Marketing Mix Modeling (MMM): o que é, como funciona e como implementar

Marketing mix modeling (MMM) é um método de mensuração que estima quanto cada canal de marketing contribui para as vendas. O tema entrou na pauta dos times de marketing por um motivo prático: ficou mais difícil comprovar essa contribuição.

Navegadores como Safari e Firefox já bloqueiam cookies de terceiros por padrão, e as regras de consentimento reduzem o rastreamento individual. Ao mesmo tempo, a jornada de compra passa por mídia paga, orgânico, TV, eventos e pontos de venda físicos. O resultado é que cada plataforma conta uma história diferente sobre a mesma venda.

Quem define o orçamento de marketing precisa de uma resposta única, que dê para defender diante da diretoria.

Neste guia, mostramos o que é o MMM, quais dados ele exige, o que entrega na prática e como vocês podem implementá-lo por etapas. No caminho, há um exemplo de como o resultado do modelo vira decisão de verba.

O que é marketing mix modeling (MMM)

Marketing mix modeling (MMM) é uma técnica estatística que mede quanto cada canal de marketing, online e offline, contribui para as vendas ou para outro resultado de negócio. O modelo usa dados históricos agregados, como investimento semanal por canal, sazonalidade, preço e fatores externos.

Com isso, ele separa o efeito real da mídia daquilo que aconteceria sem ela. Como trabalha com dados agregados, o MMM dispensa cookies e rastreamento individual.

Em português, o método também aparece como modelagem de mix de marketing. Vocês também vão encontrar o termo modelagem do mix de mídia (media mix modeling), que muita gente usa como sinônimo.

A diferença está no escopo: o mix de marketing soma aos canais de mídia variáveis como preço, promoção, distribuição e fatores externos. Explicamos essa distinção em detalhe no nosso conteúdo sobre a diferença entre modelagem do mix de mídia e mix de marketing.

Como funciona o marketing mix modeling

O marketing mix modeling cruza séries históricas de investimento com séries de resultado e estima quanto das vendas cada canal gera de forma incremental. Para chegar a esse número, o modelo leva em conta dois efeitos: o atraso entre ver o anúncio e comprar, e a perda de eficiência quando o investimento cresce demais.

Na prática, três mecanismos sustentam essa estimativa. Cada um responde a uma pergunta diferente sobre o comportamento da mídia.

Séries temporais e impacto incremental

O ponto de partida é separar as vendas de base das vendas incrementais. Vendas de base são as que aconteceriam mesmo sem mídia: clientes recorrentes, força da marca e demanda natural do mercado. Vendas incrementais são o que a mídia acrescenta a esse volume.

Pensem em um varejista que vende mais em dezembro. Parte desse crescimento vem do Natal e aconteceria de qualquer forma. A outra parte vem das campanhas do período. Com vários anos de histórico, o MMM consegue separar as duas parcelas e mostrar quanto do pico foi efeito real da mídia.

Adstock e saturação dos canais

Dois conceitos explicam por que o retorno da mídia muda com o tempo e com o volume investido. Eles aparecem em praticamente todo modelo de MMM moderno e definem a qualidade das recomendações de verba.

• Adstock: é o efeito residual de um anúncio depois que ele sai do ar. Uma campanha de TV pode influenciar vendas por semanas. Um anúncio de busca tende a ter efeito concentrado em poucos dias.
• Saturação: é o ponto em que cada real a mais investido no canal traz menos resultado do que o anterior. Todo canal tem um teto, e o modelo indica onde ele está.

Modelos bayesianos e calibração

Os modelos mais recentes usam estatística bayesiana. Essa abordagem permite incluir conhecimento prévio no modelo, como o resultado de um teste de incrementalidade feito no ano anterior. O modelo parte dessa informação e ajusta as estimativas conforme os dados históricos confirmam ou contradizem o ponto de partida.

A calibração é o que dá credibilidade ao resultado. Um modelo sem nenhum experimento de referência pode produzir números coerentes do ponto de vista estatístico e, mesmo assim, distantes da realidade. Os experimentos funcionam como âncora.

