Marketing Mix Modeling, do problema à implementação.

O problema: por que mensurar marketing continua sendo difícil

A evolução dos indicadores, a ascensão e os limites do Multi-Touch Attribution e a chegada da era cookieless.

1.1 A evolução dos indicadores de performance

Durante décadas, a mensuração de marketing esteve ancorada em indicadores de alcance e awareness, GRPs, impressões, frequência média e recall de marca. Métricas úteis para dimensionar exposição, mas sempre com a mesma lacuna: a incapacidade de ligar diretamente o investimento em mídia ao resultado financeiro da empresa.

O marketing digital prometeu resolver esse gap. Surgiram CTR, CPC, CPA, ROAS, métricas com rastreabilidade end-to-end. Mas essa granularidade criou um novo problema: a fragmentação da visão estratégica. Cada canal passou a operar com seus próprios KPIs e suas próprias narrativas de sucesso, frequentemente inflacionando sua contribuição real.

1.2 A ascensão e os limites do MTA

O modelo dominante na década de 2010 foi o last-click attribution, 100% do crédito para o último touchpoint. Surgiram variantes (first-click, linear, time-decay), mas todas baseadas em regras heurísticas, não em evidência estatística.

A evolução natural foi o Multi-Touch Attribution (MTA), prometendo distribuir crédito entre todos os touchpoints via modelos estatísticos ou de machine learning. Na prática, o MTA enfrentou obstáculos estruturais:

• Restrições de rastreamento: menos de 30% das jornadas são rastreáveis end-to-end em desktop; abaixo de 15% em mobile iOS.
• Walled gardens: Meta, Google, Amazon e TikTok operam como ecossistemas fechados, atribuição cross-platform impraticável.
• Baixa taxa de match: raramente excede 40–50%, criando viés de seleção significativo.
• Ausência de canais offline: TV, rádio e OOH (30–60% do budget em grandes empresas) são invisíveis para o MTA.

1.3 A era cookieless e suas implicações

A solução: Marketing Mix Modeling bayesiano

O que é MMM, por que voltou ao centro das decisões e por que o Google Meridian é a referência open-source.

2.1 O que é MMM

Marketing Mix Modeling é uma técnica estatística que utiliza dados agregados de séries temporais para estimar a contribuição de cada variável de marketing ao KPI de negócio. O modelo decompõe a receita em componentes atribuíveis a cada fator: mídia paga, preço, distribuição, sazonalidade, fatores macroeconômicos, concorrência e uma baseline orgânica.

Onde Y(t) é o KPI no período t, X_i são variáveis de mídia transformadas (adstock + saturação), Z_j são variáveis de controle, β e γ são os coeficientes estimados, e ε é o termo de erro.

O MMM bayesiano moderno, como o Google Meridian, incorpora conhecimento prévio (priors), gera distribuições de probabilidade completas para cada estimativa e quantifica incerteza rigorosamente. Em vez de "o ROI do canal X é 2.5", diz "o ROI tem 90% de probabilidade de estar entre 1.8 e 3.2, com mediana em 2.5".

2.2 Os três pilares de utilidade

2.3 Por que o Google Meridian

Lançado em 2024 como evolução do LightweightMMM, o Meridian é o estado da arte em MMM open-source:

• NumPyro/JAX: NUTS sampler com aceleração GPU para inferência rápida e convergente.
• Reach & Frequency: modela diretamente dados de reach/frequência, não apenas spend.
• Modelo hierárquico geográfico: compartilha informação entre regiões, melhorando estimação em geos com dados escassos.
• Calibração experimental: integra resultados de geo-lift e conversion lift como priors informados.
• Otimizador de budget: módulo integrado para recomendação de alocação ótima entre canais.

Os dados: o que coletar, como validar, como preparar

Os três pilares de dados, o formato esperado pelo Meridian e os tratamentos obrigatórios antes do treinamento.

3.1 Os três pilares de dados

Todo MMM é construído sobre três categorias: (1) a variável dependente (KPI de negócio), (2) variáveis de mídia (investimentos e métricas de exposição) e (3) variáveis de controle (fatores não-marketing que influenciam o KPI). A qualidade e completude desses dados determinam o teto de qualidade do modelo.

