Redistribuir a verba entre canais para tirar mais resultado do mesmo orçamento: o modelo de Marketing Mix Modeling (MMM) estima a curva de resposta de cada canal e o otimizador procura a divisão que maximiza o retorno dentro de limites definidos pelo time. O resultado é uma estimativa do modelo, não uma ordem de compra de mídia, e por isso passa por validação antes de virar decisão de verba.
O que é otimização de mix de mídia
O mix é a divisão do orçamento entre canais, táticas e períodos. Otimizar esse mix é usar as curvas de resposta do MMM para responder onde o próximo real rende mais, e não só onde o dinheiro já rendeu.
Na documentação do Meridian sobre cenários de otimização de orçamento (consultada em outubro de 2026), o cenário de orçamento fixo encontra, para um orçamento determinado, a alocação entre canais e táticas que maximiza o ROI. O alocador de orçamento do Robyn (consultado em 30/09/2026) faz a mesma pergunta por outro caminho: dado um orçamento total e restrições por canal, calcula a divisão ótima entre mídias maximizando a resposta; dada uma meta de ROAS ou de CPA, calcula a divisão ótima e o orçamento total.
A introdução ao MMM do PyMC-Marketing (consultada em 30/09/2026) descreve a lógica em duas etapas: primeiro o modelo estima a eficácia de cada canal, depois essa eficácia alimenta a otimização da alocação para maximizar o KPI. As três referências resolvem o mesmo problema: transformar curva de resposta em divisão de verba.
Duas coisas não fazem parte do que o otimizador entrega. Ele não compra nem negocia mídia: a execução continua com o time ou com a agência que já cuida dela. E ele não decide sozinho o que é um bom resultado: a definição de meta, de limite de variação por canal e de tolerância a risco é do time de marketing, que informa essas escolhas ao modelo.
Por que a otimização muda a forma de planejar o orçamento
Definir o orçamento como percentual da receita esperada envolve adivinhação, segundo a introdução ao MMM do PyMC-Marketing, e é essa conta que o modelo substitui por uma estimativa de eficácia por canal. A diferença não está no número final, mas na justificativa: em vez de “sempre investimos o mesmo percentual da receita em mídia”, a conversa passa a ter uma curva por canal e um retorno esperado para cada nível de gasto.
O guia Modernizing MMM, do IAB, publicado em dezembro de 2025 e elaborado em parceria com fornecedores de MMM e profissionais do setor, pede que as saídas do modelo sejam desenhadas em torno de decisões e mostrem a orientação do “próximo dólar”, com ROI ou CPA marginal por canal e tática e realocações explícitas em dólares ou percentuais. O próprio guia ressalva que são estimativas do modelo.
Na regra prática da documentação do Meridian (página consultada em 30/09/2026), cada métrica responde a uma pergunta diferente: o ROI avalia a performance histórica do canal, as curvas de resposta orientam os orçamentos futuros e o mROI (ROI marginal) avalia o nível de saturação. Se o mROI de um canal está muito abaixo do ROI dele, o canal está começando a saturar no nível de gasto histórico.
Para o CMO, o ganho é de linguagem na conversa com finanças. Um pedido de verba que traz retorno marginal por canal e o efeito estimado de cada real a mais é discutível com números. A divisão inicial do orçamento entre as frentes está em como distribuir o orçamento entre canais e objetivos, que trata da montagem do plano antes da otimização.
Como o otimizador decide onde pôr a verba
A matéria-prima é a curva de resposta de cada canal, que mostra como o retorno por unidade de gasto diminui à medida que o investimento sobe. Na documentação do Meridian sobre interpretação das otimizações (consultada em outubro de 2026), os gráficos marcam na curva de cada canal o gasto atual, com um círculo, e o gasto otimizado, com um quadrado, o que permite ver o tamanho do movimento sugerido antes de aceitá-lo.
Os cenários do Meridian são três. No orçamento fixo, o otimizador busca a alocação entre canais que maximiza o ROI para um orçamento dado. No orçamento flexível com ROI mínimo desejado, ele descobre o orçamento máximo que se pode gastar até que o ROI geral atinja a meta, e essa restrição vale para o total de marketing, não para o canal. No orçamento flexível com ROI marginal desejado, a meta vale por canal e define o valor máximo de gasto em cada um mantendo um retorno marginal mínimo.
O alocador do Robyn trabalha com dois cenários descritos no guia de MMM para analistas do Robyn (consultado em outubro de 2026): resposta máxima com o mesmo gasto histórico e resposta máxima para um gasto esperado que o usuário define. A leitura é feita comparando a alocação inicial com a otimizada: parcela otimizada maior que a original indica aumento de verba no canal, e menor indica redução.
O resultado nem sempre melhora todos os canais. No exemplo da documentação do Meridian, a alocação otimizada reduz a receita incremental em alguns canais e a aumenta em outros, elevando o total.
