |
| Pouca variação do gasto | A depuração do modelo do Meridian aponta variância muito baixa entre as causas de estimativa incerta | Se o gasto do canal mudou ao longo do histórico |
| Canais que se movem juntos | A mesma documentação cita alta correlação na execução de mídia entre canais como agravante | Se dois canais subiram e desceram sempre na mesma semana |
Antes de culpar o modelo, vale checar a base: quanto histórico de dados o modelo recebe e o que fazer com dados incompletos ou imperfeitos são diagnósticos anteriores ao ajuste fino do resultado.
Como saber se o modelo merece confiança
Cada documentação recomenda uma verificação própria. O PyMC-Marketing adota para o R-hat um corte mais rígido que o do Meridian, e a tabela mostra as verificações lado a lado.
| Verificação | O que o Meridian diz | O que o Robyn e o PyMC-Marketing dizem |
|---|---|---|
| Convergência da amostragem | R-hat menor que 1,2 para todos os parâmetros, sem tratar o valor como limite rígido; se ficar um pouco acima, cadeias mais longas costumam resolver | O aprendizado do PyMC-Marketing pede r_hat em 1,01 ou abaixo, diz que acima disso o resultado não é confiável e trata ESS e divergências como sinais |
| Ajuste do modelo | Não há valor específico de R² que torne um modelo ideal ou não; um modelo com 99% de R² fora da amostra ainda pode ser inadequado para inferência causal | Regra prática do guia do Robyn: abaixo de 0,8 não é ideal, entre 0,8 e 0,9 é aceitável, acima de 0,9 é ideal |
| Incerteza da estimativa | Intervalo de credibilidade de 80%, usado na verificação de ROI de alta variância | Bootstrap do ROAS ou do CPA, com intervalo de 95% |
| Validação causal | Validar a inferência causal exige experimentos bem desenhados, e as decisões de modelagem devem servir à inferência causal, não ao erro de previsão | Três funções-objetivo do Robyn, entre elas o erro de calibração contra experimentos, ativado quando há calibragem |
A trilha de aprendizado do PyMC-Marketing, consultada em 05/10/2026, resume os três sinais da amostragem: o r_hat, o ESS e as divergências. ESS baixo num parâmetro indica estimativa ruidosa mesmo quando o resto do modelo está bem, e muitas divergências tornam o resultado suspeito.
O que um ajuste alto não prova
R² alto descreve o passado dos dados, não a qualidade da inferência causal. A documentação do Meridian afirma que não existe valor específico de R² ou de outras métricas que torne um modelo ideal ou não: “Um modelo com 99% de R ao quadrado fora da amostra ainda pode ser inadequado para inferência causal”. O ajuste mede o quanto a curva passa perto dos pontos; ele não diz qual das curvas que passam perto deles é a causal.
O exemplo de Chan e Perry mostra o tamanho do problema. O artigo é um retrato de um conjunto de dados de 2017, não um benchmark de mercado: nesse conjunto, modelos que cabiam igualmente nos dados discordaram sobre o que aconteceria com mais verba.
A recomendação da documentação do Meridian segue na mesma direção: as decisões de modelagem devem ser “adequadas ao objetivo da inferência causal, e não para minimizar o erro de previsão”.
Como decidir com uma faixa em vez de um número
- Peça a recomendação com o intervalo. O objetivo da etapa de leitura do resultado, segundo o aprendizado do PyMC-Marketing, é uma recomendação de orçamento com intervalo e um relato claro de como ela pode estar errada.
- Limite o tamanho do movimento. As restrições de gasto da otimização limitam as mudanças recomendadas, e, quanto mais forte a prior de mROI, mais perto do histórico fica a alocação ideal, segundo a documentação do Meridian sobre tipos de distribuição a priori.
- Leve para teste os canais de incerteza alta. O Meridian sinaliza os canais de estimativa muito incerta, que mais se beneficiam de calibragem com experimento; um desenho de um teste geográfico de incrementalidade mede quanto rende a verba extra em regiões escolhidas para isso.
- Chame o resultado de estimativa do modelo. É o que o guia do IAB recomenda ao desenhar as saídas em torno de decisões.
- Acompanhe o resultado depois de decidir. A faixa orienta o tamanho do movimento, e depois dele resta a pergunta se o plano pagou: é o que a Purple Metrics acompanha com o RVI (Recommendation Value Index), explicado na seção sobre a Purple.
Depois da leitura, o passo seguinte é transformar a faixa em ação: transformar o resultado do MMM em recomendações práticas é o que liga o intervalo à próxima decisão de verba.
Como a Purple trata a confiança nas estimativas
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, usa séries temporais bayesianas para ler a relação entre investimento de marketing e resultado, segundo a página de ciência da Purple, consultada em 05/10/2026: as séries bayesianas apoiam a estimativa dessas relações, e a interpretação causal depende das premissas e da qualidade do modelo. O modelo considera contribuição, lag, halo, saturação e otimização, e a contribuição lê todos os canais juntos para estimar a parte do resultado que cada um gerou.
