O que fazer quando os dados para o MMM estão incompletos ou imperfeitos

Antes de rodar o modelo de Marketing Mix Modeling (MMM), cada lacuna pede um tratamento específico: segundo a documentação do Meridian, valor ausente numa variável de mídia vira zero quando o canal ficou inativo, valor ausente no KPI ou num controle pede imputação em vez de zero, e, sem impressões nem cliques, o gasto serve de proxy da exposição. O que nenhum tratamento conserta é a falta de variação: segundo a trilha do PyMC-Marketing, um canal com gasto fixo semana após semana traz quase nenhuma informação sobre outros níveis de investimento, e aí a saída é testar. Com dados só de mídia online, a lacuna a cobrir primeiro é o canal significativo que ficou fora da base.

Por que dado incompleto engana o modelo

O modelo não se recusa a rodar com dados que não sustentam a pergunta: ele roda e devolve respostas confiantes e erradas, segundo a trilha de aprendizado do PyMC-Marketing, consultada em 05/10/2026. A mesma trilha dá o exemplo de um canal financiado a € 50 mil por semana durante dois anos: ali há quase nenhuma informação sobre o que aconteceria a € 30 mil ou a € 80 mil por semana.

A documentação de metodologia de inferência causal do Meridian trata a inclusão de todas as variáveis de confusão como condição para um resultado causal preciso e registra que essa condição nunca é completamente alcançada. O que o modelo atribui a um canal depende, então, de os outros fatores que movem o resultado estarem dentro dele.

A documentação do Meridian sobre depuração do modelo descreve o efeito de pouca informação: quando o modelo estima muitas variáveis com poucos pontos de dados, sobra pouca informação para cada canal, e a situação piora quando o canal tem pouco gasto, variância muito baixa ou alta correlação com os outros. Se a prior não for informativa em relação a dados que também têm pouca informação, a distribuição a posteriori fica bastante ampla, o que representa muita incerteza.

Quais lacunas são comuns e o que a documentação recomenda para cada uma

Cada linha traz a recomendação de uma fonte, com a condição dela; nenhuma é regra de mercado.

Lacuna	O que a documentação recomenda	O que conferir
Valor ausente numa variável de mídia	Preencher com 0 quando o canal ficou inativo no período ou na região; o Meridian exige um conjunto completo, sem valores ausentes	Se o canal ficou inativo, e não só sem registro
Valor ausente no KPI ou num controle	Imputação em vez de zero: preenchimento progressivo e regressivo, interpolação linear ou média histórica da região ou do período	Se o valor imputado distorce as estimativas
Impressões ou cliques indisponíveis	Usar o gasto como proxy da exposição, com atenção às flutuações do custo por mídia	Se períodos de custo alto podem ser lidos como volume alto de anúncios
Dado só nacional	Alternativa aceitável, desde que haja pontos de dados suficientes por efeito que se quer medir; regiões com volume baixo de observações excluídas antes de ajustar o modelo	Se o dado nacional tem amostra pequena ou pouca variação no gasto de mídia
Gasto fixo ou pouca variação	Um canal fixo traz quase nenhuma informação sobre outros níveis de gasto; a trilha do PyMC-Marketing indica teste de lift ou variar o gasto de propósito, se os dados falham em duas ou mais das quatro checagens	Se o canal se move o suficiente para o modelo aprender algo
Canais que se movem juntos	Checar multicolinearidade pelo fator de inflação de variância (VIF) e agrupar os canais muito correlacionados	Se algum VIF passa do limite de 1.000 do checador do Meridian
Mudança de critério na coleta	Garantir consistência, tratar valores ausentes e validar a qualidade dos dados antes de modelar	Se o KPI foi medido do mesmo jeito no período inteiro

