Marketing Mix Modeling (MMM) é uma análise estatística que quantifica o impacto incremental de atividades de marketing e de atividades de fora do marketing sobre um indicador de resultado definido antes, como vendas ou visitas ao site, segundo o guia de MMM do Robyn, da Meta. O modelo roda sobre dados agregados do histórico da empresa, sem precisar de dado de cada pessoa, e a introdução ao Meridian, do Google, o apresenta como um caminho para estimar o ROI e a contribuição de cada canal, a curva de resposta de cada canal e a distribuição do orçamento futuro.
O que é marketing mix modeling (MMM)?
Para o guia do Robyn, da Meta, o MMM quantifica o impacto incremental e o ROI de atividades de marketing e de fora do marketing sobre um KPI definido antes, como vendas ou visitas ao site. A introdução ao MMM do PyMC-Marketing, da PyMC Labs, explica a mesma ideia em termos simples: é regressão aplicada a dados de negócio, com dois tipos principais de fatores explicativos (preditores), o gasto de cada canal de mídia ao longo do tempo e um conjunto de variáveis de controle que captam sazonalidade ou indicadores econômicos.
A documentação do Meridian trata o MMM como ferramenta de inferência causal a partir de dados observacionais, usada para estimar o impacto da alocação e do nível do orçamento de publicidade no KPI. É uma análise de séries temporais: cada semana entra com o investimento, a exposição e o resultado.
O que o modelo estima?
Segundo a introdução ao Meridian, o sistema foi criado para ajudar a responder a três perguntas comerciais: qual é o ROI e a contribuição históricos de cada canal de marketing; qual é a curva de resposta de cada canal (como o impacto do marketing varia com o gasto); e, com base nesses resultados, como distribuir o orçamento futuro para ampliar o resultado do negócio.
A base das três é o resultado incremental. A documentação do Meridian descreve o cálculo comparando o resultado real com um cenário contrafactual em que a atividade de marketing não aconteceu. No exemplo da página do Meridian sobre ROI, mROI e curvas de resposta, as vendas totais foram de R$ 150.000, o modelo estima que, sem a campanha, teriam sido de R$ 125.000, e o resultado incremental é a diferença, R$ 25.000 (exemplo da fonte, não referência de mercado).
Em decisões: a contribuição mostra quanto cada canal respondeu pelo resultado do período e sustenta a conversa sobre quem merece verba. O ROI, que o guia do Robyn calcula como a receita incremental de um canal dividida pelo que foi gasto nele, mostra o retorno por real investido e permite comparar canais. Em outro exemplo da mesma página, R$ 10.000 num canal de vídeo geraram R$ 25.000 em vendas incrementais, um ROI de R$ 2,50 por real gasto.
A curva de resposta indica, segundo o guia do Robyn, se o gasto de um canal está num nível ótimo ou perto da saturação e sugere possível realocação. Perto da saturação, o ROI marginal (mROI), o retorno do próximo real gasto, poderia ser de apenas R$ 0,80 nesse exemplo, sinal, segundo a documentação do Meridian, de que é hora de investir em outro lugar. Da estimativa à decisão, o passo seguinte é transformar os resultados em recomendações.
Por que o MMM importa para a verba de marketing
A introdução ao MMM do PyMC-Marketing cita como abordagem muito usada definir o orçamento de marketing como percentual da receita esperada e diz que isso envolve adivinhação. O MMM troca o percentual por uma estimativa de eficácia por canal e, a partir dela, otimiza a alocação para ampliar o KPI.
O guia do Robyn descreve o MMM como a solução de medição estabelecida para a visão entre canais: mede o resultado de vendas de todos os canais juntos, numa só análise, e se ajusta ao tipo de negócio e ao KPI escolhido.
A pergunta que decide o valor do trabalho não é se o modelo é sofisticado, e sim qual decisão ele muda. Segundo o blog da Purple Metrics (17/06/2026), 68% das empresas que contratam MMM não tomam nenhuma decisão diferente por causa dele.
Para o resultado virar decisão, o guia “Modernizing MMM: Best Practices for Marketers”, do IAB (dezembro de 2025), pede cenários conservador, base e agressivo, com previsões curtas de quatro a 12 semanas, e separa atualizações semanais de retreinos completos do modelo, mensais ou trimestrais conforme a estabilidade dos dados.
Que dados o MMM usa?
A documentação do Meridian lista os dados obrigatórios: uma métrica de exposição à mídia, como impressões, cliques ou gastos; o gasto por canal e período; as variáveis de controle; e o KPI, a variável de resposta. Esses dados entram agregados por tempo, como por semana, e, no ideal da documentação, também por região geográfica.