Antes de rodar, o time define os parâmetros. No cenário de orçamento fixo do Meridian, é possível alterar a janela de tempo da otimização, informar orçamentos diferentes, indicar a alocação de partida e fixar limites mínimo e máximo de gasto por canal. Sem escolha, o otimizador usa o orçamento histórico.
Os limites padrão do Meridian são configuração da ferramenta, não recomendação de quanto mover: no orçamento fixo, cada canal fica entre 70% e 130% do gasto da alocação de partida; no orçamento flexível, a faixa vai de 0% a 200%. Quem quer restringir mais informa os valores. A leitura de quando um canal já satura está em como saber se um canal de mídia está saturado.
Os limites da otimização
O primeiro limite vem do guia do Robyn, que avisa que, embora o código tenha sido revisado pela Meta e pela comunidade, não há garantia de que o alocador atenda às expectativas de negócio quanto à acurácia da resposta prevista, e pede que os resultados sejam validados antes de implementar.
O segundo vem da estatística. Jin e outros, do Google, em artigo de 2017, mostram que o mix ótimo calculado pelo modelo tem variância grande, por causa da variância das estimativas dos parâmetros. Chan e Perry, também do Google, em 2017, relatam que, num conjunto de dados real, cinco modelos igualmente plausíveis, todos com R ao quadrado de 0,98 ou 0,99, discordaram sobre como dividir o orçamento entre os canais, e as previsões de vendas diferiram em até 50% entre eles.
O terceiro limite é de diagnóstico. A trilha de aprendizado do PyMC-Marketing (consultada em 05/10/2026) trata um sintoma: quando o otimizador concentra quase todo o orçamento em um canal, isso em geral não é um bug, é o que uma curva de saturação com inclinação mal estimada faz. A orientação é restringir as faixas de gasto com os limites do otimizador, voltar a perguntar se a curva daquele canal chegou a ser identificada e não entregar a resposta sem restrições.
O quarto é de processo. O guia do IAB classifica as saídas dos simuladores como direcionais e pede que as mudanças grandes sejam conciliadas com o modelo de produção ou com um experimento curto. Para cada opção de cenário, o guia recomenda previsões de quatro a 12 semanas, e sugere três versões, conservadora, base e agressiva, com ações nomeadas e priorizadas.
Juntando os quatro, a postura que se sustenta é tratar a otimização como sugestão a validar. Ela indica onde o próximo real deve render mais segundo o modelo, mas a decisão de mover verba pede conferência do diagnóstico, conversa com quem executa a mídia e, nas mudanças maiores, a conciliação com o modelo de produção ou com um experimento curto.
Tipos de software para otimizar o mix de mídia
| Tipo | O que oferece, segundo a documentação | O que fica com o time do cliente |
|---|---|---|
| Modelo de código aberto com otimizador próprio | O Meridian é um MMM de código aberto criado pelo Google, sem custo financeiro, e o Scenario Planner, em beta aberta (documentação consultada em outubro de 2026), faz otimização interativa do orçamento; o Robyn traz o alocador de orçamento e o PyMC-Marketing traz um otimizador | A capacidade interna de análise e de ciência de dados, e o tempo de quem monta, valida e mantém o modelo |
| Software de MMM | Modelagem automatizada que pode rodar de forma contínua, em ambiente de apontar e clicar, com menos conhecimento estatístico especializado, e, em geral, com módulos de planejamento de otimização e simulação para cenários futuros | A pergunta a fazer: quem valida o modelo e como o resultado vira decisão? |
| Parceiro de MMM | Fornecedor especializado que, segundo o guia do Robyn, em geral conduz o trabalho do diagnóstico à coleta de dados, à modelagem e às recomendações | A pergunta a fazer: quem ajuda a transformar o resultado em decisão depois do modelo? |
| Planilha e dashboard interno | Registro da divisão da verba acordada e acompanhamento do realizado | A pergunta a fazer: de onde vem a curva de resposta de cada canal e quem a atualiza? |
Cada tipo cobre uma parte diferente do trabalho, e o que muda é o que fica com o time do cliente: no código aberto, a capacidade interna de análise e de ciência de dados; com um parceiro, segundo o guia do Robyn, o fornecedor em geral conduz o trabalho do diagnóstico às recomendações. A comparação entre os caminhos de código aberto e a contratação de um parceiro está em MMM de código aberto ou parceiro, e a diferença entre comprar a ferramenta e contratar o trabalho está em software de MMM ou consultoria de MMM.
A implementação interna atende quem já tem equipe de ciência de dados e capacidade de montar, validar e manter o modelo ao longo do tempo. O software atende quem quer um ambiente de apontar e clicar, com menos conhecimento estatístico especializado, segundo o guia do Robyn. O parceiro faz sentido quando a empresa precisa do modelo rodando e de alguém para interpretar o resultado e levá-lo à decisão.