Como tratar os dados incompletos, passo a passo

1. Mapeie o que falta, por canal, período e região, e valide a qualidade. A documentação do PyMC-Marketing diz que é crucial garantir a consistência dos dados, tratar valores ausentes de forma adequada e validar a qualidade antes de montar o modelo. Para saber o que entra na base, ver os dados e o histórico mínimos para começar; quando a lacuna é de registro entre sistemas, o trabalho é de integrar dados de diferentes fontes.
2. Mídia sem registro porque o canal ficou inativo: preencha com zero. A documentação do Meridian sobre coleta de dados, consultada em 05/10/2026, manda preencher com zero a mídia de um canal que ficou inativo no período ou na região.
3. KPI e variáveis de controle: imputação, e não zero. A mesma documentação diz “evite preencher com 0, porque isso vai distorcer as estimativas do modelo” e indica técnicas padrão de imputação, como preenchimento progressivo e regressivo, interpolação linear ou média histórica da região ou do período.
4. Sem impressões nem cliques, use o gasto como proxy. A documentação do Meridian aceita o gasto como proxy da métrica de exposição quando os dados de impressões físicas ou de cliques estão totalmente indisponíveis, e avisa que, se o modelo presume que o gasto representa exposições, períodos de custo alto podem ser lidos como volume alto de anúncios e levar a estimativas imprecisas da eficácia.
5. Dado só nacional tem condição. O Meridian aceita o nível nacional como alternativa quando não há dado geográfico, desde que existam pontos de dados suficientes por efeito que se quer medir, e recomenda excluir as regiões com volume baixo de observações antes de ajustar o modelo. Sun e coautores, do Google, escreveram em 2017 que o dado agregado no nível nacional, prática usual, costuma sofrer com amostra pequena e variação insuficiente no gasto de mídia.
6. Leia os alertas de qualidade antes de rodar. A análise exploratória de dados do Meridian, consultada em 05/10/2026, classifica os achados em REPROVADO, REVISÃO e INFO, e bloqueia a amostragem a posteriori até que os problemas do status REPROVADO sejam resolvidos. É ali que aparece o VIF: 1 indica ausência de colinearidade, valores mais altos indicam multicolinearidade crescente, e um VIF acima do limite padrão de 1.000 aciona o status de falha.

Dá para fazer MMM só com dados de mídia online?

A pergunta é a mesma dúvida em outro recorte: o que ficou de fora da base. O que as duas documentações pedem é cobertura: a do PyMC-Marketing manda incluir todos os canais de marketing significativos usados no período, e a do Meridian trata a inclusão de todas as variáveis de confusão como condição para um resultado causal preciso. Se a empresa usou um canal offline significativo no período e ele não entrou nos dados, essa é a primeira lacuna a conferir.

Um problema vizinho, o das variáveis de entrada muito correlacionadas, está descrito por Chan e Perry, do Google, em 2017: a regressão pode devolver coeficientes com variância alta e uma atribuição ruim das vendas ao canal, porque os dados trazem pouca informação sobre o resultado quando um canal se move de forma independente do outro. A mesma fonte registra que ajustar um modelo a uma faixa limitada de gasto expõe o anunciante a alta incerteza de extrapolação.

O que não tem conserto: quando esperar ou testar

Nem toda lacuna é de preenchimento. A trilha do PyMC-Marketing afirma que o MMM não diz nada confiável sobre um canal cujo gasto nunca se moveu, e que ele não produz resposta causal só com dados observacionais, sem experimentos ou suposições explícitas e discutíveis.

A mesma trilha propõe quatro checagens de dados e diz que, se o conjunto falha em duas ou mais delas, a ação mais valiosa não é montar um modelo, e sim rodar um teste de lift ou variar o gasto de propósito por um trimestre, para que os dados do ano seguinte respondam à pergunta. A trilha recomenda agrupar canais pequenos ou muito correlacionados antes de modelar e separá-los depois, só quando a separação mudar uma decisão, e registra que a alta correlação não desqualifica os dados, mas mostra quais estimativas ficarão incertas e onde será preciso um experimento, como um teste geográfico de incrementalidade.

Os erros que distorcem a leitura com dados imperfeitos

• Preencher com zero um KPI ou um controle. A documentação do Meridian diz que o zero nesses campos distorce as estimativas.
• Ignorar a flutuação do custo quando o gasto é o proxy. Se o modelo lê o gasto como exposição, um período de custo alto vira, no modelo, um período de volume alto de anúncios.
• Ler como efeito de um canal o que é de dois canais que se movem juntos. Chan e Perry descrevem a variância alta nos coeficientes e a atribuição ruim quando as entradas são muito correlacionadas; a extensão do histórico está em quanto histórico de dados um MMM precisa.
• Extrapolar para fora da faixa de gasto observada. A mesma fonte de 2017 registra que isso expõe o anunciante a alta incerteza de extrapolação.