O MMM não precisa de dado no nível do usuário: roda sobre dados agregados por campanha e período, enquanto modelos como o Multi-Touch Attribution (MTA), ou atribuição multitoque, dependem muito de sinais online, segundo o guia do Robyn. Isso não elimina a contagem de cliques: ela pode entrar como variável de exposição, agregada, e o que a análise evita é o rastreamento individual.
Vendas é o dado mais usado como variável de resultado, mas o guia do Robyn admite outro conforme o setor, como cadastros numa operadora de telefonia ou pedidos de crédito imobiliário num banco. A documentação do Meridian aceita receita ou outro KPI, como conversões, desde que seja somável em todas as regiões e períodos.
A escolha do indicador vem antes da modelagem, e o histórico disponível define o que dá para estimar. Quanto de histórico o modelo pede, e como avaliar a base, é o tema de o histórico que o modelo pede.
Marketing mix modeling e media mix modeling são a mesma coisa?
O Google, a Meta e a PyMC Labs usam os dois nomes para o mesmo tipo de modelo, e o escopo de cada projeto se vê nas variáveis que entram: só o gasto em mídia, ou também preço, promoção e distribuição.
Chan e Perry, do Google, no artigo de 2017, usam a expressão “media mix models” e dizem que são modelos estatísticos que anunciantes usam para medir a efetividade do gasto em publicidade, existentes em várias formas desde a década de 1960 (os autores citam Borden, de 1964, e McCarthy, de 1978); eles partem de séries temporais históricas agregadas para modelar as vendas em função de variáveis de publicidade, de outras variáveis de marketing e de variáveis de controle como clima e sazonalidade.
Jin e coautores, também do Google, no artigo de 2017 sobre métodos bayesianos para media mix modeling, dizem que os modelos servem para entender como o gasto em mídia afeta as vendas e para otimizar a alocação entre mídias, e que os dados podem incluir vendas, preço, distribuição do produto, gasto por canal e fatores externos como forças macroeconômicas, clima e sazonalidade.
O guia do Robyn, da Meta, escreve “marketing mix modeling” e inclui preço, promoção, sazonalidade e distribuição entre o que o modelo considera. A introdução do PyMC-Marketing usa “Media Mix Modeling” para estimar a eficácia de cada canal de publicidade sobre o indicador de interesse, seja vendas, novos clientes ou outro KPI.
O que o MMM não responde
A trilha de aprendizado do PyMC-Marketing é direta sobre os limites: um MMM não atribui conversões individuais, não diz nada confiável sobre um canal cujo gasto nunca variou e não produz resposta causal só com dados observacionais, sem experimentos ou suposições explícitas e discutíveis.
Chan e Perry observam que os MMMs costumam ser 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. A documentação do Meridian também reconhece que a premissa não testável da inferência causal a partir de dados observacionais nunca é alcançada por completo.
O guia do Robyn avisa que o MMM não é a resposta para toda pergunta, e que às vezes o caminho é um estudo de incrementalidade ou a atribuição.
MMM, atribuição e experimento de incrementalidade: o que cada método mede?
Cada método parte de um dado e responde a uma pergunta. As páginas de ajuda do Google Ads e do Google Analytics 4 (GA4) foram consultadas em outubro de 2026.
| Método | O que mede | Dado que usa | Decisão a que serve |
|---|---|---|---|
| MMM | Impacto incremental e ROI de atividades de marketing, online e offline, e de fora do marketing (Robyn) | Séries agregadas por tempo, como por semana: gasto por canal, controles e KPI (Meridian) | Para onde vai o próximo real e de onde tirar verba num corte de orçamento (Robyn) |
| Atribuição multitoque (MTA) | Atribui o crédito de uma conversão aos engajamentos digitais observados antes dela (Kelly, Vaver e Koehler, Google, 2018) | Sinais online, dos quais depende muito (Robyn) | Detalhe dos canais digitais, para o qual o Meridian recomenda a atribuição multitoque orientada por dados |
| Último clique | Todo o crédito da conversão vai para o último anúncio clicado (Google Ads) | O último canal clicado antes da conversão (GA4) | Medir o sucesso da publicidade on-line, como faz a maioria dos anunciantes (Google Ads) |
| Experimento de incrementalidade | Lift: a diferença de conversões entre quem vê o anúncio e quem não vê (Google Ads) | Grupos de tratamento e controle, por usuários ou por geografia (Google Ads) | Impacto causal dos anúncios (Google Ads); num teste geográfico, o ROAS de um canal específico, como a TV (Meridian) |
A documentação do Meridian reconhece os experimentos aleatórios como ideais para estimar efeitos causais, mas lembra que muitas vezes são difíceis por custo e praticidade, enquanto o MMM pode oferecer o ROI de cada canal, curvas de resposta completas e a alocação de orçamento. A documentação do Robyn afirma que a triangulação entre MMM, experimentos e atribuição é o centro da mensuração moderna.