Quais dados o MMM precisa

O MMM precisa de histórico semanal em três frentes: investimento e entrega por canal, resultado de negócio e variáveis de contexto.

Para o Google Meridian, a orientação da documentação oficial é de pelo menos dois anos de dados semanais em modelos regionais e três anos em modelos nacionais. Resultados de testes de incrementalidade entram depois, para calibrar.

A qualidade do modelo depende diretamente da qualidade da base. Se as fontes não conversam entre si, o MMM herda as inconsistências.

Por isso, antes de qualquer modelagem, recomendamos revisar a arquitetura de dados para marketing da empresa e garantir que investimento, mídia e vendas usem a mesma régua de tempo.

Investimento e entrega por canal

Este bloco descreve o que vocês fizeram em cada canal, semana a semana. Quanto mais detalhado, melhor o modelo consegue separar o efeito de cada frente.

• Investimento semanal por canal e, se possível, por tipo de campanha
• Volume de entrega: impressões, alcance, frequência ou pontos de audiência em mídia offline
• Cliques e visitas, quando o canal oferecer esse dado
• Investimentos fora da mídia paga, como eventos, patrocínios e ações de trade

Variáveis externas e de contexto

As vendas não dependem só de marketing. Quando o modelo ignora o contexto, ele atribui à mídia efeitos que vieram de outro lugar. É neste bloco que o mix de marketing vai além do mix de mídia.

• Preço e mudanças de tabela
• Promoções e descontos
• Sazonalidade, feriados e datas comerciais
• Distribuição e disponibilidade de produto
• Indicadores econômicos e movimentos relevantes da concorrência

Testes de incrementalidade para calibrar

Testes de incrementalidade comparam um grupo exposto à mídia com um grupo que não foi exposto. O formato mais usado é o teste geográfico: a campanha roda em algumas regiões e fica desligada em outras de perfil parecido. A diferença de vendas entre os dois grupos mostra o efeito causal do canal.

Esses resultados servem de referência para o modelo. Quando o MMM estima um retorno muito diferente do que o teste mostrou, vocês sabem que é preciso revisar premissas antes de levar o número para a diretoria.

O que o marketing mix modeling entrega

O marketing mix modeling entrega três respostas: quanto das vendas cada canal gerou, quanto cada real investido retorna e a partir de qual ponto investir mais passa a render cada vez menos. Juntas, essas respostas permitem redistribuir verba com base em impacto incremental.

O uso vai do planejamento anual até ajustes de campanha. Segundo a Kantar, 80% dos usuários de MMM usam ou querem usar o modelo tanto no planejamento estratégico quanto na otimização tática do investimento.

Esses resultados também pedem um vocabulário comum no time. Se a diferença entre ROAS e ROI ainda gera confusão, vale alinhar esses conceitos antes de apresentar o modelo.

Decomposição das vendas por canal

A decomposição mostra, em percentual e em valor, quanto das vendas veio da base e quanto veio de cada canal. É o resultado mais visual do MMM e costuma ser o primeiro a chegar à diretoria.

Esse gráfico costuma trazer surpresas. Canais de topo da jornada, como vídeo e TV, podem aparecer com contribuição maior do que os relatórios de último clique sugeriam. A busca de marca às vezes aparece com contribuição incremental menor, porque parte dessas vendas aconteceria de qualquer forma.

Curvas de resposta e retorno marginal

A curva de resposta mostra como o resultado de um canal cresce conforme o investimento aumenta. No início, a curva sobe rápido. Depois, ela achata, e esse achatamento é a saturação em forma de gráfico.

Da curva sai o indicador mais útil para decidir verba: o retorno marginal, também chamado de ROAS marginal. Ele responde quanto o próximo real investido vai gerar. Na reunião de planejamento, a pergunta é sempre sobre o próximo real, e por isso esse é o número que orienta a decisão.

