Marketing Mix Modeling: o que é o MMM e como se combina com a atribuição

Com a rejeição de cookies e as alterações de privacidade nos navegadores e nos telemóveis, a atribuição por clique vê uma parte cada vez menor do percurso do cliente. E meios como a televisão, a rádio ou o exterior nunca puderam ser medidos com cliques.

O marketing mix modeling (MMM) voltou a estar na ordem do dia porque não precisa de seguir ninguém. Explicamos o que é, que dados precisa e como encaixa com a atribuição, os testes de incrementalidade e a distribuição diária do orçamento.

O que é o marketing mix modeling

Um modelo de marketing mix é uma regressão: explica uma variável de negócio, normalmente as vendas, a partir do investimento em cada meio e de outros fatores que também a fazem variar. Trabalha com dados agregados por semana ou por dia, não com utilizadores nem com cliques, por isso pode incluir meios offline e não depende de cookies.

Para que o resultado faça sentido, incorpora três ideias sobre como funciona a publicidade.

Adstock ou efeito de arrastamento

Um anúncio não vende só na semana em que é emitido: parte do seu efeito nota-se depois e vai-se desvanecendo. O adstock recolhe esse arrastamento, que costuma ser mais longo na televisão do que na pesquisa.

Saturação

Duplicar o investimento não duplica as vendas. A partir de certo nível, cada euro adicional contribui menos, e o modelo estima essa curva para cada canal.

Base e fatores externos

Uma parte das vendas aconteceria sem publicidade: clientes recorrentes, marca, tráfego orgânico. É a base. Além disso, as vendas variam com a sazonalidade, o preço, as promoções ou a concorrência. Se o modelo não os incluir como variáveis de controlo, atribuirá aos meios o que foi um efeito de calendário.

O que um MMM responde e o que não responde

Um MMM bem construído responde a perguntas de orçamento:

• Contribuição de cada canal. Quantas vendas incrementais traz cada meio.
• Retorno por canal. Quanto vende cada euro investido, em média e na margem.
• Curvas de saturação. Até onde compensa aumentar o investimento num canal.
• Cenários. O que aconteceria se movesse orçamento de um meio para outro ou cortasse o total.

O que não faz é descer ao detalhe. Com dados agregados não distingue que campanha ou que criativo funciona melhor, e não reage ao que aconteceu ontem: atualiza-se de poucas em poucas semanas ou meses.

Que dados precisa

1. Histórico suficiente. O habitual são pelo menos dois anos de dados semanais, para que o modelo veja várias vezes cada época do ano. Com dados diários ou por região pode bastar menos, mas não há um número mágico.
2. Investimento por canal. Gasto e, se possível, impressões ou GRP de cada meio em cada período. Se um canal teve sempre o mesmo gasto, o modelo não consegue medir o que acontece quando muda.
3. Vendas da sua fonte da verdade. O resultado que o seu negócio dá como válido, do ERP ou do CRM, não as conversões de cada plataforma. Explicamo-lo em o que é a fonte da verdade.
4. Variáveis de controlo. Preço, promoções, sazonalidade, feriados, concorrência e qualquer acontecimento que tenha feito variar as vendas.

MMM, atribuição e testes de incrementalidade

São três formas de medir que não competem: cada uma cobre o que as outras não veem.

A atribuição multicanal segue o percurso de cada utilizador e atribui o mérito aos pontos de contacto. É rápida e chega ao nível de campanha e de anúncio, mas só vê o que pode ser rastreado e tende a premiar os canais próximos da conversão, como a pesquisa de marca.

O MMM olha para o conjunto, inclui meios offline e não depende do rastreio. Em contrapartida, é lento, pouco granular e depende das suas hipóteses: dois MMM razoáveis com os mesmos dados podem dar distribuições diferentes.

Os testes de incrementalidade são experiências. Num teste geográfico (geo-lift) ativa-se ou altera-se o investimento em algumas zonas e compara-se com outras parecidas que funcionam como controlo. Num estudo de conversion lift, a própria plataforma separa um grupo de utilizadores que não vê os anúncios. É o mais próximo de uma medida causal, mas cada teste responde a uma única pergunta, sobre um canal e um período.

Porque calibrar o MMM com experiências

Um MMM pode confundir correlação com causa: se investe sempre mais nas semanas em que mais vende, atribuirá ao meio o que foi procura. Um teste de incrementalidade diz-lhe que intervalo de efeito é realista para esse canal. As ferramentas atuais permitem incorporá-lo no modelo, e é uma das melhores formas de ganhar confiança nas suas conclusões.

Ferramentas de código aberto

As duas opções mais conhecidas são publicadas pelas próprias plataformas:

• Meridian, da Google. Um quadro bayesiano em Python que admite dados por região e permite incorporar resultados de experiências como informação prévia. Substitui o LightweightMMM, o seu projeto anterior.
• Robyn, da Meta. Desenvolvido originalmente em R, automatiza a procura de parâmetros de adstock e saturação, gera vários modelos candidatos e também permite calibrar com testes de incrementalidade.

Gratuitas não quer dizer simples: preparar os dados, escolher os controlos, verificar que os resultados fazem sentido para o negócio e manter o modelo atualizado exige tempo e critério estatístico.

Erros habituais

• Modelar as conversões das plataformas. Se as vendas já vêm inflacionadas pela dupla atribuição, o modelo herda o problema.
• Esquecer os fatores externos. Sem preço, promoções nem sazonalidade, o modelo atribui aos meios o que não é deles.
• Tomar os resultados como exatos. Um MMM dá estimativas com margem de incerteza, e dois retornos parecidos podem não ser diferentes.
• Nunca o validar. Sem uma experiência, não sabe se o modelo acerta ou se apenas se ajusta ao passado.
• Fazê-lo uma vez e arquivá-lo. Um modelo de há um ano descreve um mercado que já não existe.

Como combinar o MMM com a distribuição diária do orçamento

O MMM define o rumo: que peso deveria ter cada canal e onde satura. Mas entre uma atualização e a seguinte passam semanas, e o desempenho de cada meio muda.

Por isso faz sentido trabalhar em dois níveis. A longo prazo, o MMM e os testes de incrementalidade validam a distribuição entre canais. Todos os dias, um sistema de distribuição dinâmica do orçamento move o investimento segundo o custo por resultado de cada meio, medido com a mesma fonte da verdade. Se os dois apontarem em direções muito diferentes durante semanas, é altura de rever um deles ou de desenhar um teste que o resolva. A condição é que ambos meçam o mesmo: se o MMM explica as vendas do ERP e os lances otimizam as conversões de cada plataforma, cada nível defenderá um número diferente.

Como o Babuin o faz

O Babuin, a plataforma da MonkeyFlux, trabalha no nível diário. Liga-se à sua fonte da verdade e, com esses resultados, o MonkeyBot faz lances dentro de cada meio e o DBA distribui todos os dias o orçamento entre canais. Essas decisões validam-se com atribuição, MMM e testes de incrementalidade, por isso o que se decide todos os dias e o que se mede a longo prazo partem do mesmo dado.

Um bom MMM diz-lhe para onde ir. O que acontece entre uma atualização e a seguinte também conta.

Perguntas frequentes