A modelagem do mix de marketing (MMM) está passando por um momento importante na medição de marketing.

À medida que as regulamentações de privacidade limitam o rastreamento no nível do usuário, os profissionais de marketing estão recorrendo a elas para obter medições confiáveis ​​e entre canais. (Adoramos isso na minha agência – as análises MMM geralmente levam a uma alocação de orçamento mais inteligente, com impacto significativo no downstream.)

Mas à medida que a adoção cresce, também aumentam os erros de execução e os equívocos sobre o que o MMM pode ou não fazer.

Apesar do seu potencial estratégico, é frequentemente mal utilizado, mal interpretado ou exagerado – conduzindo a erros dispendiosos e à perda de credibilidade devido a expectativas irrealistas.

MMM não é uma caixa preta. Para produzir insights significativos, é necessário contexto, estratégia, iteração e dados sólidos.

O contexto é especialmente crítico. Sem ele, o MMM se torna o que chamo de câmara de eco matemática – sem entradas externas e com pouca conexão com a realidade.

Este artigo explica como abordar o MMM corretamente, evitar armadilhas comuns e transformar sua análise em valor comercial real.

Erros de execução

Muitas vezes, as equipes fixam-se na técnica de modelagem e ignoram o sistema mais amplo – qualidade dos dados, suposições e contexto das partes interessadas.

Existem muitos erros possíveis, mas os que vejo com mais frequência são:

• Uso de dados de desempenho e gastos inconsistentes, incompletos ou não validados.
• Assumir respostas imediatas ou lineares aos gastos com mídia, o que simplifica demais a realidade.
• Interpretar relações estatísticas como prova de impacto sem experimentação.
• Usar MMM para decisões diárias de campanha, apesar de seu design estratégico e granularidade lenta.
• Construir modelos que são superotimizados na amostra, mas falham no mundo real.

Se você fizer qualquer uma dessas coisas, seus esforços de MMM serão confusos e ineficazes, e você não obterá muita adesão para a iniciativa daqui para frente.

Expectativas erradas versus realidade

Quando executado corretamente, o MMM pode oferecer insights altamente valiosos, mas apenas dentro do caso de uso apropriado.

Com boa modelagem e insumos, você pode:

• Realoque orçamentos com base no ROI marginal e na saturação.
• Preveja o impacto nas vendas a partir de vários cenários orçamentários.
• Estabeleça limites de gastos para evitar retornos decrescentes.
• Mostre as contribuições de longo prazo da marca versus canais de desempenho.
• Acompanhe a eficácia da mídia ao longo do tempo e apoie o alinhamento multifuncional.

O que você não pode esperar que o MMM faça:

• Otimize as decisões diárias de compra de mídia.
• Atributo no nível do usuário ou do criativo.
• Substituir testes de levantamento ou experimentação (que são um complemento necessário ao MMM).

Em outras palavras, trate o MMM como um GPS estratégico que precisa de outros dados para funcionar bem, e não como uma ferramenta tática de navegação passo a passo.

Interpretações erradas da saída

Você pode fornecer a três profissionais de marketing o mesmo resultado MMM, e eles podem ter três interpretações muito diferentes do que isso significa e do que fazer a seguir.

Temos um gráfico útil de como as pessoas interpretam mal os dados (e como corrigir esses erros):

A interpretação errônea sobre a qual gostaria de dedicar um pouco de tempo aqui é a dinâmica de correlação/causalidade.

Os profissionais de marketing precisam entender que o MMM é essencialmente uma análise de correlação sofisticada que precisa ser complementada por testes de incrementalidade, como testes de geo lift, para estabelecer a causalidade.

Vá mais fundo: Por que a incrementalidade é a única métrica que comprova o real impacto do marketing

O que você precisa para uma análise MMM eficaz

MMM envolve codificação, mas é muito mais do que isso.

É uma disciplina multifuncional que envolve ciência de dados, marketing, finanças e estratégia.

Para acertar, você precisa de:

1. Dados longitudinais limpos

Uma observação antes de mergulhar nos elementos de dados necessários para executar o MMM: a densidade dos dados é crítica.

Para empresas sem um grande conjunto de eventos geradores de receita (pense em grandes plataformas SaaS ou concessionárias de automóveis anunciando on-line), use métricas proxy estratégicas que acontecem no início da jornada de compra e fornecem fortes preditores de geração de receita.

Com isso em mente, aqui estão os dados necessários (ou recomendados) para o seu modelo:

• Dados semanais ao longo de 2–3 anos.
• Gastos de mídia por canal e campanha. (Região é recomendada.)
• Variáveis ​​de controle (todas recomendadas): promoções, preços e concorrentes.
  • Observação: a sazonalidade está incluída no modelo de Robyn da Meta, uma das minhas opções favoritas de MMM.

2. Técnicas avançadas de modelagem

• Funções Adstock/lag para refletir o impacto atrasado.
• Modelos de saturação (por exemplo, curvas de Hill) para retornos decrescentes.
• Regularização ou anteriores bayesianos para estabilizar estimativas.

3. Validação e iteração

Executar uma análise MMM uma vez e considerar os resultados pelo valor nominal nunca proporcionará os melhores insights possíveis.

Se você realmente quer adotar o MMM, prepare-se para incluir o seguinte em seu processo:

• Validação cruzada, testes de validação, experimentos de geo-lift.
• Repetições regulares (trimestral ou semestralmente) para ficar alinhado com o mercado.
• Incorporação de outras ferramentas (por exemplo, MTA, testes A/B) para uma visão completa.

Vá mais fundo: MTA x MMM: Qual modelo de atribuição de marketing é ideal para você?

Eu recomendo fortemente executar análises mais de uma vez e usar diferentes métodos/plataformas para identificar pontos em comum e diferenças.

No visual que compara os resultados de Robyn e Meridian de uma análise recente de clientes, ambos os modelos atribuíram influência semelhante na maioria dos canais – um bom sinal que ajuda a validar o modelo.

Mas há um problema: para o canal 0, o Meridian mostrou uma influência orgânica muito maior e um ligeiro aumento no pagamento.

Isso sugere que precisamos de testes adicionais antes de passar para os itens de ação.

4. Envolvimento das partes interessadas

Mesmo com análises de MMM de alto nível, a forma como você comunica as descobertas – e o que elas permitem – é fundamental para obter a adesão dos clientes ou da administração.

Antes de começar, alinhe-se com as partes interessadas sobre KPIs, definições de ROI e suposições de modelo para evitar surpresas ou mal-entendidos posteriormente.

Ao compartilhar resultados, inclua intervalos de incerteza e itens de ação claros que fluem diretamente de seus dados.

Se você não consegue responder ao inevitável “E daí?” pergunta, você não está pronto para apresentar suas descobertas.

Melhor MMM torna-se uma vantagem competitiva

No geral, a mudança do rastreamento baseado no usuário é saudável para a indústria de marketing.

Iniciativas como testes de incrementalidade e MMM estão finalmente ganhando o devido valor como partes essenciais da análise de campanha.

À medida que as principais plataformas nivelam o campo de atuação da otimização com a automação, executar essas análises de forma mais eficaz do que seus concorrentes é uma forma de impulsionar um crescimento diferenciado.

Vá mais fundo: Como evoluir sua estratégia de medição de PPC para um futuro que prioriza a privacidade