Cada método responde a uma pergunta diferente: o Marketing Mix Modeling (MMM) estima o ROI de cada canal e mostra como dividir o orçamento, a atribuição entrega o detalhe dentro dos canais digitais, e o teste de incrementalidade prova a causa de uma ação específica. Usados juntos, os três formam um laço: a saída do modelo pode sugerir o experimento, e o resultado do experimento volta para calibrar o modelo. Quando os números discordam, o experimento bem desenhado arbitra, desde que o time alinhe granularidade, métrica, período e contrafactual antes de comparar.
Por que um método sozinho engana
O MMM costuma ser uma regressão sobre uma quantidade limitada de dados observacionais agregados, e modelos assim produzem resultado correlacional, não causal; só em condições estreitas as estimativas podem ser tratadas como causais, segundo Chan e Perry, do Google, no artigo “Challenges and Opportunities in Media Mix Modeling” (Chan e Perry, Google, 2017, consultado em 2026-09-30). O mesmo artigo diz que o padrão-ouro aceito para responder perguntas causais é o experimento aleatorizado.
Ajustar bem não garante acertar a leitura. No mesmo artigo, num conjunto de dados reais 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 publicitário e sobre como dividir o orçamento entre os canais; as previsões de vendas diferiram em até 50% entre os modelos. Esses números são daquele conjunto de dados e não descrevem o mercado.
A atribuição tem outro limite. Na Ajuda do Google Analytics, nenhum modelo de atribuição do GA4 dá crédito a visitas diretas, a menos que o caminho para o evento principal seja composto exclusivamente por essas visitas, e o modelo de último clique em canais pagos e orgânicos ignora o tráfego direto e atribui 100% do valor do evento principal ao último canal em que a pessoa clicou antes da conversão (modelos de atribuição do Google Analytics, consultado em 2026-09-30).
O experimento também tem custo. A documentação do Meridian, framework de MMM do Google (consultada em 2026-09-30), diz: “Muitas vezes, é difícil fazer experimentos devido ao custo e à praticidade.” Cada método deixa uma lacuna que o outro cobre.
O que cada método responde
Segundo a documentação do Meridian, o MMM dá o ROI de cada canal, curvas de resposta completas e a alocação de orçamento, e a mesma página registra: “A MMM usa dados de observações em um nível agregado que protege a privacidade.” No mesmo documento, um teste geográfico pode calcular o ROAS de um canal específico, como a TV. Qual caminho sustenta cada decisão, entre o MMM e a Multi-Touch Attribution (MTA), ou atribuição multitoque, está em MMM ou MTA, e os dois trabalham juntos, não em disputa.
A atribuição cobre o detalhe dentro do digital. No GA4, a atribuição baseada em dados usa aprendizado de máquina para avaliar caminhos com e sem conversão e, com abordagem contrafactual, compara o que aconteceu com o que poderia ter acontecido; as conversões podem ser reatribuídas por até sete dias depois de acontecerem. A documentação do Meridian recomenda a MTA orientada por dados para o insight mais detalhado nos canais digitais, porque o MMM é uma ferramenta macro e funciona bem no nível do canal, não no nível da campanha.
O experimento prova a causa de uma ação. A documentação do Robyn, framework de MMM da Meta, citando um artigo da WARC, separa dois tipos principais: os de vendas, que comparam taxas de conversão entre grupo de teste e grupo de controle e valem só para canais digitais, e os geográficos, que podem rodar offline, podem estimar grupos de canais e podem até servir para a TV endereçável e a mídia exterior, com o risco de vazamento de efeito entre regiões, que exige desenho cuidadoso (recursos do Robyn, consultado em 2026-09-30).
O que a triangulação significa, segundo o Robyn e o Meridian
A documentação do Robyn afirma que a triangulação entre MMM, experimentos e atribuição é o centro da mensuração moderna, e que não só o tamanho do efeito, mas também o adstock e a saturação, são quantidades incertas que podem e devem ser calibradas com dado de verdade de campo sempre que possível.
Do lado do Google, as perguntas frequentes do Meridian explicam que métodos de inferência causal observacional, como o MMM, usam suposições para estimar o impacto incremental de canais específicos, e que o Meridian GeoX responde a isso com distribuições a priori causais baseadas em experimentos; o GeoX pode calibrar um modelo do Meridian ou rodar como teste geográfico independente. A introdução ao GeoX descreve o fluxo: a saída do modelo pode sugerir a execução de um experimento e, se os dados do experimento passarem nas verificações de qualidade, os achados de incrementalidade podem ser usados para calibrar o MMM.
