Marketing Mix Modeling: quanto custa antes de dizer qualquer coisa

Você está numa reunião de orçamento, e o slide ordena os canais por retorno. O seu está embaixo. Não está ali porque rendeu pior. Está ali porque ninguém na sala consegue provar o que ele fez, e um canal que você não consegue provar perde para um canal que você consegue. Então o orçamento se move, e o ano que você passou aprendendo aquele canal vira dinheiro que outra pessoa vai gastar.

Você já assinou essa troca também. Eu também. Ela é arquivada como qualidade de dados e nunca é corrigida, porque corrigir custa mais do que o canal custou.

A técnica construída para este problema, o marketing mix modeling, carrega um preço e uma exigência de dados que raramente chegam a quem aprova o orçamento, e nenhuma das duas costuma estar no slide quando a decisão é tomada.

O que decide se vale comprar? Não é o número que o fornecedor fala na ligação, nem os anos de histórico que um guia vai te citar.

Por que o marketing mix modeling custa caro antes de ser útil

Um esclarecimento antes dos custos. Marketing mix modeling aqui é o método estatístico que separa a contribuição de um canal de tudo o mais que se move ao mesmo tempo, e não os quatro Ps de produto, preço, praça e promoção.

O preço publicado é a metade visível do custo. A outra metade chega antes de o modelo produzir qualquer coisa sobre a qual você possa agir, e aparece em três lugares.

A montagem dos dados é o primeiro. O seu investimento, as suas vendas e as suas variáveis externas vivem em sistemas diferentes, com granularidades diferentes. Alguém precisa reconciliar tudo em uma tabela semanal, decidir o que fazer com o trimestre em que o seu CRM mudou e documentar a decisão. A Odins, um guia de fornecedor, estima de duas a seis semanas para montar o histórico e, depois disso, de horas a dias todo mês, enquanto o modelo rodar. Nos casos de negócio que eu vi, esse trabalho mensal é justamente a linha que desaparece.

O talento é o segundo. Frameworks de código aberto como Meridian, Robyn e PyMC não cobram licença, o que os faz parecer gratuitos até você colocar na conta a pessoa que os opera. O guia da Cassandra, publicado por um fornecedor que vende MMM gerenciado, estima o equivalente interno em US$ 100.000 a US$ 200.000 ou mais em time de ciência de dados. Essa é a comparação que quem compra precisa fazer antes de chamar o caminho de código aberto de gratuito.

Depois vem o ciclo de atualização. Um modelo é uma fotografia de como os seus canais se comportaram, e ele envelhece. A orientação do IAB de 2025, resumida pela Genius Monkey, descreve atualizações semanais rápidas com retreinos completos mensais ou trimestrais, e cada retreino refaz o trabalho de dados descrito acima.

Como a lista de preços realmente se parece

Nas 14 páginas de termo principal que li para este artigo, nenhuma trouxe um preço. Catorze páginas explicando uma técnica, zero números anexados a ela.

Os números existem. Estão publicados em páginas sobre custo e nas páginas de preço dos próprios fornecedores, pelas empresas que vendem o trabalho. Quando um valor vem da página do próprio fornecedor, é o preço de tabela dele. Quando vem de terceiros, está marcado como reportado.

A distância entre US$ 490 por mês e US$ 500.000 por ano não é uma peculiaridade de precificação. É a diferença entre uma ferramenta de autoatendimento que ajusta um modelo padrão ao seu arquivo de investimento e um programa em que pessoas constroem, defendem e atualizam um modelo sob medida para você.

Repare em quais fornecedores escolheram publicar. A escada de tarifas da Cassandra acompanha o seu próprio investimento em mídia do ano anterior, o que é uma honestidade incomum nesta categoria. Recast, Northbeam, Keen e Mutinex trabalham com orçamentos personalizados ou corporativos, e essa é a observação da ELIYA na mesma comparação. Essa comparação diz o motivo com clareza, citando a Gartner: preço opaco domina o MMM, e a maioria dos fornecedores não publica preços. Isso não é um pequeno incômodo para quem compra. Significa que dois orçamentos não podem ser comparados antes de você obrigar os dois fornecedores a colocar no papel o mesmo modelo, o mesmo trabalho de dados e a mesma cadência de atualização.