3.2 Volume mínimo de dados

3.3 Limpeza e tratamento

Valores ausentes têm tratamentos específicos: zero para mídia inativa, interpolação linear para gaps curtos (1–2 semanas) e exclusão para gaps longos. Multicolinearidade é diagnosticada via VIF (Variance Inflation Factor), VIF > 5 é preocupante; VIF > 10 é severo. A solução pode ser merge de canais correlacionados, exclusão da variável menos importante ou uso de priors informativos.

O modelo: adstock, saturação e estimação bayesiana

As duas transformações fundamentais (adstock e saturação), priors, posteriors e o que acontece dentro do MCMC.

4.1 Curvas de resposta (saturação)

A curva de resposta modela os retornos decrescentes do investimento em mídia. Os primeiros reais investidos geram mais impacto; conforme o investimento aumenta, a contribuição marginal diminui.

Duas famílias dominam: a côncava (exponencial), sem ponto de inflexão, adequada para search paid e retargeting; e a Hill function (S-shape), com ponto de inflexão, mais realista para TV e branding. O Meridian usa Hill por padrão.

4.2 Adstock (efeito de carryover)

O efeito de publicidade não desaparece instantaneamente, um comercial visto na segunda ainda influencia compras na quarta. O adstock modela esse decaimento temporal:

λ = 0.9 significa efeito persistente por muitas semanas (TV). λ = 0.3 significa decaimento rápido (search). No Meridian, a ordem é adstock primeiro, saturação depois: acumula o efeito ao longo do tempo e depois aplica saturação ao total acumulado.

4.3 Estimação bayesiana

A estimação bayesiana incorpora conhecimento prévio (priors) e atualiza essa crença com base nos dados, gerando posteriors completas. A intuição central é:

Posterior = Likelihood × Prior. Em vez de point estimates, o output é uma distribuição completa de probabilidade, o que permite quantificar incerteza com intervalos de credibilidade.

4.4 MCMC na prática

Como a posterior é analiticamente intratável, usamos Markov Chain Monte Carlo para amostrar dela. O Meridian usa o NUTS (No-U-Turn Sampler), variante eficiente do HMC que utiliza gradientes para navegar o espaço de parâmetros, convergindo mais rápido que Metropolis-Hastings.

A validação: 9 checkpoints obrigatórios

Sem aprovação nos 9 checkpoints, o modelo não vai para produção. Esse é o filtro entre "MMM bonito" e "MMM acionável".

A estrutura causal: DAGs e quando single-layer falha

Um modelo com bom R² pode produzir ROIs completamente errados se a estrutura causal for inadequada.

6.1 Três checkpoints de adequação estrutural

• Relação cronológica: a causa precede o efeito. Nenhuma variável de mídia tem coeficiente significativo em t-1 relativo ao KPI em t.
• Não-inclusão lógica: evitar variáveis logicamente inclusivas. Não incluir "total digital spend" E "search spend + display spend", colinearidade perfeita.
• Identificabilidade: o modelo determina unicamente cada parâmetro. Representar como DAG (Directed Acyclic Graph) ajuda a diagnosticar.

6.2 Impacto da estrutura na análise

Existe um exemplo clássico: o Click Route (Ad → Click → Conversão) é capturado bem por single-layer, com erro abaixo de 5%. O Search Route (Ad → Awareness → Search → Conversão) é uma rota indireta, single-layer não distingue efeito direto do indireto, e o erro pode chegar a 880%.

6.3 Critérios de inferência causal

O framework: Google Meridian na prática

Instalação, InputData, ModelSpec, treinamento MCMC e calibração com priors informativos.

7.1 Arquitetura modular

O Meridian é organizado em três módulos principais: meridian.data (processamento de dados, InputData, DataFrameBuilder), meridian.model (modelo bayesiano, Meridian, ModelSpec, fit/sample) e meridian.analysis (análise de resultados, Analyzer, optimize, summary_metrics).

7.2 InputData e ModelSpec

O InputData espera arrays com shape específico: KPI em (n_geos × n_times), mídia em (n_geos × n_times × n_channels). O Meridian faz escalonamento interno automaticamente (mean scaling para mídia), o que simplifica o pipeline em relação a frameworks anteriores como o LightweightMMM.