A documentação pública da Purple informa que o relatório de confiabilidade do modelo traz viés, MAE, RMSE, MAPE, sMAPE e MASE. O RVI vai de 0 a 100 e resume se seguir as recomendações do modelo trouxe resultado, segundo a documentação da Purple; na home, ele “dá nota para o próprio conselho: o plano pagou?”. O RVI acompanha o que aconteceu depois da decisão, não é prova causal automática de que a recomendação funcionou e não substitui um intervalo de credibilidade na leitura da estimativa.
Os especialistas da Purple, em marketing e estatística, contextualizam os resultados, desafiam premissas e recomendam o que faz sentido para o negócio, e acompanham o cliente do onboarding à preparação para a reunião de board. Para ver como isso se aplica aos próprios canais, dá para agendar uma conversa com a Purple.
Perguntas frequentes
Como validar um modelo de marketing mix modeling?
Validar um MMM é checar se o modelo convergiu, se o ajuste é razoável e se a estimativa causal se sustenta. A documentação do Meridian avisa que validar diretamente a qualidade da inferência causal é difícil e exige experimentos bem desenhados, e recomenda que as decisões de modelagem sirvam à inferência causal, não à minimização do erro de previsão. O Robyn usa três funções-objetivo, entre elas o erro de calibração contra experimentos, e a trilha do PyMC-Marketing trata r_hat, ESS e divergências como os sinais de que a amostragem funcionou.
Um R² alto garante que as estimativas do MMM são confiáveis?
Não. A documentação do Meridian diz que não há valor específico de R² ou de outras métricas que torne um modelo ideal ou não, e que um modelo com 99% de R² fora da amostra ainda pode ser inadequado para inferência causal. No exemplo de Chan e Perry, do Google, publicado em 2017, cinco modelos com R² de 0,98 ou 0,99 diferiam em até 50% nas previsões de vendas. O guia do Robyn traz uma regra prática, abaixo de 0,8 não é ideal e acima de 0,9 é ideal, que ele mesmo apresenta como regra de bolso.
Qual R-hat indica que o modelo convergiu?
Cada documentação recomenda um corte. O Meridian recomenda R-hat menor que 1,2 para todos os parâmetros, sem tratar o valor como limite rígido, e diz que, se o R-hat ficar um pouco acima de 1,2, cadeias mais longas com frequência resolvem. A trilha do PyMC-Marketing diz que o r_hat deve ficar em 1,01 ou abaixo e que, acima disso, o resultado não é confiável. O corte do PyMC-Marketing é mais rígido que o do Meridian.
Por que o intervalo de um canal pequeno é tão largo?
Porque os dados trazem pouca informação sobre ele. A documentação do Meridian explica que a situação piora quando o canal tem pouco gasto, variância muito baixa ou alta correlação com os outros canais, e que o intervalo de valores razoáveis de ROI em canais de gasto baixo tende a ser muito maior do que em canais de gasto alto. O canal pequeno precisa de um ROI muito grande para influenciar o ajuste do modelo, e isso alarga a faixa compatível com os dados.
O que fazer quando o intervalo é largo demais para decidir?
Usar a faixa na decisão, em vez de esconder a incerteza: a trilha do PyMC-Marketing define como meta uma recomendação de orçamento com intervalo e um relato claro de como ela pode estar errada. A documentação do Meridian lembra que as restrições de gasto na otimização limitam o tamanho das mudanças recomendadas e sinaliza para teste os canais de maior incerteza, que mais se beneficiariam de calibragem com experimento. A decisão fica com o time de marketing; o que o modelo entrega é o tamanho do risco.
Em resumo
- Um MMM bayesiano devolve uma faixa de valores, o intervalo de credibilidade, e a largura dela é a medida da incerteza da estimativa.
- A faixa alarga com pouco dado por parâmetro, canal de gasto baixo, pouca variação do gasto e canais que se movem juntos.
- Ajuste alto não prova confiança: cinco modelos com R² de 0,98 ou 0,99 diferiram em até 50% nas previsões de vendas, segundo Chan e Perry, do Google.
- As documentações divergem no corte: R-hat menor que 1,2 no Meridian e 1,01 ou abaixo no PyMC-Marketing; R² sem valor ideal no Meridian e regra prática de 0,8 e 0,9 no Robyn.
- Decide-se com a faixa, limitando o tamanho do movimento e testando os canais de maior incerteza.
- Na Purple, o relatório de confiabilidade traz métricas como viés, MAE, RMSE, MAPE, sMAPE e MASE, segundo a documentação da empresa.
- O RVI acompanha o resultado das recomendações da Purple depois da decisão; ele não prova, sozinho, que a recomendação funcionou.
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.