Exemplo prático: do modelo à decisão de orçamento

Vamos a um exemplo ilustrativo. Uma empresa investe R$ 500 mil por mês, divididos assim: R$ 200 mil em busca paga, R$ 150 mil em Meta Ads, R$ 100 mil em YouTube e R$ 50 mil em eventos.

O modelo aponta que a busca paga tem ROAS médio de 4,0 e retorno marginal de apenas 1,2, porque o canal já está saturado. O YouTube tem ROAS médio de 2,0 e retorno marginal de 2,8, porque ainda tem espaço para crescer.

A recomendação é transferir R$ 50 mil da busca para o YouTube. Na busca, a perda estimada é de cerca de R$ 60 mil em receita (50 mil × 1,2). No YouTube, o ganho estimado é de cerca de R$ 140 mil (50 mil × 2,8). Com o mesmo orçamento, a projeção é de R$ 80 mil a mais em receita por mês.

Na prática, o retorno marginal também cai conforme o investimento muda. Por isso, a transferência é feita aos poucos e acompanhada por um novo ciclo de mensuração.

Marketing mix modeling e atribuição: qual a diferença

O marketing mix modeling mede a contribuição de todos os canais, inclusive offline, com dados agregados, e é usado para planejar orçamento. A atribuição acompanha pontos de contato digitais individuais e serve para otimizar campanhas no dia a dia. Os dois métodos se completam.

Combinar os dois já é a prática dos grandes anunciantes. O estudo da Kantar ouviu 1.935 profissionais de mensuração de empresas que investem mais de US$ 1 milhão por ano em marketing digital.

Desse grupo, 51% combinam o MMM com outras ferramentas, como atribuição e experimentos. Apenas 3% usam o MMM sozinho. O mesmo levantamento mostra que 55% recebem com frequência resultados conflitantes entre ferramentas diferentes.

Para entender a lógica do outro método, recomendamos nosso conteúdo sobre atribuição multi-touch. Na comparação direta, as diferenças ficam assim:

Quando usar MMM na estratégia de marketing

O MMM faz sentido quando a empresa distribui verba entre vários canais, incluindo canais difíceis de rastrear, e precisa justificar essa divisão com evidência de impacto incremental. Se a operação concentra quase todo o investimento em um ou dois canais digitais, atribuição e testes costumam resolver a maior parte das perguntas.

O avanço da privacidade aumenta a relevância do método. Em um cenário cookieless, boa parte do rastreamento individual perde precisão. O MMM continua funcionando porque nunca dependeu desse rastreamento. Algumas situações mostram que chegou o momento de considerar o modelo:

• Investimento relevante em mídia offline, patrocínios ou eventos
• Discussões recorrentes com a diretoria sobre qual canal merece mais verba
• Relatórios de plataforma que, somados, atribuem mais vendas do que a empresa realmente fez
• Planejamento anual que precisa projetar cenários de investimento por canal

Como implementar marketing mix modeling

A implementação do marketing mix modeling segue quatro etapas: conectar as fontes, validar a base, ajustar e calibrar o modelo e transformar os resultados em plano de mídia. O prazo depende principalmente do estado dos dados. Empresas com investimento e vendas já integrados chegam ao primeiro resultado mais rápido.

Conectar e organizar as fontes de dados

O objetivo desta etapa é chegar a uma tabela única, com uma linha por semana e uma coluna por variável. Na maioria das empresas, os dados estão espalhados em sistemas que não foram pensados para conversar entre si.

• Listem todas as fontes: plataformas de mídia, CRM, ERP, planilhas de eventos e bases de preço
• Padronizem a granularidade semanal, com o mesmo dia de início para todas as fontes
• Unifiquem a nomenclatura de canais e campanhas
• Consolidem tudo em um único repositório, com responsável definido pela atualização

Validar a qualidade da base

Com a tabela montada, o trabalho é encontrar o que pode distorcer o modelo. Essa etapa costuma tomar mais tempo do que a modelagem em si, e esse tempo é bem investido.

