O teste de incrementalidade mede o efeito causal de uma ação ou de um canal num período, comparando quem recebeu a mídia com um grupo de controle parecido que não recebeu. O Marketing Mix Modeling (MMM) estima, com dados agregados do histórico, a contribuição de todos os canais ao mesmo tempo e devolve curvas de resposta e alocação de orçamento. Um responde se a ação funcionou; o outro mostra como dividir a verba entre os canais, e a escolha começa pela pergunta que o time de marketing tem na mesa.
Por que confundir os dois métodos engana a decisão de verba
Cada método responde a uma pergunta diferente. O experimento prova o efeito de uma ação ou de um canal num período; o MMM reparte a verba entre todos os canais e mostra a curva de resposta de cada um. Quando o time usa os dois como sinônimos, a decisão fica apoiada no instrumento errado: um experimento não diz como alocar orçamento entre dez canais, e um modelo não prova sozinho que uma tática específica causou o resultado.
Na documentação de metodologia de inferência causal do Meridian, do Google, lê-se: “É de conhecimento geral que os experimentos aleatórios são considerados ideais para estimar efeitos causais”. Na mesma página, ela lista as vantagens do MMM na publicidade: muitos desenhos experimentais exigem dados individuais do usuário que não atendem aos padrões modernos de privacidade, enquanto o MMM usa observações em nível agregado, que protegem a privacidade; e pode ser difícil fazer experimentos por custo e praticidade (Meridian, metodologia de inferência causal, consultada em 2026-09-30).
Chan e Perry, do Google, no artigo de 2017 sobre desafios e oportunidades do MMM, escrevem que o experimento aleatorizado é o padrão-ouro geralmente aceito para responder perguntas causais, mas que os experimentos costumam dar só uma estimativa pontual de uma janela. E o MMM também não é prova isolada: a trilha de aprendizado do PyMC-Marketing diz que o modelo cobre todos os canais por anos, mas não separa a publicidade dos fatores de confusão sozinho (trilha de aprendizado de MMM do PyMC-Marketing, consultada em 2026-10-05).
No blog de Tina Moffett, analista principal da Forrester (12/03/2024), sobre o Meridian, o MMM oferece ao CMO um guia sobre o desempenho do mix e a alocação de orçamento, mas sozinho não dá o desempenho por tática ou por inserção; para analisar o impacto incremental de uma tática, o blog indica testes de marketing ou de mídia. A atribuição, como o Multi-Touch Attribution (MTA), ou atribuição multitoque, é um terceiro método na mesa, e a diferença entre ela e o MMM está em MMM ou MTA para decidir a verba.
O que é um teste de incrementalidade
O teste compara dois grupos parecidos, um que recebeu a mídia e outro que não, e mede a diferença entre eles. Na Ajuda do Google Ads, os experimentos de incrementalidade medem o impacto causal dos anúncios: o Conversion Lift divide o público entre quem vê os anúncios, o grupo de tratamento, e quem não vê, o grupo de controle, e a diferença de conversões entre os dois é o lift (Ajuda do Google Ads, experimentos de incrementalidade, consultada em 2026-09-30). A mesma página separa dois desenhos: com base em usuários e com base em geografia, sendo que o geográfico usa dados geográficos agregados e aceita dados off-line.
O efeito medido é sempre uma diferença contra um contrafactual. A metodologia do GeoLift, da Meta, define o efeito incremental de uma campanha como a diferença entre o resultado observado e o que teria acontecido num mundo em que ela não tivesse acontecido (metodologia do GeoLift, consultada em 2026-09-30). É por isso que o desenho importa: sem um grupo de comparação equivalente, o número mistura o efeito da mídia com sazonalidade, preço e movimento da concorrência.
O experimento aleatorizado segue como padrão-ouro para perguntas causais, segundo a mesma metodologia do GeoLift, que registra o limite logo ao lado: testes como o Conversion Lift nem sempre são viáveis, técnica ou na prática, porque dependem do acesso a sinais online, como pixels, APIs e SDKs. O desenho depende da viabilidade de cada caso, e a ausência de clique, sozinha, não o determina: uma pessoa pode ver um anúncio sem clicar, e o Conversion Lift compara quem vê os anúncios com quem não vê, sem depender do clique (documentação do Google sobre Conversion Lift). Esses testes não estão disponíveis em qualquer situação: o Conversion Lift não está disponível para todas as contas do Google Ads e, quando a medição por pessoas não é viável, o desenho geográfico é uma alternativa, com o passo a passo em um teste geográfico de incrementalidade.
O que é um MMM, em contraste
O MMM estima o efeito de todos os canais a partir do histórico agregado. A documentação do Meridian descreve a técnica como uma ferramenta de inferência causal para estimar o impacto da alocação e do nível de orçamento de publicidade no KPI, e lista o que ela entrega: o ROI de cada canal de mídia, curvas de resposta completas e alocação de orçamento.