O site do Robyn lista, entre as metodologias de calibração que o pacote aceita, o teste geográfico, o lift da Meta e a MTA. O que muda quando um teste e um modelo medem coisas diferentes está em a diferença entre teste de incrementalidade e MMM.
Como usar os três juntos, passo a passo
- Mapear o mix com o MMM. O modelo mostra o ROI e as curvas de resposta de cada canal, e a saída dele pode sugerir o experimento a rodar, segundo a introdução ao Meridian GeoX.
- Escolher o desenho. Para canal digital com resultado de conversão, cabe um teste de vendas; para mídia offline e canais cruzados, cabe um teste geográfico, e o desenho de um teste geográfico de incrementalidade precisa prever o vazamento entre regiões desde o começo.
- Rodar o teste e conferir os dados. A introdução ao Meridian GeoX condiciona o uso do achado a ele passar nas verificações de qualidade antes de virar calibração.
- Alinhar e calibrar. O guia do Robyn para analistas pede que o estudo esteja alinhado ao que o MMM mede — mesma granularidade, mesmas métricas e mesmo período — e recomenda não usar resultado de estudo com confiança baixa. A documentação do Meridian soma três perguntas antes de usar o experimento: se ele ocorreu antes, durante ou depois do período dos dados do MMM, se durou o suficiente para captar efeitos de longo prazo e se mediu o mesmo contrafactual (priors de ROI e calibragem do Meridian, consultado em 2026-09-30).
- Deixar a atribuição com o detalhe digital e repetir o ciclo. O guia do Robyn recomenda rodar os estudos de incrementalidade de forma contínua e regular, para que os resultados calibrem o MMM de maneira permanente, em vez de uma vez só.
Os três métodos lado a lado
| Quando a decisão é… | Método que vence | Por que, e o que os outros dois fazem ali |
|---|---|---|
| Dividir a verba entre canais, inclusive TV e mídia exterior | MMM | Segundo a documentação do Meridian, dá o ROI de cada canal, as curvas de resposta e a alocação de orçamento, com dado agregado |
| Ajustar campanhas dentro dos canais digitais | Atribuição | No GA4, avalia caminhos com e sem conversão; a documentação do Meridian recomenda a MTA para o detalhe dos canais digitais, e o MMM trabalha no nível do canal |
| Provar que um canal ou uma ação causou resultado | Experimento | Segundo Chan e Perry, o experimento aleatorizado é o padrão-ouro para perguntas causais, e as estimativas de um MMM só podem ser tratadas como causais em condições estreitas |
| Reduzir a incerteza de adstock e saturação de um canal | Experimento que calibra o MMM | Segundo a documentação do Robyn, adstock e saturação são quantidades incertas que podem e devem ser calibradas com dado de verdade de campo, sempre que possível |
| Decidir só com dado agregado, por privacidade | MMM | Segundo a documentação do Meridian, muitos desenhos experimentais exigem dado individual do usuário que não atende aos padrões modernos de privacidade, e o MMM usa observações em nível agregado |
O que fazer quando os métodos discordam
Modelos com ajuste igual podem discordar, como no exemplo de Chan e Perry citado acima. A documentação do Meridian recomenda que as decisões de modelagem sirvam à inferência causal, e não à minimização do erro de previsão, e diz que validar diretamente a qualidade da inferência causal exige experimentos bem projetados, com a mesma estimação do MMM.
O experimento arbitra, com ressalvas. Chan e Perry lembram que o experimento é uma fonte de verdade, mas costuma dar uma estimativa pontual. A trilha de aprendizado do PyMC-Marketing descreve o erro típico: tratar o resultado de um teste de lift como uma meta que o modelo precisa reproduzir exatamente, quando ele é uma medida ruidosa de uma janela, e a máquina de calibração é construída para pesar o achado como tal.
Antes de comparar, vale a lista de perguntas da documentação do Meridian: período, duração e contrafactual. A leitura da incerteza que sobra está em a margem de erro e a confiança nas estimativas de um MMM.
