LMMLarge Media Model
Todos os posts
MMM5 min de leitura

Seu time está pronto para MMM? Quatro perguntas antes do primeiro modelo

Marketing Mix Modeling responde perguntas grandes, mas só quando o histórico aguenta. Um checklist técnico e honesto para saber se é hora, e o que fazer enquanto não é.

LMMEquipe Large Media Model
Mesa de escritório na Avenida Paulista com notebook mostrando gráficos de mídia e vendas, planilhas impressas e o Edifício Copan ao fundo

Toda semana alguém pergunta: “dá para rodar um MMM com o que temos?”. A resposta honesta quase sempre começa com “depende”. Marketing Mix Modeling é uma regressão sobre séries temporais que tenta separar quanto do resultado de negócio veio de cada canal de mídia, quanto veio de fatores externos e quanto aconteceria de qualquer forma, a chamada base. É uma das ferramentas mais poderosas da medição, porque não depende de cookies nem de rastreamento individual. E é também uma das mais fáceis de exagerar, porque sempre devolve um número, mesmo quando os dados não sustentam esse número.

Antes de contratar consultoria, montar um time de dados ou abrir um projeto de seis meses, vale passar por quatro perguntas. Se alguma delas tiver resposta negativa, o modelo vai produzir coeficientes instáveis, intervalos de confiança enormes ou, pior, uma conclusão confiante e errada.

1. Existe histórico suficiente?

Modelos de mix aprendem com variação ao longo do tempo. Cada semana é uma observação, e cada canal, controle e parâmetro de saturação consome parte dessa informação. A regra prática mais citada é ter pelo menos 2 anos de dados semanais, cerca de 104 observações, para que o modelo veja dois ciclos completos de sazonalidade e consiga distinguir uma Black Friday de um aumento de investimento que aconteceu na mesma época.

Uma heurística útil é manter algo como 10 a 15 observações por variável estimada. Um modelo com 8 canais, 4 controles e parâmetros de adstock e saturação por canal pode facilmente passar de 30 parâmetros. Com 52 semanas, isso é estatisticamente frágil. Modelos bayesianos ajudam, porque permitem usar priors informados por testes e benchmarks, mas não fazem milagre: prior forte com pouco dado significa que você está lendo a sua própria hipótese de volta.

2. Os canais variam de verdade?

Se o investimento em um canal é praticamente constante, não há sinal para aprender. O modelo precisa observar semanas de mais e de menos mídia, idealmente em momentos diferentes para cada canal. O problema mais comum não é a ausência de variação, e sim a colinearidade: quando TV, digital e OOH sobem e descem juntos em todas as campanhas, o modelo não consegue atribuir o efeito a nenhum deles com segurança, e os coeficientes passam a oscilar a cada reestimação.

  • Calcule o coeficiente de variação semanal de cada canal. Abaixo de 0,3, o sinal tende a ser fraco.
  • Verifique a correlação entre canais. Acima de 0,7, considere agrupá-los ou planejar variação intencional.
  • Planeje “flights” defasados entre canais nas próximas campanhas. Variação desenhada vale mais que variação acidental.

3. O KPI é independente das plataformas?

Vendas faturadas no ERP, leads qualificados no CRM, novos cadastros no banco de dados, sell out de varejo. O resultado precisa vir de fora das plataformas de anúncio. Se a variável dependente for “conversões reportadas pelo Meta”, o modelo só reaprende as regras de atribuição do Meta e, de quebra, superestima o próprio canal que gera a métrica.

Também importa a granularidade e a consistência. Mudanças de definição no meio da série, como passar a contar pedidos aprovados em vez de pedidos feitos, criam quebras estruturais que o modelo interpreta como efeito de mídia. Documente qualquer mudança e crie uma variável indicadora para ela.

4. Os controles estão no lugar?

Tudo que move o KPI e não é mídia precisa entrar no modelo como controle. Caso contrário, o efeito é absorvido pelo canal mais correlacionado com ele. É assim que um canal ligado em datas promocionais acaba parecendo milagroso.

  • Sazonalidade e calendário: feriados nacionais e regionais, datas como Dia das Mães, Black Friday e Natal, pagamento de 13º.
  • Preço e promoção: preço médio praticado, profundidade de desconto, frete grátis, cupons.
  • Distribuição: ruptura de estoque, número de lojas ou praças ativas, mudanças de sortimento.
  • Macroeconomia e concorrência: confiança do consumidor, inflação do setor e, quando disponível, investimento estimado da concorrência.

Como saber se o modelo merece confiança

Um bom R² não é evidência de um bom MMM. É fácil ajustar a série histórica e errar a contribuição dos canais. O que importa é a validação: erro fora da amostra em semanas que o modelo não viu, estabilidade dos coeficientes quando você reestima com algumas semanas a mais, e principalmente coerência com experimentos. Se um teste geo mostrou que um canal gera 1,4 de retorno incremental e o modelo diz 4,0, um dos dois está errado, e normalmente não é o experimento.

“Não estimável” não é um erro. É o modelo sendo honesto sobre o que os dados conseguem sustentar.

E se a resposta for “ainda não”?

Não ter dados para MMM não significa ficar sem medição. Leitura de canal com métricas observadas, atribuição com janelas explícitas e pesquisas de marca já orientam boa parte das decisões. Ao mesmo tempo, o time pode começar a construir o histórico certo: padronizar o KPI de negócio, registrar promoções em uma tabela única e desenhar variação intencional de investimento. Em 12 a 18 meses, a pergunta “dá para rodar?” costuma ter uma resposta bem diferente.

No LMM, esses quatro critérios viram um painel de prontidão calculado a partir dos seus próprios dados: semanas disponíveis, variação por canal, correlação entre canais e cobertura de controles. Enquanto eles não fecham, a Plataforma mostra o que já é possível afirmar e marca como “não estimável” o que ainda não é. Quando fecham, o MMM entra, calibrado pelos testes que você já rodou. Sem pular etapas.

Continue lendo

LMM

Seus dados de mídia já contêm sinais.

O LMM transforma esses sinais em um caminho claro da medição à decisão.