2019 foi o ano em que cheguei ao Marketing, olhando na época o que hoje a gente chama de growth. Eu não vinha da área. Não tinha carreira nem formação em Marketing. Meu repertório era engenharia e estive alguns anos pensando e trabalhando em processos e operações. Isso ajudou bastante, mas também me deixou confiante demais. Eu achava que todo problema tinha uma resposta exata e que era só montar o modelo certo com os dados certos. Imaginei que medir Marketing fosse parecido: acha a regressão certa, as variáveis certas, e o ROI de cada canal aparece limpinho. Demorei pra entender que não era um problema de matemática. Era um problema de outra natureza.
O fetiche da resposta exata
Roda um MMM e ele te devolve algo como "TV tem ROI de 3,2x". Parece preciso. Só que esse 3,2 quase sempre vem com um intervalo de credibilidade que pode ir de 1,1 a 5,8, e é esse intervalo que importa de verdade. Adivinha o que some quando o número vira slide de diretoria.
A incerteza some do report, mas não some da realidade. Ela volta depois, geralmente como uma decisão ruim. Quando você tem canais que se canibalizam, mídias que sobem juntas, colinearidade pra todo lado e o sinal cada vez pior, ficar atrás da segunda casa decimal não é rigor. É preciosismo e, nesse cenário, o preciosismo te faz errar achando que acertou.
O que trava de verdade é o contexto
A parte difícil da medição não é o algoritmo. É decidir quais variáveis entram no modelo. E tem um detalhe chato: as variáveis que mais pesam costumam ser as que você menos consegue capturar.
O modelo só enxerga o que você dá pra ele. Se você não contar que o concorrente rodou uma promoção naquela praça, que faltou estoque numa semana, que mudou o pricing, a oferta, ou que lançou um produto novo, ele joga tudo isso na conta do canal que estava ligado no período. Aí você acha que mediu mídia, mas mediu coincidência.
Por isso desconfio de um modelo pronto. Os dois frameworks open-source mais usados hoje deixam isso claro. O Meridian, que o Google abriu em janeiro de 2025, é bayesiano, usa dado geográfico e calibra com experimentos. O Robyn, da Meta, vai por outro caminho, com ridge regression, roda em R e tem uma comunidade grande. São ótimas ferramentas, gosto das duas. Mas nenhuma é plug-and-play.
A própria documentação do Google traz um exemplo que acho que todo mundo de analytics devia ver: dois anos de dados semanais, doze canais e seis controles dão mais ou menos quatro pontos de dados por efeito estimado. O próprio Google chama isso de cenário de pouca amostra. Por mais bayesiano que seja, o modelo não inventa a informação que o dado não tem. Ele organiza melhor a incerteza, e isso já vale muito, mas a decisão segue na sua mão.
Fora os frameworks abertos, existem muitas soluções prontas de medição rodando por aí, boa parte vendida como se fosse só plugar a fonte de dados e receber a resposta de bandeja. Não tem receita de bolo. Toda ferramenta dessas vem com premissas embutidas sobre o seu negócio, seu ciclo de venda, sua sazonalidade, e quase sempre essas premissas foram calibradas num mercado que não é o seu.
Um MMM treinado na cabeça de um e-commerce de moda não necessariamente entende o modelo de um app de uma solução financeira. Quando você terceiriza o modelo para uma caixa-preta, terceiriza as premissas junto. A premissa errada não vai aparecer no relatório, mas quando você for olhar o resultado ela vai estar lá.
A medição funciona como uma bússola
Foi mais ou menos aí que a ficha caiu. Eu estava cobrando do modelo uma exatidão que ele não tem como dar. O melhor que um modelo honesto entrega nesse tipo de problema é uma direção, ele é uma bússola, vai te apontar o norte, mas não vai dizer quantos metros faltam para chegar. E tá tudo bem, porque na maioria das decisões eu não preciso do número cravado.