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, a Purple tem o MMM como uma das ferramentas do trabalho: as entregas dos especialistas incluem análises de MTA versus MMM, comparações com last-click, estudos de sazonalidade e o planejamento e a condução de testes geográficos, e os especialistas ajudam a escolher a metodologia adequada à pergunta, a avaliar quando usar mais de uma abordagem e a interpretar as diferenças. Combinar métodos não garante uma conclusão causal.
O modelo considera contribuição, lag, halo, saturação e otimização, e o lag espalha o investimento de uma semana pelas dez seguintes. Ele trabalha com dados agregados do histórico da empresa, sem depender de rastreamento individual por cliques, UTMs ou cookies. Saber que uma campanha teve 500 cliques na semana, a contagem total, é diferente de saber quais pessoas clicaram e compraram, o rastreamento individual: contagens agregadas de cliques e impressões podem entrar no modelo quando adequadas, e a ação sem clique, como marca, mídia offline, OOH e PR, é analisada com dados adequados.
Sobre o laço entre os métodos, a Purple tem uma tese própria. 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 (post da Purple Metrics no LinkedIn). Lucas Yokota, cofundador e COO da Purple, resume atribuição como redução de grau de incerteza, em post de 28/09/2026 no LinkedIn.
Quem quiser saber como a Purple combina esses métodos no caso da empresa pode agendar uma conversa.
Perguntas frequentes
O experimento e o MMM medem o mesmo ROI?
Não necessariamente. A documentação do Meridian diz que experimentos e MMMs podem ter estimadores e metas de medição diferentes, ou seja, definem o ROI de maneiras distintas, e que os experimentos estão ligados a condições específicas, como período, regiões geográficas e configuração da campanha. Por isso a mesma documentação lista perguntas a fazer antes de usar um experimento: se ele ocorreu antes, durante ou depois do período coberto pelos dados do MMM e se mediu o mesmo contrafactual.
O que alinhar entre o experimento e o MMM antes de comparar os resultados?
O guia do Robyn para analistas pede que o estudo de incrementalidade esteja alinhado ao que o MMM mede: mesma granularidade, mesmas métricas e mesmo período, e que não se usem resultados de estudos com confiança baixa. A documentação do Meridian soma duas perguntas: se o experimento durou o suficiente para captar efeitos de longo prazo e se o contrafactual é o mesmo, já que o do MMM é o gasto nulo e alguns experimentos medem contra um gasto reduzido.
O experimento é o juiz quando os métodos discordam?
É o árbitro mais forte, com ressalvas. Chan e Perry dizem que o experimento aleatorizado é o padrão-ouro para perguntas causais e uma fonte de verdade; a trilha de aprendizado do PyMC-Marketing avisa que o resultado de um teste de lift é uma medida ruidosa de uma janela, e não uma meta que o modelo precise reproduzir exatamente. A documentação do Meridian lembra que validar a inferência causal exige experimentos bem desenhados.
A atribuição por clique serve para calibrar o MMM?
Nos frameworks, ela aparece como uma das fontes de calibração, mas não como a base mais firme. O site do Robyn diz que o pacote calibra modelos com metodologias de referência, entre elas teste geográfico, lift da Meta e MTA; já a documentação do Meridian diz que os experimentos de incrementalidade são possivelmente a base mais sólida para formular a intuição que vira prior, sem uma fórmula específica para transformar o resultado em prior.
O MMM pode indicar qual experimento rodar?
Pode. Na introdução ao Meridian GeoX, a saída do modelo pode sugerir a execução de um experimento para calibrar o modelo. O Meridian GeoX também pode rodar como teste geográfico independente, medindo o impacto causal de uma ação.
Em resumo
- Cada método cobre uma pergunta: o MMM estima o ROI e a alocação do orçamento, a atribuição detalha os canais digitais e o experimento prova a causa de uma ação.
- Os três formam um laço: a saída do MMM pode sugerir o experimento, e o achado volta para calibrar o modelo.
- Antes de comparar, alinhe granularidade, métrica, período e contrafactual, e não use estudo de confiança baixa.
- Quando os métodos discordam, o experimento bem desenhado arbitra, sem virar meta que o modelo precise reproduzir à risca, segundo a trilha de aprendizado do PyMC-Marketing.
- A Purple, criada em 2021, tem o MMM como uma das ferramentas do trabalho, e os especialistas ajudam a escolher a metodologia adequada à pergunta e a avaliar quando usar mais de uma abordagem.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.