Existe um momento no planejamento anual em que a discussão de mídia deixa de ser técnica e vira política. Cada canal chega com o próprio relatório, cada relatório mostra o próprio canal como o mais eficiente, e a soma das receitas atribuídas passa com folga da receita real da empresa. No fim, a verba é dividida pelo histórico do ano anterior, com alguns ajustes de feeling. Eu já participei de muitas reuniões assim, dos dois lados da mesa.
O media mix modeling, ou marketing mix modeling, existe justamente para tirar essa decisão do campo da opinião. Ele não depende de cookies, de pixels nem do que cada plataforma diz sobre si mesma. Ele olha para o histórico de investimento e de resultado e estima quanto cada canal contribuiu de fato.
O método existe há décadas, mas voltou ao centro da conversa. O relatório State of Data 2026, do IAB, mostra que 67% dos tomadores de decisão de mídia nos Estados Unidos já usam MMM. Ao mesmo tempo, 61% dizem que o modelo atual não captura a performance de todos os canais, segundo a análise do eMarketer sobre o mesmo estudo. Ou seja: o método é popular, mas mal aplicado com frequência.
Neste artigo eu explico como o media mix modeling funciona, quando vale a pena investir nele, quais ferramentas usar e, principalmente, como transformar o resultado do modelo em uma distribuição de verba que o financeiro aceite.
O que é media mix modeling
Media mix modeling é uma técnica estatística que relaciona o investimento em cada canal de marketing, ao longo do tempo, com um resultado de negócio, como receita, pedidos ou oportunidades, controlando fatores externos como sazonalidade, preço e promoções. O resultado é uma estimativa da contribuição de cada canal e de como essa contribuição muda conforme o investimento aumenta. O verbete de marketing mix modeling do glossário traz a definição resumida.
Como o modelo funciona por dentro
O MMM trabalha com dados agregados, normalmente semanais. Não há rastreamento de usuário. Três conceitos sustentam praticamente todos os modelos modernos.
Adstock: o efeito que continua depois do anúncio
O impacto de uma campanha não termina na semana em que ela rodou. Uma campanha de vídeo pode continuar gerando vendas por várias semanas. O adstock modela esse efeito residual e evita que o modelo dê todo o crédito para a semana do investimento.
Saturação: o retorno decrescente
O primeiro real investido em um canal rende mais que o milésimo. A curva de saturação mostra em que ponto investir mais passa a trazer pouco resultado adicional. É a informação mais valiosa do modelo para decisões de orçamento.
Linha de base: o que aconteceria sem mídia
Parte das vendas acontece por força da marca, da base de clientes, do canal orgânico e da distribuição. O modelo estima essa linha de base e atribui à mídia apenas o que fica acima dela.
O que o MMM responde e o que não responde
| O MMM responde bem | O MMM não responde bem |
|---|---|
| Quanto cada canal contribuiu para o resultado total | Qual criativo ou palavra-chave performa melhor |
| Onde está o ponto de saturação de cada canal | O que fazer com uma campanha que começou ontem |
| Como redistribuir o orçamento total entre canais | Otimizações diárias de lance e público |
| O efeito de canais difíceis de rastrear, como TV e mídia exterior | Jornadas individuais de clientes |
Por isso eu nunca apresento o MMM como substituto da atribuição. Ele resolve a decisão macro, de quanto colocar em cada canal. A atribuição resolve a decisão micro, de como otimizar dentro de cada canal. E os testes de incrementalidade servem para calibrar os dois.
Quando faz sentido investir em media mix modeling
Os requisitos de dados
A documentação do Meridian, modelo de código aberto do Google, é bem objetiva sobre isso. Ela recomenda dados semanais e, como regra geral, no mínimo dois anos de histórico para modelos com dados por região e três anos para modelos nacionais.
A mesma documentação traz um exemplo que eu uso muito para alinhar expectativa: um modelo nacional com 12 canais de mídia, seis variáveis de controle e oito parâmetros de tendência soma 26 efeitos a estimar. Com dois anos de dados semanais, são 104 observações, cerca de quatro por efeito. É pouco demais para um modelo confiável. Por isso, quebrar os dados por região costuma ser o que torna o modelo viável.