Mais duas coisas ficam fora de todos os números daquela tabela. A ELIYA observa que a maioria dos fornecedores de MMM e de incrementalidade exige contrato anual, e que o preço cotado na ligação de vendas raramente inclui a taxa de implantação. O mesmo guia de fornecedor estima o custo de um único teste de incrementalidade, além da taxa da plataforma, em 5 a 15 por cento do investimento do canal testado em vendas perdidas durante a janela. Esse número pertence ao teste, não ao modelo, e pertence à mesma conversa de orçamento.

O limiar está publicado. E também engana.

O limiar não é segredo. Os fornecedores o publicam, e o Google publica um com a aritmética junto.

A documentação do Meridian, do Google, enuncia a regra sem rodeios: dois anos de dados semanais para modelos no nível geográfico, três anos para modelos no nível nacional e três anos se você só tem dados mensais.

Então por que um modelo construído sobre dois anos de dados semanais limpos ainda falha? Porque dois anos são uma duração, e duração não é a restrição que aperta.

Quanto histórico um modelo realmente precisa, e por que a variância vence a contagem de observações

A própria documentação do Meridian responde a isso, e entre tudo o que li para este artigo é a única fonte que converte a pergunta de anos em uma razão.

Doze canais de mídia, seis controles e oito nós somam 26 parâmetros no próprio exemplo resolvido do Meridian. Dois anos de dados semanais dão 104 pontos de dados. Isso é quatro pontos por parâmetro, e a conclusão da própria documentação é que esse tamanho de amostra é baixo demais para estimar o modelo com confiabilidade. Ela acrescenta que variação insuficiente no investimento em mídia piora o quadro.

Estique para três anos e um modelo menor no mesmo documento, e 156 pontos de dados em 10 parâmetros dão cerca de 15 por parâmetro. Nessa razão você obtém o que a documentação chama de informação direcional. Direção, não certeza.

Essa razão é o teste a fazer antes de comprar. Conte os seus canais e controles, conte as suas semanas, divida. Os dois exemplos do Meridian ficam em quatro e em cerca de quinze, e a distância entre eles é a diferença entre um coeficiente que sobrevive a uma pergunta séria e um que não sobrevive.

A variância importa tanto quanto a contagem. A Recast, fornecedor de mensuração, publicou a demonstração mais limpa disso. Na simulação deles, um canal cujo investimento variava de US$ 200 a US$ 600 foi recuperado com alguns pontos percentuais de erro em pelo menos seis meses de dados. Um canal com variância parecida, mas com menos de US$ 100 por dia investidos, nunca apareceu como significativo. A conclusão deles é a frase que vale guardar: o que importa é a variância em um canal, não apenas o número de observações.

Um canal também pode ter a variância e ainda assim falhar, se o efeito dele for pequeno demais para ser detectado. Esse contraexemplo faz parte do mesmo achado, e é o que o torna crível em vez de conveniente.

Os mínimos publicados não concordam entre si, e a discordância é a história:

Seis fontes, mínimos que vão de seis meses a cinco anos. Quem diz que a resposta é dois anos e para por aí entregou um número sem a condição que o torna verdadeiro.

A forma de ler uma discordância dessas é perguntar qual é o formato do produto de cada fornecedor. A Measured vende um produto que começa em seis a doze meses, e a orientação dela descreve o MMM tradicional em dois a três anos antes de descrever o próprio piso. O Meridian é o framework de código aberto do próprio Google, então a regra nacional reflete o tipo de modelo para o qual ele foi construído. Nenhum dos dois está mentindo. Eles estão precificando formatos diferentes do mesmo problema. Encontre a fonte cujo formato de modelo combina com o seu e rode a razão nos seus próprios números em vez de confiar na manchete dela.

O que acontece quando um canal é 4 por cento do investimento

Esta parte vem da documentação do próprio Google, não de um fornecedor.

A orientação do Meridian diz que, para canais de mídia com investimento baixo, é aconselhável combiná-los com outros canais para evitar problemas na estimativa de ROI. A lista de remédios para dados escassos inclui estimar menos canais, seja retirando um canal de investimento baixo, seja combinando canais.

A redação exata importa. A documentação não diz que o modelo recomenda cortar o seu canal pequeno. Diz que um canal pequeno demais para ser estimado é agrupado em outro canal ou retirado do modelo, e de um jeito ou de outro ele não ganha coeficiente próprio.

O que significa que a decisão de orçamento desse canal acontece sem o modelo. O modelo não está errado sobre o canal. Ele nunca foi consultado.