O preço dessa cobertura é a suposição. A mesma documentação diz que o MMM é um exemplo de inferência causal com base em dados observacionais, que a principal condição, a chamada troca condicional, não pode ser testada apenas com esses dados, e que essa proposição nunca é completamente alcançada. Chan e Perry, no artigo de 2017, escrevem que os MMMs baseados em regressão sobre uma quantidade limitada de dados observacionais agregados produzem resultados correlacionais, não causais; só sob condições estreitas as estimativas podem ser tratadas como causais.
O que o modelo faz bem é juntar os canais numa conta só e devolver a curva de resposta de cada um para orientar quanto investir a mais e a menos. O que ele não faz é provar, sozinho, que uma ação específica causou o resultado, e é aí que o experimento entra.
Teste de incrementalidade e MMM lado a lado
| Critério | Teste de incrementalidade | MMM |
|---|---|---|
| Pergunta que responde | Se uma ação ou um canal causou resultado num período | Como dividir a verba entre todos os canais, com ROI por canal, curvas de resposta completas e alocação de orçamento (documentação do Meridian) |
| Prova causal | O experimento aleatorizado é o padrão-ouro para perguntas causais (Chan e Perry, Google, 2017) | Inferência causal sobre dados observacionais, com uma suposição que nunca é completamente alcançada (documentação do Meridian) |
| Visão de todos os canais e da curva de resposta | Nos exemplos da documentação do Meridian, um canal específico por teste; o desenho geográfico pode cobrir vários canais (documentação do Robyn, citando artigo da WARC) | Curvas de resposta completas para todos os canais (documentação do Meridian) |
| Dado exigido e privacidade | O desenho por usuários depende do tráfego de quem deu consentimento e pode sofrer influência de lacunas de medição; o por geografia usa dados agregados (Ajuda do Google Ads) | Observações em nível agregado, que protegem a privacidade (documentação do Meridian) |
| Custo e praticidade | Retenções maiores aumentam a amostra e o custo de oportunidade, porque o anúncio não aparece para o grupo de controle (Ajuda do Google Ads) | Dispensa o desenho experimental, que pode ser difícil por custo e praticidade (documentação do Meridian) |
| Desempenho por tática ou por inserção | Mede a tática específica (Forrester, blog de Tina Moffett, 12/03/2024) | Sozinho, não dá o desempenho por tática ou por inserção (Forrester) |
| Janela de tempo | Cobre ao menos um ciclo de compra; mínimo de 15 dias com dado diário e de 4 a 6 semanas com dado semanal (boas práticas do GeoLift, da Meta) | Cobre anos de histórico (trilha de aprendizado do PyMC-Marketing) |
O experimento leva a vantagem na prova causal e no desempenho por tática; o MMM, na visão de todos os canais e na praticidade. Nos demais critérios, quem decide é a pergunta: se o dado individual não está disponível ou o orçamento não permite um experimento, o modelo responde à pergunta de alocação, e a causa de uma ação específica fica sem prova; se a dúvida é sobre uma ação específica, o teste responde.
O critério que decide: o que perguntar antes de escolher o método
A escolha fica simples quando a pergunta é escrita antes do método. “Esta ação específica causou o resultado?” pede um teste de incrementalidade, porque a diferença entre o grupo que recebeu a mídia e o grupo de controle é o lift. “Como dividir a verba entre todos os canais?” pede o MMM, que estima todos ao mesmo tempo e produz a alocação. “O modelo está certo sobre este canal?” pede um teste para conferir o modelo, e não para substituí-lo.
A documentação do Meridian traz uma recomendação nesse sentido: o modelo ajuda a identificar e priorizar para testes os canais em que apresenta alta incerteza, possível viés ou estimativas de valor de referência irreais. O experimento é a forma de checar justamente onde o modelo está menos seguro.
Do lado do teste, o que se exige é um desenho comparável, tempo e um grupo de controle que aceite ficar sem a mídia. Do lado do MMM, o que se usa são observações em nível agregado, segundo a documentação do Meridian.
Quando faz sentido testar, modelar ou fazer os dois
Três situações pedem teste. A primeira é uma tática específica que o time quer defender ou descartar. A segunda é um canal em que o modelo está incerto, e a lista de prioridade sai da própria documentação do Meridian. A terceira é uma mudança de estratégia de um canal, quando o gasto vai para um nível que o histórico ainda não viu; canais novos, com pouco histórico, são o caso típico, e o critério está em canais novos, com pouco histórico.
O MMM entra quando a decisão é o orçamento de vários canais ao mesmo tempo e o dado individual não está disponível, ou quando o time precisa ver a curva de resposta de cada canal para decidir quanto ainda vale a pena investir. Ele dá, na mesma conta, o ROI de cada canal e a alocação sugerida, segundo a documentação do Meridian.
Fazer os dois é a situação de quem tem as duas decisões na mesa. O caminho de quem já usa os três métodos juntos está em usar MMM, atribuição e experimento juntos.