Como a Purple trata dados incompletos

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 cliente não precisa resolver as lacunas antes de procurar a Purple: a parceria começa pela meta de negócio e pelo mapa das entregas, e depois a Purple avalia a base, orienta o que falta e apoia a organização dos dados, inclusive com IA. Segundo a Purple, o modelo precisa de dados históricos de investimento, exposição e resultado, e a avaliação de viabilidade da base confere se eles são adequados. Segundo a página de ciência da Purple, o modelo atual foi testado com 10 clientes pagantes, de indústrias e modelos de negócio variados.

Sobre a entrada, o modelo trabalha com dados agregados, sem depender de rastreamento individual por cliques, UTMs ou cookies, e, segundo a página de ciência da Purple, aceita variáveis que não geram clique nenhum, como mídia offline, canais digitais de topo de funil, mídia exterior (OOH) e PR. Contagens agregadas de cliques e impressões podem entrar quando adequadas ao modelo, e o modelo também pode incluir fatores externos ao investimento em marketing, como a cotação do dólar, conforme a relevância e a validação. A documentação da Purple recomenda cerca de 10 variáveis intermediárias por ano de histórico, sem passar muito de 20. Quando falta a métrica direta de exposição, um exemplo da própria documentação é o da Buser, que usou quilômetros rodados como proxy da exposição dos ônibus com a marca. Um time com base imperfeita pode agendar uma conversa com a Purple.

Perguntas frequentes

Dá para fazer marketing mix modeling só com dados de mídia online?

Com dados só de mídia online, o risco está no que fica de fora: um canal offline que existiu no período e ficou fora dos dados é a primeira lacuna a conferir, porque a documentação do PyMC-Marketing manda incluir todos os canais de marketing significativos usados no período.

Posso preencher com zero os dados que faltam?

Na mídia de canal inativo, sim; em KPI e variáveis de controle, não. A documentação do Meridian manda preencher com zero os valores ausentes de uma variável de mídia quando o canal ficou inativo no período ou na região, e manda evitar o zero em KPI e variáveis de controle, porque ele distorce as estimativas. Nesses casos, ela indica técnicas padrão de imputação, como preenchimento progressivo e regressivo, interpolação linear ou média histórica da região ou do período.

Dá para usar o gasto no lugar de impressões e cliques?

Dá, com cuidado. A documentação do Meridian diz que, se os dados de impressões ou de cliques estiverem totalmente indisponíveis, o gasto pode ser usado como proxy da métrica de exposição, mas avisa para considerar as flutuações do custo por mídia: se o modelo presume que o gasto representa exposições, períodos de custo alto podem ser lidos como volume alto de anúncios, o que pode levar a estimativas imprecisas da eficácia.

O que fazer quando um canal quase não varia de gasto?

Tratar a falta de variação como limite do dado. A trilha do PyMC-Marketing diz que um canal com gasto fixo semana após semana traz quase nenhuma informação sobre o que acontece em outros níveis, e que, se o plano de mídia foi estável, o modelo devolve em grande parte as priors. Já a alta correlação entre canais, segundo a mesma trilha, não desqualifica os dados, mas mostra quais estimativas serão incertas e onde será preciso um experimento.

Quando é melhor esperar ou testar em vez de montar o modelo?

Quando os dados falham em mais de uma checagem. A trilha do PyMC-Marketing diz que, se os dados falham em duas ou mais das checagens que ela propõe, a ação mais valiosa não é montar um modelo, e sim rodar um teste de lift ou variar o gasto de propósito por um trimestre, para que os dados do ano seguinte respondam à pergunta. No Meridian, o relatório de análise exploratória usa o status REPROVADO para problemas graves de dados e bloqueia a amostragem a posteriori até que eles sejam resolvidos.

Em resumo

• Trate as lacunas antes de rodar: zero só na mídia de canal inativo, imputação em KPI e controles, e gasto como proxy da exposição com atenção ao custo.
• O que o tratamento não conserta é a falta de variação: um canal com gasto fixo traz quase nenhuma informação sobre outros níveis, e a saída é testar.
• Com dados só de mídia online, o que ficou de fora da base é a lacuna a conferir primeiro, porque o PyMC-Marketing manda incluir todos os canais de marketing significativos usados no período.
• Falhando em duas ou mais checagens de dados, a ação mais valiosa é rodar um teste de lift ou variar o gasto de propósito por um trimestre.
• A Purple começa pela meta de negócio, avalia a base e orienta o que falta; o modelo, segundo a Purple, precisa de dados históricos de investimento, exposição e resultado.

Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.