Quando a dúvida é qual método usar para decidir verba, a comparação está em MMM ou MTA para decidir a verba. Quando a dúvida é se o resultado veio da campanha, o desenho está em teste de incrementalidade ou MMM.
Como a Purple faz marketing mix modeling
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. O MMM proprietário é uma das ferramentas do trabalho, não o trabalho inteiro. A Purple Metrics foi criada em 2021, em São Paulo (site da Purple, página da empresa).
O modelo da Purple é de séries temporais bayesianas, que apoiam a estimativa das relações entre ações de marketing e resultado, e a interpretação causal depende das premissas e da qualidade do modelo. Ele trabalha com dados agregados, sem depender de rastreamento individual por cliques, UTMs ou cookies.
O modelo da Purple considera contribuição, lag, halo, saturação e otimização (site da Purple). Cada parte responde a uma pergunta: a contribuição mostra quanto cada canal respondeu pelo resultado; o lag, o efeito que continua nas semanas seguintes ao investimento; o halo, a marca que puxa demanda futura; a saturação, onde mais verba rende menos; a otimização, como redistribuir a verba. A página de ciência da Purple descreve o método, e a mesma página registra que o modelo permite incluir variáveis que não geram clique nenhum, como mídia offline, canais digitais de topo de funil, OOH e PR.
A metodologia está produtizada em um software AI-native, que organiza dados, apresenta resultados em um dashboard e permite consultas por chat em linguagem natural, e os especialistas em marketing e estatística contextualizam os resultados, desafiam premissas e recomendam o que faz sentido para o negócio. Quando o cliente começa a trabalhar com a Purple, a equipe identifica a meta de negócio e mapeia as entregas para chegar lá.
Para ver como isso funciona na prática, vale conhecer a Purple Metrics.
Perguntas frequentes
O que é MMM no marketing?
MMM é a sigla de marketing mix modeling, a análise estatística que quantifica o impacto incremental e o ROI de atividades de marketing e de fora do marketing sobre um indicador de resultado definido antes, como vendas ou visitas ao site, segundo o guia do Robyn, da Meta. No marketing, ela serve para estimar a contribuição e o ROI de cada canal e para orientar como distribuir o orçamento futuro, segundo a documentação do Meridian, do Google.
Qual a diferença entre marketing mix modeling e media mix modeling?
Os dois nomes aparecem nas fontes para modelos estatísticos que usam séries históricas agregadas. Chan e Perry, do Google, escrevem media mix models e incluem variáveis de publicidade, outras variáveis de marketing e variáveis de controle; Jin e coautores, também do Google, incluem preço e distribuição do produto entre os dados possíveis; o guia do Robyn, da Meta, escreve marketing mix modeling e cita preço, promoção, sazonalidade e distribuição. O escopo de cada projeto aparece nas variáveis que entram no modelo: só o gasto em mídia, ou também preço, promoção e distribuição.
Qual indicador de resultado o MMM usa?
Vendas é o dado mais usado como variável de resultado, mas outro dado serve conforme o setor, como cadastros numa operadora de telefonia ou pedidos de crédito imobiliário num banco, segundo o guia do Robyn. A documentação do Meridian aceita receita ou outro indicador, como conversões, desde que somável em todas as regiões e períodos. Na Purple, o indicador é definido conforme o objetivo de negócio e a especificação do modelo, e não precisa ser vendas.
O MMM serve só para mídia paga?
Não. Segundo o guia do Robyn, o MMM considera o impacto de atividades de marketing, online e offline, e de fatores de fora do marketing, como preço, promoção, sazonalidade e distribuição. A página de ciência da Purple registra que o modelo permite incluir variáveis que não geram clique nenhum, como mídia offline, canais digitais de topo de funil, OOH e PR.
O MMM é uma técnica nova?
Não. Segundo Chan e Perry, do Google, os modelos de mix de mídia existem em várias formas desde a década de 1960. O guia do Robyn, da Meta, diz que os MMMs existem há muitos anos e estão sendo redescobertos pelo setor, e que o MMM não precisa de dado no nível do usuário, ao contrário de modelos como o MTA, que dependem muito de sinais online.
Em resumo
- MMM é uma análise estatística que mede o impacto incremental de atividades de marketing e de fora do marketing sobre um indicador de resultado definido antes, segundo o guia do Robyn, da Meta.
- O modelo estima contribuição, ROI e curva de resposta de cada canal para orientar a distribuição da verba, segundo a documentação do Meridian, do Google.
- Trabalha com dados agregados do histórico, sem precisar de dado de cada pessoa, segundo o guia do Robyn.
- Marketing mix e media mix são nomes que as fontes usam para esse tipo de modelo, e o escopo aparece nas variáveis incluídas.
- O MMM não atribui conversões individuais e não dá resposta causal só com dados observacionais, segundo o PyMC-Marketing; na Purple, criada em 2021, o MMM proprietário é uma das ferramentas do trabalho.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.