Na real, a pergunta quase nunca deveria ser qual ROI exato do BBB, por exemplo. É se eu tiro grana de performance para colocar em brand, se um canal novo merece mais budget ou se já travou e para decidir isso eu preciso saber a direção, a ordem de grandeza e o tamanho da minha incerteza, é isso que a bússola me dá.
Triangulação: MMM, MTA e conversion lift
Aceitar isso me fez parar de procurar o instrumento perfeito e começar a cruzar instrumentos imperfeitos. Os três métodos que uso hoje têm furos diferentes, e é por isso que funcionam melhor juntos.
O MMM é o olhar macro. Trabalha com dados agregados, não sofre com perda de cookie e enxerga canal offline que pixel nenhum pega, mas em compensação é ruim no curto prazo e na granularidade.
O MTA é o contrário, é granular, tático, bom para otimizar dentro do digital, no nível de campanha e criativo. Só que ele está ficando cego com a perda de sinal e, sendo honesto, nunca foi causal de verdade. Juntar toques de uma jornada não é a mesma coisa que medir incrementalidade.
Conversion lift, geo experiment e incrementalidade no geral são o mais perto de causalidade que dá pra fazer rodar na prática. São caros, demorados, não escalam pra tudo, mas respondem a única pergunta que interessa de verdade: o que teria acontecido se a campanha não tivesse rodado?
O pulo do gato está em encaixar os três. Dá pra usar o experimento de lift como prioridade para calibrar o MMM, que é basicamente o que o Meridian propõe, e na minha experiência é isso que separa um modelo que só descreve o passado de um que serve pra decidir. O experimento ancora o modelo num ponto onde você tem mais certeza, o MMM estende para onde não dá pra rodar o experimento, e o MTA cobre a leitura do dia a dia, ou seja, um vai checando o outro.
O mais útil é o que você faz quando eles discordam. Quando os três apontam pro mesmo lado, dá pra ir com confiança, quando discordam, tem coisa pra investigar, alguma premissa furada, alguma variável de contexto que ficou de fora. Hoje eu olho pra discordância como pista de onde cavar, não como dor de cabeça.
Da medição à alocação: o que importa é o loop
Esse é o ponto que eu não tinha sacado em 2019. O que o modelo cospe não é a decisão. É uma hipótese.
Você aloca seguindo a bússola, vê o que aconteceu de verdade, ajusta e realoca. Depois faz de novo. O valor não tá na precisão de uma rodada, tá na velocidade com que você aprende rodada após rodada. Alocar verba de Marketing não é otimizar uma foto parada, é gerir um portfólio de apostas onde o aprendizado vai se acumulando.
Botando de outro jeito: ter o melhor modelo importa menos do que ter o melhor ritmo de aprendizado. Modelo é sempre uma foto, desatualizada e incerta. O loop é o que transforma essa incerteza em vantagem com o tempo. Quem aprende mais rápido com os próprios resultados acaba na frente de quem tem o modelo um pouquinho mais bonito.
O que eu diria pro Rodolfo de 2019
Quatro coisas, e nenhuma é receita de bolo, porque receita de bolo é justamente o que não dá pra ter aqui.
Para de correr atrás do número e corre atrás do intervalo e da direção. É com isso que você vai decidir.
Investe em capturar as variáveis de contexto antes de ir atrás do algoritmo mais sofisticado. Modelo simples com contexto bom ganha de modelo elegante com dado capenga, quase sempre.
Calibra com experimento sempre que der. Premissa sem teste de campo é chute, por mais bonito que seja o modelo em volta.
Trata a alocação como portfólio de apostas que vão te ensinando ao longo do tempo, e não como uma otimização única.
A medição perfeita não existe, e parar de procurá-la foi o que me fez melhorar como Marketing. Troquei a busca pela resposta certa pela disciplina de andar na direção certa. A bússola não me diz onde vou chegar. Ela me diz que estou indo pro lado certo, sem fingir que sabe mais do que sabe. Em um mercado barulhento, cheio de variável e mudando o tempo todo, já é bastante.
COMPARTILHAR ESSE POST
