Modelagem de Mix de Marketing (MMM)

A modelagem do mix de marketing é uma abordagem estatística que estima a contribuição das atividades de marketing e de fatores externos para um resultado comercial, geralmente vendas ou receita, utilizando dados agregados de séries temporais. Em vez de rastrear usuários individuais, ela realiza uma regressão dos resultados em relação aos gastos por canal, preço, promoção, distribuição, sazonalidade, atividade da concorrência e condições econômicas, produzindo estimativas da contribuição de cada insumo e seus retornos decrescentes.

A técnica é muito anterior à publicidade digital, tendo sido desenvolvida para empresas de bens de consumo cujos meios de comunicação, incluindo televisão, mídia impressa e mídia exterior, jamais poderiam ser rastreados individualmente. Seu recente retorno à proeminência é uma consequência direta da erosão do rastreamento em nível de usuário: à medida que cookies de terceiros, identificadores móveis e medições entre sites se tornaram menos confiáveis, a modelagem agregada recuperou relevância por não exigir dados em nível de usuário e, portanto, não ser afetada por taxas de consentimento e restrições de plataforma.

Suas principais vantagens são a abrangência e a neutralidade. Ela pode incluir canais que a atribuição em nível de usuário não consegue captar, como televisão, rádio, mídia impressa, patrocínio e mídia exterior, além de canais digitais, e pode incorporar fatores não relacionados ao marketing, como preços, sazonalidade e condições macroeconômicas que a atribuição ignora completamente. Como todos os canais são avaliados dentro de uma única estrutura, ela evita o viés sistemático dos resultados relatados pelas plataformas, em que todas alegam as mesmas conversões.

Suas limitações são igualmente estruturais. Requer um longo histórico, normalmente de dois a três anos de dados semanais consistentes, o que exclui empresas jovens e qualquer período posterior a uma grande mudança nos relatórios. Necessita de variação genuína nos gastos para estimar os efeitos, portanto, canais com orçamento constante não podem ser avaliados. Produz orientações em nível de canal, em vez de detalhes em nível de campanha ou criativo, portanto, não pode orientar a otimização diária. A correlação entre os gastos em diferentes canais dificulta a separação das contribuições individuais. E as escolhas de especificação do modelo, incluindo como os efeitos de transferência e as curvas de saturação são tratados, afetam materialmente os resultados, o que significa que dois analistas competentes podem chegar a conclusões diferentes a partir dos mesmos dados.

A resposta prática a essas limitações é a triangulação, em vez da dependência de um único método. A modelagem de mix fornece a visão estratégica da contribuição dos canais e da alocação de orçamento. Experimentos de incrementalidade validam causalmente canais específicos e podem ser usados ​​para calibrar as probabilidades a priori do modelo. A atribuição fornece um sinal tático, quase em tempo real, para otimização em voo. Cada uma delas é fraca isoladamente; usadas em conjunto, a concordância entre elas aumenta a confiança e a discordância identifica onde investigar.

A adoção prática geralmente depende mais da preparação dos dados do que da técnica de modelagem, e essa preparação é substancial. Os gastos devem ser reunidos de forma consistente em todos os canais e períodos, incluindo honorários de agências e custos de produção, quando estes afetarem materialmente o total. Fatores externos precisam ser identificados e alinhados, incluindo atividades da concorrência (quando disponíveis), alterações de preços, mudanças na distribuição, condições climáticas para as categorias relevantes e indicadores macroeconômicos. Períodos promocionais e eventos pontuais devem ser marcados para que o modelo não atribua seus efeitos à publicidade veiculada simultaneamente. Frequentemente, as organizações descobrem, durante essa etapa, que não conseguem reconstruir seu próprio histórico de gastos com granularidade semanal, o que, por si só, já é uma constatação importante, independentemente da construção do modelo.

A adoção se ampliou consideravelmente com o surgimento de implementações de código aberto e estruturas Bayesianas que acomodam conjuntos de dados menores e permitem que os resultados experimentais informem o modelo diretamente. O valor, no entanto, depende da qualidade dos dados e da disposição organizacional em agir com base em resultados que contradizem os relatórios da plataforma. Na prática, a modelagem em si reside em análise de dados, embora as decisões orçamentárias que ela influencia pertençam a gestão do crescimento e planejamento estratégico e consultoria, visto que a realocação de gastos entre canais geralmente é uma questão de governança tanto quanto de análise.