Sinais de que a empresa está pronta
- Investimento relevante em pelo menos três canais, incluindo algum que seja difícil de rastrear.
- Histórico semanal limpo de investimento e de resultado, de preferência por região.
- Variação real de verba ao longo do tempo. Se o investimento ficou igual por dois anos, o modelo não tem como aprender o efeito de cada canal.
- Uma pergunta de negócio clara, como “quanto mover de busca para vídeo no próximo semestre”.
- Alguém com repertório estatístico, interno ou parceiro, para validar o modelo.
Quando ainda não vale
Empresas com histórico curto, um ou dois canais e verba estável ganham mais com testes de incrementalidade bem desenhados do que com um MMM frágil. Nesse caso, eu recomendo começar a organizar hoje a planilha semanal de investimento e resultado. Daqui a dois anos, o modelo estará ao alcance.
Ferramentas de media mix modeling
A barreira de entrada caiu muito nos últimos anos, principalmente com os modelos de código aberto.
| Ferramenta | Origem | Pontos fortes | Atenção |
|---|---|---|---|
| Meridian | Google, código aberto | Modelo bayesiano, suporte a dados por região, calibração com experimentos | Exige conhecimento técnico para montar e validar |
| Robyn | Meta, código aberto | Automação de ajuste de hiperparâmetros e alocação de orçamento | Exige cuidado na escolha entre os modelos gerados |
| Bibliotecas em Python | Comunidade, código aberto | Flexibilidade total para equipes de dados | Depende inteiramente da maturidade do time |
| Plataformas comerciais | Fornecedores especializados | Coleta de dados, interface e suporte inclusos | Custo recorrente e menor transparência do método |
O Meridian tem evoluído rápido. Em fevereiro de 2026, o Google lançou um Scenario Planner para simular distribuições de verba sem programação. Na mesma linha, a solução GeoX, que roda experimentos geográficos e alimenta o modelo com os resultados, chegou à disponibilidade global. E no Google Marketing Live 2026 foi anunciada a integração do Meridian ao Google Analytics 360.
Passo a passo para construir o primeiro modelo
1. Definir a pergunta e o resultado a explicar
O modelo precisa de um resultado claro: receita, pedidos, oportunidades qualificadas ou novos clientes. Para empresas B2B com ciclo longo, eu prefiro oportunidades criadas a contratos fechados, porque o volume semanal é maior e o atraso entre investimento e resultado é menor.
2. Montar a base de dados
Dados de mídia
Investimento semanal por canal e, quando possível, impressões ou alcance. Canais muito pequenos devem ser agrupados, porque o modelo não consegue estimar efeitos de canais com pouca variação.
Dados de resultado
A métrica escolhida, na mesma granularidade de tempo e de região da mídia.
Variáveis de controle
Tudo o que afeta o resultado e não é mídia: preço, promoções, distribuição, lançamentos, ações da concorrência e fatores macroeconômicos. Sem controles, o modelo atribui à mídia efeitos que vieram de outro lugar.
Particularidades do mercado brasileiro
No Brasil, eu sempre incluo as datas comerciais de maior peso, como Black Friday, Dia das Mães e Natal, o efeito do 13º salário, feriados prolongados regionais e, quando relevante, períodos eleitorais e grandes eventos esportivos. Para a quebra regional, estados ou regiões geográficas do IBGE funcionam bem como unidades de análise.
3. Calibrar com experimentos
O que diferencia um bom MMM de um modelo bonito é a calibração. Se você tem resultados de testes de incrementalidade, eles entram no modelo como informação prévia sobre o efeito de cada canal. Em modelos bayesianos como o Meridian, essa integração é nativa.
4. Validar o modelo
Eu valido em três frentes: capacidade de prever semanas que ficaram de fora do treino, plausibilidade dos resultados para quem conhece o negócio e coerência com os experimentos disponíveis. Um modelo que diz que o e-mail gera 60% da receita, quando todo mundo sabe que não é assim, precisa ser revisto, não defendido.
5. Transformar o resultado em plano
O produto final não é um gráfico de contribuição. São as curvas de resposta por canal e um ou mais cenários de distribuição de verba, com o resultado esperado e a margem de incerteza de cada um.