Um canal de 4 por cento é a linha mais exposta de um plano de mídia exatamente por isso. É grande o bastante para importar ao negócio e pequeno demais para conquistar um número próprio. Se ele também carrega o pior painel, é a primeira coisa que o próximo ciclo de orçamento corta, e o modelo que você acabou de comprar não vai defendê-lo.

O movimento prático é decidir o agrupamento antes, em vez de deixar que ele aconteça com você. Liste todos os canais que você pretende pedir ao modelo para separar, marque os que você espera que fiquem abaixo do limiar e decida agora como vai defender esses orçamentos se eles voltarem agrupados. Um canal defendido por uma mudança de investimento medida se sustenta sozinho, o modelo tenha conseguido vê-lo ou não.

O que o modelo resolve, e o que só um teste resolve

Um marketing mix model ajustado entrega elasticidades e participações de contribuição, e isso é genuinamente útil para alocar orçamento entre canais que você já consegue separar. Ele diz como as vendas se moveram com cada canal ao longo do período que você forneceu, com um intervalo anexado.

O State of Data 2026 do IAB, com mais de 400 decisores seniores ouvidos, apontou que nenhum respondente acredita que todos os canais pagos estejam bem representados nos marketing mix models atuais. Ninguém na amostra inteira. Esse é um achado da associação do setor, não de um fornecedor, e deveria calibrar as suas expectativas antes de você pagar pelo primeiro modelo.

O que o modelo não consegue fazer é confirmar as próprias premissas. Se dois canais sempre sobem e descem juntos, o modelo vai dividir o crédito entre eles de alguma forma, e a divisão vai parecer um achado. A Polestar Analytics, a página mais completa que li sobre o tema, nomeia a mesma fraqueza sem rodeios: o MMM precisa de histórico e tem dificuldade com canais correlacionados. A Sigmoid faz a mesma observação pelo nome mais preciso, multicolinearidade, e acrescenta a consequência de que modelos restritos a dados históricos limitados falham.

Mais um formato a respeitar antes de confiar em um coeficiente: a curva de resposta de onde ele veio. O efeito da publicidade se acumula e decai, e um modelo ajustado em um período que teve uma promoção vai atribuir a promoção ao canal. A Polestar lista o formato da curva e a decadência entre as próprias ressalvas. Se o seu coeficiente veio de doze semanas atípicas, ele descreve aquelas doze semanas.

Então a saída é um conjunto de afirmações, não de achados. Escolha um número e sustente-o até que algo fora do modelo o confirme.

As duas perguntas que um coeficiente não responde

Um coeficiente diz quanto um canal contribuiu dado o que aconteceu. Isso já pressupõe que o resto do mix fez o que fez.

As duas perguntas que ele não responde são as duas que uma revisão de orçamento de fato faz. O que teria acontecido se você não tivesse investido nada ali, e qual de dois canais que sempre se movem juntos merece o crédito. As duas precisam de uma versão do seu negócio que não aconteceu. A atribuição também não responde, porque ela aloca crédito pelo que aconteceu. O nosso artigo sobre atribuição de receita cobre o que esse método sustenta e o que não sustenta.

Para este artigo, a distinção se resume a uma frase. O modelo descreve o passado que você entregou, e o teste cria um futuro que você não tinha.

O único teste que mostra que o modelo está errado

A calibração é pequena e delimitada, e o retorno é grande. Você pega um canal, o retira em algum lugar e compara o que o modelo previu com o que realmente aconteceu. Se a previsão se sustenta, os seus coeficientes ganharam alguma confiança. Se não, você descobriu antes de mexer um orçamento com base neles.

A Strong.io descreve o teste de calibração assim, e é a descrição correta. Nenhuma das 14 páginas que li transforma o resultado em uma verificação a fazer antes de comprar. Ele continua sendo uma etapa de validação descrita depois da modelagem, o que é a ordem errada se o objetivo é evitar gastar.

Essa verificação importa porque a confiança não é distribuída por igual. A Haus, que vende testes de incrementalidade, publica um Marketing Decision Confidence Index de 2026 reportado pela EMARKETER: 60 por cento dos decisores seniores dos Estados Unidos confiaram mais em testes independentes de incrementalidade, à frente do media mix modeling com 40 por cento e dos relatórios dentro das plataformas com 37 por cento. É mais provável que o seu decisor acredite no teste do que no modelo. Planeje o trabalho nessa ordem.