• Semanas sem registro de investimento ou de vendas
• Mudanças de nomenclatura que separam o mesmo canal em duas colunas
• Picos atípicos, como Black Friday ou falta de estoque, que precisam ser sinalizados
• Canais com investimento quase constante, que dão pouca variação para o modelo aprender
• Canais que sempre sobem e descem juntos, o que dificulta separar o efeito de cada um

Ajustar, calibrar e revisar o modelo

Aqui entra o trabalho estatístico. O time técnico transforma a base validada em estimativas de contribuição e retorno por canal.

• Definir as variáveis de mídia e de contexto que entram no modelo
• Ajustar os parâmetros de adstock e saturação de cada canal
• Comparar os resultados com os testes de incrementalidade disponíveis
• Testar a previsão em semanas que ficaram fora do treino do modelo
• Revisar se os resultados fazem sentido para quem conhece o negócio

Transformar os resultados em plano de mídia

Um modelo só gera valor quando muda decisões. As curvas de resposta e o retorno marginal entram no planejamento de mídia paga como cenários concretos de investimento.

• Montem cenários de verba por canal com o retorno projetado de cada um
• Façam transferências graduais, sem mudar todo o mix de uma vez
• Definam metas por canal alinhadas ao novo cenário
• Atualizem o modelo a cada ciclo de planejamento com os dados novos

Ferramentas de MMM: Meridian, Robyn e soluções proprietárias

As ferramentas de MMM se dividem em frameworks open source, como o Google Meridian e o Meta Robyn, e soluções proprietárias oferecidas por plataformas e consultorias.

As opções open source não cobram licença, mas exigem um time com conhecimento estatístico e de programação para operar.

Como usar o Google Meridian

O Meridian é o modelo open source de MMM do Google. Segundo o Mundo do Marketing, ele foi disponibilizado para anunciantes brasileiros em 31 de janeiro de 2025. A ferramenta usa inferência bayesiana e considera alcance e frequência na modelagem.

• Ambiente: o Meridian é uma biblioteca em Python, instalada com o comando pip install google-meridian. Uma GPU reduz bastante o tempo de processamento.
• Primeiro contato: o Google oferece um notebook introdutório no Colab com dados de exemplo, bom para o time testar antes de usar a base real.
• Dados do Google: o MMM Data Platform entrega volume de buscas no Google e alcance e frequência do YouTube para as campanhas da conta.
• Calibração: resultados de experimentos entram como conhecimento prévio no modelo bayesiano.
• Apoio: o lançamento veio com um programa de mais de 20 parceiros certificados para apoiar a implementação.

Como usar o Meta Robyn

O Robyn é um pacote experimental e semiautomatizado de MMM criado pela Meta Marketing Science, com código aberto no GitHub. Ele combina técnicas de machine learning para estimar a eficiência de cada canal e sugerir a distribuição de verba.

• Instalação: o pacote principal é em R e está disponível no CRAN. Ele depende da biblioteca Nevergrad, em Python.
• Primeiro contato: o script demo.R guia o uso passo a passo com uma base simulada que vem com o pacote.
• Modelagem: usa regressão ridge e decomposição de tendência e sazonalidade, e explora as taxas de adstock e as curvas de saturação.
• Alocação de verba: um otimizador sugere como redistribuir o orçamento entre canais.
• Python: existe uma versão em Python, ainda em fase beta.

Soluções proprietárias

As soluções proprietárias reduzem a necessidade de um time técnico interno. Em troca, costumam oferecer menos visibilidade sobre a metodologia por trás dos números.

• Módulos de plataformas de anúncios: algumas plataformas de mídia oferecem dados e recursos de MMM para seus anunciantes, como o MMM Data Platform do Google.
• Plataformas de mensuração: softwares especializados que automatizam coleta, modelagem e relatórios.
• Consultorias de ciência de dados: constroem e mantêm o modelo sob medida para a empresa.

Como escolher a ferramenta de MMM

A escolha depende principalmente da estrutura que vocês têm hoje. Segundo a Kantar, a maioria dos anunciantes ainda terceiriza o MMM, mas 31% já gerenciam o modelo internamente.