Inteligência artificial no planejamento de orçamento
O guia do IAB recomenda usar IA para acelerar rotinas, como preparação de dados, triagem de anomalias e rascunho de narrativas, com revisão humana para mudanças no modelo e registro das ações feitas por IA. Também pede IA para guiar, gerar e interpretar cenários, com simuladores por perfil para que donos de canal e finanças testem movimentos.
O mesmo guia alerta que a IA pode propagar viés ou atalhos opacos e por isso exige explicabilidade e aprovação humana nas decisões de consequência. A recomendação é consistente com a natureza do cálculo: a alocação em si sai de um modelo de MMM, e a IA acelera as etapas em volta, da organização dos dados à leitura do cenário.
Como a Purple trata a otimização
Criada em 2021, 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 modelo da Purple considera contribuição, lag, halo, saturação e otimização, segundo o site da Purple. Na home da Purple, a descrição do produto fala em simular o mix antes de comprometer o orçamento e em “Optimize agêntico”, nome que também aparece numa tela do produto.
Segundo a Purple, o software acompanha os resultados, responde a consultas por chat em linguagem natural, simula cenários e planeja o orçamento dos próximos investimentos; a tecnologia AI-native apoia a organização automatizada dos dados, as simulações e o planejamento. Os especialistas em marketing e estatística contextualizam os números, desafiam premissas e preparam a conversa com a liderança.
O acompanhamento das recomendações fica com o RVI (Recommendation Value Index), indicador da Purple que vai de 0 a 100 e resume se seguir as recomendações do modelo trouxe resultado, segundo a documentação da Purple; não é prova causal automática de que a recomendação funcionou. Como a Purple não tem vínculo com veículos de mídia, a análise pode recomendar menos investimento em um canal quando não encontra resultado incremental ali. Para ver o modelo aplicado ao orçamento da própria empresa, dá para conhecer a Purple Metrics.
Perguntas frequentes
Que tipos de software otimizam o mix de mídia?
Há três caminhos, e cada um deixa uma parte do trabalho com o time do cliente. Os modelos de código aberto, como o Meridian, o Robyn e o PyMC-Marketing, trazem otimizadores próprios, e o Meridian, segundo a documentação, não tem custo financeiro; em contrapartida, segundo o guia do Robyn, exigem capacidade interna de análise e de ciência de dados. As soluções de MMM em software automatizam a modelagem e, segundo o guia do Robyn, em geral trazem módulos de otimização e simulação para cenários futuros. E os fornecedores especializados, segundo o mesmo guia, em geral conduzem o trabalho do diagnóstico às recomendações.
A inteligência artificial pode planejar o orçamento de mídia?
A IA entra como apoio, com aprovação humana nas decisões de consequência, segundo o guia do IAB. O guia recomenda usá-la para acelerar rotinas, como preparação de dados, triagem de anomalias e rascunho de narrativas, e para guiar, gerar e interpretar cenários em simuladores por perfil, e alerta que ela pode propagar viés ou atalhos opacos. A alocação em si sai de um modelo de MMM.
O que é orçamento fixo e orçamento flexível na otimização?
No orçamento fixo, o otimizador do Meridian busca a alocação entre canais que maximiza o ROI para um orçamento dado. No orçamento flexível há dois caminhos: com ROI mínimo desejado, o Meridian descobre o orçamento máximo que se pode gastar até que o ROI geral atinja a meta, e a restrição vale para o total do marketing, não para o canal; com ROI marginal desejado, a meta vale por canal e define o valor máximo de gasto em cada um mantendo um retorno marginal mínimo. O alocador do Robyn tem dois cenários: resposta máxima com o mesmo gasto histórico e resposta máxima para um gasto esperado que o usuário define.
O que o time define antes de rodar a otimização?
No Meridian, o time pode escolher a janela de tempo da otimização, o orçamento total, a alocação de partida e os limites mínimo e máximo de gasto por canal; sem essas escolhas, o otimizador usa o orçamento histórico e, por padrão no orçamento fixo, limita cada canal entre 70% e 130% do gasto de partida. Esses limites são o padrão da ferramenta, e não uma recomendação de quanto mover.
Em resumo
- Otimizar o mix é realocar a verba entre canais pelo retorno marginal, dentro de limites que o time define, e não acrescentar verba.
- O otimizador do Meridian e o alocador do Robyn trabalham sobre as curvas de resposta e têm cenários de orçamento fixo e flexível; o PyMC-Marketing descreve a mesma lógica em duas etapas, estimar a eficácia e otimizar a alocação.
- O resultado é uma estimativa a validar: o guia do Robyn não garante a acurácia da resposta prevista, e o guia do IAB trata as saídas dos simuladores como direcionais.
- Os tipos de software dividem o trabalho de forma diferente, e o que muda é o que fica com o time do cliente: montar, validar, interpretar e acompanhar a decisão.
- A IA apoia a rotina e a leitura de cenários, com aprovação humana; a alocação sai do modelo de MMM.
- Na Purple, a otimização é uma das etapas do modelo, ao lado de contribuição, lag, halo e saturação.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.