Se você quer os desenhos e a aritmética, o nosso guia de testes de incrementalidade traz a mecânica. O ponto aqui é mais estreito. Um modelo que você não calibrou é uma afirmação não verificada sobre o seu próprio negócio, e a verificação é um teste que você pode delimitar e precificar antes de se comprometer com o programa.

Construir, comprar ou pular

Três perguntas decidem isso, e nenhuma delas é sobre qual fornecedor.

Os seus dados sustentam a razão? Os exemplos do Meridian vão de quatro pontos de dados por parâmetro, que ela considera baixo demais, até cerca de quinze, onde a saída se torna direcional. Se você cair perto do fundo, está comprando um modelo que vai produzir números e não muito mais. Conserte o formato dos dados primeiro, ou modele menos canais.

Você tem alguém responsável pela atualização? Não alguém que consiga rodar uma vez. Alguém para quem o reajuste mensal seja uma tarefa permanente. A Odins descreve esse ciclo como algo que continua enquanto o modelo rodar, e um modelo sem dono decai para um slide em que ninguém confia.

A decisão é grande o bastante para justificá-lo? Um modelo se paga quando você está movendo dinheiro real entre canais que não consegue separar. Se o seu orçamento está em dois canais, uma mudança de investimento escalonada vai te ensinar mais por unidade investida do que um modelo completo.

Se as três respostas forem sim, o caminho de código aberto está genuinamente disponível. Meridian, Robyn e PyMC não custam nada de licença, e a troca é que você fornece o cientista de dados que os fornecedores pagos forneceriam por você. Se você tem essa pessoa e a razão se sustenta, construa. Se falta qualquer um dos dois, compre a versão gerenciada e pague pela metade que falta.

Se uma resposta for não, pule este ano e coloque o dinheiro em evidência que você realmente possa usar.

Seja qual for o caminho, compre a verificação antes de comprar o programa. Uma rodada de calibração contra um canal que dá para retirar é um teste delimitado, não um programa, e ela mostra como um fornecedor se comporta quando o número dele encontra a sua realidade. Para as perguntas de compra que vêm antes do MMM especificamente, veja software de atribuição de marketing. Depois que o modelo existe, você ainda precisa de um lugar para reportá-lo, e a nossa seleção de ferramentas de analytics de marketing cobre essa camada.

O que fazer enquanto você não pode pagar por um

Se você está pesando isso, provavelmente não vai comprar um modelo neste trimestre, e esse é um desfecho razoável. Você ainda pode responder à pergunta que o modelo deveria responder, com evidência em vez de inferência.

Escalone a mudança de orçamento em vez de modelá-la. Mova um valor definido de um canal para outro por uma janela fixa e acompanhe as vendas. Você não está estimando uma elasticidade, está medindo uma. A evidência é mais fraca que a de um modelo ajustado e é real, o que vence um modelo que você não consegue calibrar.

Use divisões geográficas como evidência. Mantenha um canal em algumas regiões e rode normalmente em outras, depois compare. É a mesma lógica de uma retirada sem a taxa da plataforma, e é o caminho mais rápido para descobrir se um canal faz alguma coisa. Os desenhos estão detalhados no nosso guia de testes de incrementalidade.

O que nenhum dos dois métodos vai te dizer é o efeito de longo prazo, a contribuição de marca que aparece dois trimestres depois, ou o que um canal que você nunca rodou faria. Essas são as perguntas para as quais um modelo realmente serve, e ser claro com o seu time sobre qual pergunta você está respondendo evita comprar um modelo para resolver o problema de um teste.

O gasto já está acontecendo em outro lugar. O State of Data 2026 do IAB e da BWG Global, uma pesquisa com 430 líderes seniores de planejamento e analytics dos Estados Unidos, apontou que entre 67 e 76 por cento usam atualmente testes de incrementalidade, análise de atribuição ou marketing mix models, com 67 por cento citando o MMM especificamente. A distância entre ter um e agir sobre ele é a parte que vale considerar: a HBR Analytic Services, em uma pesquisa de 2026 reportada em um compilado de estatísticas do setor, apontou que 87 por cento dizem que o MMM importa para a sua organização, enquanto apenas 28 por cento são muito eficazes em agir sobre ele.

Você não fecha essa distância comprando um modelo maior. Fecha tendo um número em que confia antes de gastar qualquer coisa no próximo, e um número precisa sobreviver à revisão em que ele cai. O nosso guia de KPIs de marketing é o lugar para começar a fazer esse número se sustentar.