• Time interno: com profissionais de Python ou R e estatística, o open source é viável
• Transparência: se a diretoria exige entender a metodologia, o código aberto facilita a auditoria
• Mix de canais: operações com peso grande em Google e YouTube aproveitam os dados nativos do Meridian
• Prazo e orçamento: quando falta time técnico, uma solução proprietária ou uma consultoria acelera o primeiro resultado

Limites do marketing mix modeling

O MMM depende do volume e da qualidade do histórico, demora a captar mudanças táticas e não mede o desempenho de criativos ou palavras-chave isoladas. Conhecer esses limites evita expectativas erradas e ajuda vocês a escolher o método certo para cada pergunta.

• Histórico curto: empresas novas ou com mudanças recentes de operação têm pouca variação nos dados para o modelo aprender.
• Canais que se movem juntos: quando dois canais sempre sobem e descem ao mesmo tempo, o modelo tem dificuldade para separar o efeito de cada um.
• Granularidade limitada: o MMM indica quanto investir em cada canal. O desempenho de cada anúncio fica fora do alcance do modelo.
• Mudanças estruturais: uma nova linha de produto ou a entrada em um novo mercado podem invalidar parte do histórico.
• Custo de operação: manter o modelo atualizado exige rotina de dados e revisão estatística contínua.

Por isso, leiam os resultados como faixas de estimativa. Os modelos bayesianos entregam um intervalo de confiança para cada retorno. Quanto mais largo esse intervalo, mais cautela a decisão de verba pede.

Como a Layer Up estrutura os dados que sustentam a mensuração do mix

A Layer Up atua na base que qualquer modelo de mensuração exige: dados de mídia e performance organizados, integrados e confiáveis. Nós estruturamos a coleta e a integração das fontes de investimento e resultado por canal, para que vocês tenham uma visão única do que entra e do que retorna.

Com a frente de marketing BI, consolidamos investimento, entrega e vendas em dashboards com a mesma régua de tempo e a mesma nomenclatura.

Nos projetos de Planejamentos e Diagnósticos, mapeamos os buracos da base e as inconsistências entre plataformas. Assim, quando a empresa decide modelar o mix, o time de ciência de dados ou o parceiro de modelagem começa com uma base pronta.

Se vocês querem chegar à próxima discussão de orçamento com dados que se sustentam, o primeiro passo é olhar para a estrutura que alimenta essas decisões. Podemos fazer esse diagnóstico juntos.

FAQ – Perguntas Frequentes Sobre Marketing Mix Modeling

Minha empresa está pronta para usar marketing mix modeling?

Sua empresa tende a estar pronta se investe em vários canais, tem pelo menos dois anos de dados semanais de investimento e vendas e precisa justificar a divisão de verba. Se o histórico é curto ou o investimento está concentrado em poucos canais digitais, testes de incrementalidade e atribuição costumam resolver melhor as dúvidas do momento.

Qual a diferença entre MMM e teste de incrementalidade?

O teste de incrementalidade mede o efeito causal de um canal em um período específico, comparando grupos expostos e não expostos à mídia. O MMM estima a contribuição de todos os canais ao mesmo tempo, usando o histórico completo. Os testes servem para calibrar o MMM e aumentar a confiança nas estimativas.

O marketing mix modeling funciona para empresas B2B?

Funciona, desde que haja volume suficiente de resultados para o modelo identificar padrões. Em operações B2B com ciclos longos e poucas vendas, é comum usar como resultado leads qualificados ou oportunidades geradas. O tempo entre o investimento e o fechamento precisa estar refletido nos parâmetros do modelo.

Com que frequência o modelo precisa ser atualizado?

Uma boa referência é atualizar o modelo a cada ciclo de planejamento, como trimestre ou semestre, com novos dados de investimento e vendas. Mudanças relevantes, como a entrada em um novo canal ou um novo mercado, pedem revisão antes desse prazo. A cada atualização, testes de incrementalidade recentes ajudam a recalibrar as estimativas.