Como distribuir os investimentos entre canais com base no MMM
ROI médio não é ROI marginal
Este é o ponto que mais muda decisões. O ROI médio mostra o retorno de tudo o que foi investido em um canal. O ROI marginal mostra o retorno do próximo real. Um canal pode ter o melhor ROI médio e já estar saturado.
| Canal (exemplo hipotético) | ROI médio | ROI marginal | Decisão |
|---|---|---|---|
| Busca paga | 4,0 | 1,2 | Próximo do teto, manter ou reduzir levemente |
| Vídeo | 2,1 | 2,4 | Longe da saturação, receber verba adicional |
| Social pago | 2,8 | 1,9 | Manter e testar novos formatos |
| Mídia exterior | 1,4 | 0,8 | Reduzir, salvo objetivo estratégico de marca |
O movimento ótimo é tirar verba de onde o retorno marginal é baixo e colocar onde ele é alto, até que os retornos marginais se aproximem. É contraintuitivo, porque muitas vezes significa reduzir o canal que “mais vende”.
Restrições de negócio
Nenhum plano sai direto do modelo. Existem contratos, presença mínima em canais estratégicos, sazonalidade de estoque e objetivos de marca que o modelo não conhece. Eu trato o resultado do MMM como a direção e as restrições como o limite de velocidade da mudança.
Mudanças graduais e testadas
Em vez de mover 30% da verba de uma vez, eu recomendo realocar em etapas de 10% a 20% e acompanhar o resultado. Se possível, cada mudança relevante vem acompanhada de um teste geográfico que confirme a previsão do modelo.
Ciclo de atualização
O MMM não é um projeto, é um processo. Eu recomendo atualizar o modelo a cada trimestre, incorporando os novos dados e os novos experimentos. Cada ciclo deixa o modelo mais preciso e a decisão mais confiante.
Limitações que você precisa conhecer
- Correlação entre canais: se todos os canais sobem e descem juntos, o modelo não consegue separar o efeito de cada um. Variar a verba de forma intencional resolve.
- Canais pequenos: investimentos muito baixos geram estimativas instáveis.
- Efeitos de longo prazo de marca: o modelo captura melhor efeitos de semanas do que de anos.
- Mudanças estruturais: um novo produto, uma mudança de preço ou um concorrente novo podem tornar o histórico menos representativo.
Erros que eu vejo se repetirem
- Tratar o MMM como verdade absoluta. Ele é uma estimativa com margem de erro, que precisa ser calibrada e revisada.
- Rodar o modelo uma vez e engavetar. Sem atualização periódica, ele envelhece rápido.
- Usar o ROI médio para decidir verba. A decisão certa vem do ROI marginal.
- Ignorar variáveis de controle. Promoção e sazonalidade não modeladas viram crédito falso para a mídia.
- Deixar o modelo nas mãos de quem só entende de estatística. Quem conhece o negócio precisa validar se os resultados fazem sentido.
O MMM não decide por você, mas muda a qualidade da decisão
O media mix modeling não é mágica estatística e não elimina o julgamento de quem lidera o marketing. O que ele faz é trocar a pergunta “qual canal diz que vendeu mais” por “onde o próximo real rende mais”. Essa troca, sozinha, já reorganiza boa parte dos orçamentos que eu analiso.
Na prática, o que eu vejo funcionando no mercado é a combinação de três instrumentos: o MMM para decidir a divisão da verba entre canais, os experimentos para provar causa e calibrar o modelo, e a atribuição para otimizar o dia a dia dentro de cada canal. Empresas que usam os três em conjunto ainda são minoria, e é exatamente por isso que essa disciplina virou vantagem competitiva.
Se a sua empresa ainda não tem dados suficientes para um modelo, comece hoje pela base semanal. O melhor momento para ter um MMM confiável era há dois anos. O segundo melhor momento é começar a organizar os dados agora.
Continue a conversa
Se esse tema faz sentido para o seu momento, vale ler também o passo a passo para medir a receita atribuída ao marketing, o artigo sobre os canais que o GA4 não vê e o guia com as métricas essenciais para avaliar campanhas de mídia.
Eu publico com frequência análises sobre marketing, growth, vendas, dados e inteligência artificial aplicada a negócios em alissonlima.me. Acompanhe por lá e, se estiver pensando em estruturar um modelo de mix de mídia, me chame para conversar.



