Modelagem de Mix de Mídia (MMM): Definição e Como Funciona

A modelagem de mix de mídia (MMM) é uma técnica estatística que estima quanto cada canal de marketing contribui para vendas ou conversões de forma agregada, usando dados históricos de investimento e resultados em vez de rastreamento em nível individual. Em vez de seguir o clique de uma pessoa até a compra, o MMM analisa totais semanais ou mensais, quanto você gastou em native, paid search e TV em relação ao número de unidades vendidas, e então ajusta um modelo que explica o padrão.

Por que ela existe#

Todo método de atribuição tem um ponto cego. Modelos baseados em cliques dão crédito excessivo ao canal mais próximo da venda, e o rastreamento em nível de pessoa requer um identificador persistente em todos os pontos de contato, algo que a descontinuação de cookies e as restrições de rastreamento em apps dificultam. O MMM contorna ambos os problemas porque nunca precisa identificar um usuário individual ou rastreá‑lo entre dispositivos. Ele funciona totalmente com dados agregados em nível de canal, o que o torna resiliente em termos de privacidade e utilizável até mesmo para canais offline como TV, rádio ou out‑of‑home, que não produzem nenhum rastro clicável.

O que compõe o modelo#

Um MMM típico regredia vendas contra o ad spend semanal por canal, mais variáveis de controle: sazonalidade, mudanças de preço, atividade de concorrentes e promoções. O resultado é um conjunto de coeficientes que mostram a contribuição estimada de cada canal e sua curva de retornos decrescentes, o ponto onde um dólar extra de investimento começa a gerar menos venda incremental que o dólar anterior. Esse padrão de retornos decrescentes costuma refletir o que ocorre no nível criativo, onde frequência sustentada gera creative fatigue muito antes de um modelo em nível de canal detectá‑lo. As vendas base, o que seria vendido sem nenhum marketing, são separadas das vendas impulsionadas pelo marketing, de modo que o modelo não credite acidentalmente anúncios por demanda que já existia.

MMM versus um holdout ao vivo#

Um experimento de incrementalidade ao vivo fornece um número preciso de lift, verificado experimentalmente, para um canal durante uma janela de teste, ao custo de pausar ou reduzir o investimento real. O MMM roda continuamente em segundo plano usando dados que você já possui, cobrindo todos os canais simultaneamente, mas sua precisão depende de ter variação histórica suficiente de investimento para separar o efeito de um canal do de outro. Muitas equipes de analytics usam os resultados de holdout para calibrar e validar os coeficientes do MMM, já que um modelo que contradiz um resultado experimental limpo provavelmente está omitindo alguma variável.

Onde native e social se encaixam em um MMM#

Redes native e plataformas sociais geralmente são modeladas como itens separados porque suas curvas de resposta diferem: uma rede como Taboola tende a ter uma curva mais longa e de construção lenta que uma campanha de busca bem segmentada, e o inventário comprado através de uma demand-side platform costuma apresentar outra forma novamente. Antes de construir um modelo defensável, você precisa de rastreamento de conversion tracking e dados de investimento em nível de canal bem estruturados, geralmente a parte mais difícil na prática. Monitorar quanto o investimento dos concorrentes e o volume criativo estão mudando em uma rede específica, usando uma ferramenta como a plataforma de ad intelligence da OpenAdLibrary, é uma verificação de sanidade útil para saber se a contribuição modelada de um canal está alinhada com o que realmente acontece no mercado, e se o ROAS relatado é plausível ao lado dele.

Limitações#

O MMM precisa de uma quantidade significativa de dados históricos, geralmente um ano ou mais de observações semanais, para ajustar um modelo estável. Ele também reage lentamente: o coeficiente de um canal não será atualizado em tempo real como acontece em um painel de plataforma, portanto o MMM funciona melhor como uma ferramenta estratégica de planejamento trimestral do que como uma otimização diária. Gastos correlacionados, ao aumentar o orçamento em dois canais simultaneamente a cada período, também dificultam estatisticamente a separação dos efeitos individuais, um problema conhecido como colinearidade, e nenhuma habilidade de media buying resolve um modelo que carece dos dados necessários.