Marketing Mix Modeling: atribuição além do clique

A atribuição é a ferramenta que permite ao gestor de mídia mensurar o retorno dos investimentos em anúncios. O método mais consolidado depende de cliques. E há canais inteiros onde clique não existe.

Neste artigo, explico como os Marketing Mix Models (MMM) atacam esse ponto cego, mostro a matemática por trás do método e conto o que vimos ao aplicar o Meridian, o MMM de código aberto do Google, em projetos reais da Marktech. No meio do caminho, uma simulação com números para avaliar se o modelo entrega o que promete.

• O que a atribuição por clique não enxerga
• Como funciona um Marketing Mix Model
• Meridian: o MMM de código aberto do Google
• O que a simulação mostrou
• As ressalvas com dados reais
• Quando o MMM vale a pena

O que a atribuição por clique não enxerga

O método mais consolidado de atribuição é a parametrização dos cliques. Ela consiste em embutir dados nas URLs dos anúncios de acordo com a configuração dos canais de mídia. Quando uma conversão acontece, esses parâmetros permitem identificar a origem: canal, campanha, criativo.

É uma abordagem eficaz. É com ela que operações de mídia costumam decidir, por exemplo, como dividir a verba entre Google e Meta.

Mas ela tem uma limitação importante: como mensurar a contribuição de canais que não geram cliques? Mídia offline é o caso clássico. Rádio, TV e mídia exterior influenciam conversões, mas não carregam URL parametrizada. Para a atribuição baseada em clique, esses canais simplesmente não existem.

Como funciona um Marketing Mix Model

Os MMM (Marketing Mix Models) são uma alternativa a essa metodologia tradicional. Eles adotam uma visão menos granular: em vez de rastrear cada conversão individualmente, correlacionam investimentos agregados, conversões totais e variáveis de controle ao longo do tempo, utilizando técnicas de regressão para estimar a contribuição de cada canal.

Resumidamente, as conversões em um determinado dia t são modeladas da seguinte forma:

y_t = β₀ + f(x_t; β) + ε_t

Em que:

• x_t representa o vetor de investimentos (e outras variáveis potencialmente relacionadas às conversões, como clima, buscas orgânicas, entre outras) para o dia t;
• ε_t corresponde ao ruído;
• β₀ e β são os parâmetros do modelo.

O objetivo do framework de MMM é ajustar os parâmetros β₀ e β a partir do histórico de dados observados (x_t e y_t), buscando a melhor representação possível da relação entre investimentos e resultados.

Repare no que o modelo não precisa: nenhum clique, nenhum cookie, nenhuma jornada individual. Apenas séries históricas de investimento, de conversões e de contexto. É isso que abre espaço para incluir os canais offline na conta.

Meridian: o MMM de código aberto do Google

Em 2025, o Google disponibilizou um modelo de MMM de código aberto, o Meridian. Na Marktech, já aplicamos esse framework em alguns projetos reais e tivemos percepções mistas quanto à sua aplicabilidade prática: a promessa se confirma em condições controladas, mas o método pede condições de dados que nem toda operação tem hoje. Volto a isso adiante.

Uma dúvida que sempre aparece: se o Meridian é do Google, ele não privilegiaria os canais do próprio Google? Não há como. Quem define os rótulos de cada canal enviado como entrada é você. O Meridian não tem como saber quais canais são do Google para, hipoteticamente, se favorecer no processo.

O que a simulação mostrou

Para ilustrar, realizei uma simulação com dados sintéticos, representando um cenário plausível de investimentos e conversões em marketing: três canais (Google, Meta e mídia programática), com investimentos diários. A vantagem do dado sintético é que a atribuição real de cada canal é conhecida. Dá para comparar o que o modelo estima com a resposta certa.

No cenário simulado, o Google respondia por 60% das conversões, e o Meridian estimou 64%. A Meta respondia por 33%, e a estimativa foi de 25%. A programática respondia por 7%, contra 11% estimados.

Ou seja: mesmo sem ter disponível a atribuição direta, o modelo MMM conseguiu derivar percentuais de atribuição consideravelmente próximos aos valores reais, mostrando que foi capaz de deduzir as contribuições dos canais de forma satisfatória olhando apenas para os agregados.

As ressalvas com dados reais

Dados sintéticos são teste de laboratório. Ao lidar com dados reais, alguns pontos adicionais precisam ser considerados.

Primeiro: o modelo pode exigir uma quantidade significativa de dados para ser bem treinado. Série histórica curta produz estimativa instável, e concluir com dados de menos é uma armadilha da mesma família dos falsos positivos em testes A/B encerrados cedo demais.

Segundo: ele pode ser bastante sensível à variabilidade dos investimentos ao longo do tempo. Se os investimentos forem praticamente constantes entre os dias, o modelo terá dificuldade para inferir corretamente a função de geração de leads. A intuição é simples: regressão aprende com variação. Se a verba nunca muda, não há informação sobre o que aconteceria se ela mudasse.

Quando o MMM vale a pena

Com a devida estruturação de dados, os modelos MMM podem se tornar uma ferramenta útil para ampliar a visão sobre investimentos em marketing, especialmente nos canais de mídia onde a atribuição tradicional baseada em clique não é capaz de enxergar.

Na prática, o MMM não substitui a parametrização: complementa. O clique segue sendo a melhor lente para o dia a dia dos canais digitais, e o modelo agregado entra para enxergar o todo, offline incluído. Com as duas visões na mesa, a decisão de como distribuir o investimento entre canais deixa de depender de um único instrumento.

Quer avaliar se um MMM faz sentido para a sua operação? Fale com a gente.