O que é MMM?
MMM, sigla de Marketing Mix Modeling, também chamado de modelagem de mix de marketing, é uma metodologia estatística que estima quanto cada canal de marketing contribui para as vendas. O MMM usa dados agregados e históricos, como investimento semanal por mídia, receita, preço e sazonalidade, e constrói um modelo de regressão que separa o efeito de cada variável.
O MMM nasceu décadas antes do marketing digital, criado para medir mídia de massa, como TV e rádio, onde rastrear cliques nunca foi possível. A metodologia voltou ao centro das atenções com as restrições de cookies e privacidade, porque ela dispensa dados individuais e trabalha com totais por período.
Por essa característica, o MMM complementa a atribuição digital. A atribuição enxerga jornadas rastreáveis em detalhe; o MMM enxerga o efeito total de todos os canais, incluindo TV, rádio, mídia exterior e promoções, ao custo de menos granularidade.
Como funciona na prática?
O processo típico segue quatro etapas. Primeiro, a coleta: a equipe reúne séries históricas semanais ou mensais, geralmente de dois anos ou mais, com investimento por canal, vendas, preços, sazonalidade e eventos externos. Segundo, a modelagem: estatísticos ajustam uma regressão que estima o efeito incremental de cada canal, incluindo fenômenos como saturação (retorno decrescente) e adstock (efeito prolongado da mídia).
Terceiro, a validação: o modelo é testado contra períodos conhecidos e, idealmente, contra experimentos de incrementalidade. Quarto, a simulação: com o modelo calibrado, a equipe simula cenários de orçamento e encontra a alocação com melhor retorno estimado.
MMM vs Atribuição: qual a diferença?
| Aspecto | MMM | Atribuição |
|---|---|---|
| Dados usados | Agregados por período | Individuais, por jornada |
| Canais cobertos | Online e offline | Apenas rastreáveis digitalmente |
| Depende de cookies? | Não | Sim, em grande parte |
| Granularidade | Canal e período | Campanha, anúncio e clique |
| Horizonte de decisão | Estratégico, trimestral ou anual | Tático, diário ou semanal |
Veredito: o MMM orienta a divisão macro do orçamento entre canais, enquanto a atribuição otimiza campanhas no dia a dia dentro de cada canal.
Exemplos de uso
- Uma rede varejista investe em TV, rádio, influenciadores e mídia digital. O MMM estima o retorno de cada frente e indica realocar parte da verba de TV para digital no próximo trimestre (exemplo hipotético).
- Uma marca de bebidas usa o MMM para medir o efeito de promoções de preço separado do efeito da mídia, evitando atribuir à campanha um resultado que veio do desconto.
- Um e-commerce com faturamento de R$ 5 milhões ao ano combina MMM anual para o orçamento macro e atribuição digital para otimização semanal (exemplo hipotético).
Erros comuns
- Rodar MMM com histórico curto ou investimento sem variação, o que impede o modelo de separar efeitos.
- Ignorar variáveis externas, como sazonalidade e ações de concorrentes, e superestimar a mídia.
- Esperar do MMM respostas táticas, como qual criativo pausar, que pertencem à atribuição.
Perguntas frequentes sobre MMM
MMM serve para empresas pequenas?
O MMM tradicional exige histórico longo, variação de investimento e trabalho estatístico, o que pesa para operações pequenas. Bibliotecas de código aberto reduziram o custo de entrada, e o requisito de dados permanece. Negócios menores costumam extrair mais valor de atribuição bem configurada e testes simples de incrementalidade.
Qual a diferença entre MMM e atribuição baseada em dados?
A atribuição baseada em dados distribui crédito entre toques individuais rastreados, usando algoritmos sobre jornadas digitais. O MMM estima efeitos por canal a partir de totais agregados, sem olhar usuários. A DDA depende de rastreamento; o MMM funciona mesmo em canais sem clique, como TV.
De quantos dados um MMM precisa?
A prática comum pede séries semanais de pelo menos dois anos, cobrindo investimento por canal, vendas e variáveis de contexto. O modelo também precisa de variação real nos investimentos: se um canal manteve sempre o mesmo gasto, a estatística tem dificuldade de isolar o efeito dele.