Modelagem do Mix de Marketing

A modelagem do mix de marketing (MMM) é uma técnica de análise estatística que quantifica a contribuição de cada canal de marketing (e de fatores não relacionados ao marketing) para resultados de negócio, como receita, usando dados históricos agregados em vez de rastreamento no nível do usuário.

A MMM foi desenvolvida na década de 1960 para publicidade na TV e impressa e ressurgiu à medida que o rastreamento digital se torna menos confiável — é a única abordagem de mensuração que funciona completamente sem identificadores no nível do usuário ou cookies.

A atribuição funciona no nível do usuário individual, rastreando clientes específicos ao longo da jornada entre pontos de contato monitorados. A MMM funciona no nível da população, analisando padrões agregados de gastos e receita ao longo do tempo para inferir a contribuição de cada canal.

A atribuição é detalhada, mas incompleta (não considera atividades off-line, compartilhamentos privados em redes sociais e pontos de contato não rastreados). A MMM oferece uma visão estatística completa, mas não consegue identificar as jornadas de clientes individuais. As duas abordagens são complementares, não concorrentes.

Um modelo de MMM exige séries temporais semanais ou mensais de: gastos de marketing por canal, receita ou conversões e variáveis externas que afetam as vendas independentemente do marketing — incluindo sazonalidade, atividade dos concorrentes, mudanças de preços, indicadores macroeconômicos e clima.

A qualidade de um resultado de MMM é diretamente proporcional à qualidade e à completude dos dados de entrada. Canais ou fatores externos ausentes farão com que o modelo atribua incorretamente seus efeitos aos canais presentes no conjunto de dados.

Um resultado central da MMM é um gráfico de decomposição da receita que mostra qual porcentagem da receita total é atribuída a cada canal de marketing, à demanda básica (o que aconteceria sem marketing) e a fatores externos.

Essa decomposição geralmente revela que uma parcela maior da receita vem da demanda básica do que a maioria das equipes de marketing espera, o que recalibra as conversas sobre o impacto total do marketing e o valor incremental de cada canal.

O efeito residual da publicidade se refere ao efeito de continuidade da publicidade — a ideia de que os gastos com anúncios de hoje continuam influenciando as vendas nas semanas futuras, à medida que a lembrança e o reconhecimento da marca diminuem gradualmente, em vez de desaparecerem de imediato.

Retornos decrescentes descrevem como cada unidade adicional de investimento em um canal gera menos receita incremental do que a unidade anterior. A MMM quantifica tanto a taxa de redução do efeito residual da publicidade quanto o ponto de retornos decrescentes de cada canal.

As curvas de saturação representam a relação entre os gastos em um canal e o resultado em receita — mostrando como a receita cresce rapidamente em níveis baixos de investimento e depois se estabiliza quando o canal atinge seu ponto de saturação.

Essas curvas, derivadas dos resultados da MMM, são a base da otimização do orçamento: revelam quais canais ainda têm espaço para crescer (baixo investimento, curva acentuada) e quais estão saturados (alto investimento, curva plana) e devem ter o orçamento redirecionado para outros canais.

O Robyn, da Meta (pacote R), e o LightweightMMM, do Google (Python), são as duas principais estruturas de MMM de código aberto, tornando análises sofisticadas do mix de marketing acessíveis sem fornecedores proprietários caros.

O Robyn usa algoritmos evolutivos para a calibração automatizada do modelo e gera diretamente resultados do otimizador de orçamento e curvas de saturação. O LightweightMMM usa inferência bayesiana, permitindo quantificar a incerteza nos resultados do modelo — uma vantagem significativa para comunicar intervalos de confiança aos responsáveis pelas decisões.

Um otimizador de orçamento da MMM recebe curvas de saturação como entrada e calcula a alocação de um orçamento total fixo que maximiza a receita prevista — essencialmente encontrando, na curva de cada canal, o ponto que contribui com a maior receita incremental por unidade monetária investida.

As recomendações típicas da MMM incluem reduzir os gastos em canais de TV ou publicidade gráfica saturados e realocá-los para canais digitais com espaço restante para crescimento, frequentemente acompanhadas de intervalos projetados de impacto na receita.

A MMM exige pelo menos dois anos de dados semanais para produzir resultados confiáveis — séries temporais mais curtas não conseguem separar padrões sazonais de efeitos genuínos do marketing. Ela também tem um tempo de atraso: os modelos geralmente são atualizados trimestralmente, o que significa que não podem orientar decisões de campanhas em tempo real.

A MMM também enfrenta dificuldades com canais altamente correlacionados (por exemplo, TV e vídeo on-line que sempre são veiculados juntos) e não consegue medir efeitos detalhados de segmentação por público que a atribuição no nível do usuário consegue captar.

Uma estrutura sofisticada de mensuração combina a MMM para decisões estratégicas de alocação de orçamento (em quais canais investir no próximo trimestre) com a atribuição para a otimização tática durante a campanha (quais palavras-chave, públicos e criativos estão gerando conversões hoje).

A MMM calibra os modelos de atribuição ao revelar onde a atribuição sistematicamente atribui crédito excessivo ou insuficiente aos canais, criando um ciclo de retroalimentação que melhora a precisão das duas abordagens de mensuração ao longo do tempo.

Uma técnica comum para validar os resultados da MMM é realizar um experimento geográfico com grupos de teste e controle — desativando um canal em um conjunto de mercados de teste e mantendo-o nos mercados de controle — e comparar a diferença de receita com a contribuição prevista pela MMM para esse canal.

Quando o resultado do experimento de controle se aproxima da previsão da MMM, aumenta a confiança na precisão do modelo. Discrepâncias significativas indicam que os dados de entrada do modelo podem estar sem variáveis importantes ou que a especificação do efeito residual da publicidade precisa ser ajustada.

A MMM quantifica a contribuição de cada canal para a receita a partir de dados agregados, sem depender do rastreamento no nível do usuário — o que a torna a abordagem de mensuração mais duradoura em um mundo que prioriza a privacidade.

As curvas de saturação e os otimizadores de orçamento do Robyn ou do LightweightMMM transformam os resultados do modelo em decisões práticas de realocação. Combinar a MMM com a atribuição cria uma estrutura completa de mensuração: MMM para a estratégia e atribuição para as táticas.