Como os dois trabalham juntos
A calibração é o mecanismo que liga o experimento ao modelo. Segundo a trilha de aprendizado do PyMC-Marketing, na calibração o experimento ancora o modelo, e o modelo estende o experimento a períodos e a canais que nunca foram testados. A mesma trilha avisa que o resultado de um teste é uma medida ruidosa de uma janela, e que a máquina de calibração é construída para ponderar o resultado desse jeito.
A documentação do Meridian trata os experimentos de incrementalidade como possivelmente a base mais sólida para formular a intuição que vira prior, e registra que transformar o resultado em distribuição não é uma fórmula precisa. Há uma diferença de definição a considerar: experimento e MMM costumam definir o ROI de maneiras distintas, porque o contrafactual do MMM é gasto nulo, enquanto alguns experimentos medem o ROI contra um gasto reduzido, e não contra zero.
Onde a Purple se encaixa nessa escolha
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 usa séries temporais bayesianas, que apoiam a estimativa das relações entre ações de marketing e resultado, segundo a página de ciência da empresa; a interpretação causal depende das premissas e da qualidade do modelo. Os especialistas da Purple ajudam a escolher a metodologia adequada à pergunta, a avaliar quando usar mais de uma abordagem, como teste e modelo, e a interpretar as diferenças, e apoiam o planejamento e a condução de testes geográficos.
O modelo roda sobre os dados históricos da empresa, de forma agregada, sem depender de rastreamento individual por cliques, UTMs ou cookies; contagens agregadas de cliques e impressões podem entrar quando adequadas ao modelo. Ele permite incluir variáveis que não geram clique nenhum, como mídia offline, canais digitais de topo de funil, OOH e PR. O modelo considera contribuição, lag, halo, saturação e otimização, e o lag espalha o investimento de uma semana pelas dez seguintes (página de ciência da Purple).
Quem quer ver a contribuição de cada canal no próprio histórico, ou escolher entre teste, modelo ou os dois, pode conhecer a Purple Metrics.
Perguntas frequentes
O teste de incrementalidade substitui o MMM?
Não. Cada método responde a uma pergunta: segundo o blog de Tina Moffett, da Forrester, o MMM oferece ao CMO um guia sobre o desempenho do mix e a alocação de orçamento, e a trilha de aprendizado do PyMC-Marketing descreve a calibração como o jeito de juntar os dois, com o experimento ancorando o modelo.
O MMM prova causalidade?
Não por si só. A documentação do Meridian trata o MMM como inferência causal sobre dados observacionais e diz que a principal suposição, a troca condicional, não pode ser testada com esses dados e nunca é completamente alcançada. Chan e Perry, do Google, afirmam que os MMMs baseados em regressão sobre dados observacionais agregados produzem resultados correlacionais, e que só sob condições estreitas as estimativas podem ser tratadas como causais.
O teste de incrementalidade mede todos os canais ao mesmo tempo?
Nos exemplos da documentação do Meridian, um canal por vez: “um teste geográfico pode calcular o ROAS de um canal específico, como a TV”. A documentação do Robyn, citando um artigo da WARC, diz que o experimento geográfico pode usar o mesmo teste para vários canais e estimar grupos de canais, mas pode sofrer vazamento de efeito entre regiões e exige desenho cuidadoso.
O teste de incrementalidade precisa de dado individual do usuário?
Só em alguns desenhos. Segundo a documentação do Meridian, muitos desenhos experimentais exigem dados individuais do usuário, que não atendem aos padrões modernos de privacidade. Na Ajuda do Google Ads, o Conversion Lift por usuários depende do tráfego de quem deu consentimento e pode sofrer influência de lacunas de medição, enquanto o por geografia usa dados geográficos agregados e aceita dados off-line.
Quando o teste de incrementalidade não é viável?
Quando faltam sinal online, orçamento ou praticidade. Segundo a Ajuda do Google Ads, o desenho por região pode exigir orçamento maior que os estudos por usuário, e a metodologia do GeoLift, da Meta, lembra que testes como o Conversion Lift nem sempre são viáveis, por dependerem de sinais online, como pixels, APIs e SDKs.
Em resumo
- O teste de incrementalidade compara tratamento e controle e mede o efeito causal de uma ação ou de um canal num período.
- O MMM estima a contribuição de todos os canais com dados agregados do histórico e devolve curvas de resposta e alocação de orçamento.
- O experimento leva a prova causal e o desempenho por tática; o modelo leva a visão de todos os canais e dispensa o desenho experimental.
- Os dois se calibram: o experimento ancora o modelo, e o modelo estende o resultado a períodos e canais que nunca foram testados.
- Na Purple, o modelo de Marketing Mix Modeling (MMM) usa séries temporais bayesianas sobre dados agregados do histórico da empresa, sem depender de rastreamento individual por cliques, UTMs ou cookies, e os especialistas ajudam a escolher entre teste, modelo ou os dois.
Equipe Purple — conteúdo da Purple Metrics, parceira de Marketing Science. Atualizado em outubro de 2026.