7.3 Treinamento MCMC

O fluxo padrão de treinamento usa três fases: n_adapt (2000 amostras de adaptação, ajuste do step size, descartadas), n_burnin (500 amostras de aquecimento, descartadas) e n_keep (1000 amostras finais, usadas na inferência). Com 2 ou 4 chains em paralelo, o output é uma posterior com 2.000 a 4.000 amostras por parâmetro.

7.4 Priors e calibração

Resultados de geo-lift tests ou conversion lift tests podem ser convertidos em priors LogNormal informados, um experimento com ROI = 2.0 e CI 95% [1.0, 3.0] vira um prior com μ = ln(2.0) e σ derivado do CI. Essa ponte entre evidência experimental e observacional é uma das principais vantagens do Meridian sobre frameworks puramente frequentistas.

A análise: ROI, mROI, credible intervals e Reach & Frequency

Como ler os outputs do modelo e por que credible intervals importam mais do que médias.

8.1 Métricas fundamentais

8.2 Credible intervals

O modelo MCMC com 4 chains × 1000 amostras gera 4.000 estimativas para cada parâmetro. Mostrar apenas a média desperdiça informação crucial. Credible intervals mostram a faixa de incerteza:

8.3 Reach & Frequency

Plataformas como Meta e YouTube fornecem Reach (pessoas únicas) e Frequency (vezes por pessoa). O efeito marginal satura com frequência alta, a primeira exposição entrega 100% do impacto, a terceira já está em 50%, a quinta em 12%, e da sétima em diante é desperdício.

Sem RF modelado: 1M impressões viram um ROI "médio" 1.5, invisível para o anunciante. Com RF: o modelo detecta saturação por exposição e recomenda redistribuir frequency cap.

A otimização: budget optimizer, cenários e gap analysis

Transformando insights em ação: das curvas de saturação à recomendação de alocação ótima.

9.1 Budget optimizer

O otimizador resolve: dada uma verba total fixa, como distribuí-la entre N canais para maximizar o KPI total? A solução utiliza as curvas de saturação estimadas, canais com ROI marginal alto recebem mais budget; canais saturados cedem budget. Restrições operacionais (min/max change por canal) garantem que a recomendação seja executável.

9.2 Cenários estratégicos vs táticos vs operacionais

9.3 Gap analysis

Processo inverso: dado um target de receita, qual o investimento total necessário e como distribuí-lo? O modelo projeta a receita baseline (orgânica + sazonalidade) e calcula a receita incremental necessária de mídia. Depois otimiza a distribuição para atingir o gap com mínimo investimento.

A plataforma Precisian: arquitetura, API e lições aprendidas

Como a Precisian operacionaliza MMM em produção: 5 containers Docker, processamento assíncrono e relatórios automatizados.

10.1 Arquitetura Docker

Cinco containers orquestrados por docker-compose: Frontend (Next.js + TypeScript), Backend (FastAPI + Python, API REST e geração de relatórios), Worker (Celery + Meridian + GPU RTX 2060, MCMC e NumPyro/JAX), PostgreSQL (dados persistentes: runs, configs, results) e Redis (message broker do Celery e progress tracking).

10.2 API e endpoints

A API expõe ciclo de vida completo: POST /api/runs/ para criar execução, GET /api/runs/{id}/progress para acompanhar via Redis, POST /api/runs/{id}/analyze para análise por LLM, e três tipos de relatório: report (stakeholder), report-dashboard (marketing, 5 abas) e report-pitchdeck (C-suite, 11 slides).

10.3 Lições aprendidas

• Painel balanceado: todas as regiões com o mesmo número de períodos. Validar antes de rodar.
• Ponto decimal: vírgula causa erro de tipo. Sempre normalizar para ponto.
• inference_data obrigatório: Analyzer sem inference_data=model.inference_data resulta em NoneType has no attribute 'posterior'.
• budget obrigatório no optimizer: chamar sem o parâmetro retorna None silenciosamente.
• Confiar em credible intervals, não em médias: a média esconde a incerteza que importa para a decisão.