Pacotes de código aberto e agentes de IA facilitaram a construção de um modelo de mix de marketing (MMM), mas não facilitaram em nada saber se o modelo está certo. A barreira passou da construção do modelo para a supervisão: calibrá-lo em relação aos experimentos, comparar modelos e nomear quem assina o número. O Sudeste Asiático, com históricos curtos de dados e muitos canais por dólar de marketing, tem a maior exposição.
Principais conclusões
- Um agente de IA agora pode extrair um pacote de código aberto, carregar dados de gastos e receitas e produzir um modelo de mix de marketing funcional quase sem base estatística.
- Robyn (Meta) pede o mínimo do usuário, Meridian (Google) precisa de codificação de ciência de dados e PyMC Marketing precisa de experiência bayesiana; os agentes eliminam a lacuna de configuração, mas não a lacuna de interpretação.
- Em quinze grandes experiências publicitárias estudadas por Gordon, Zettelmeyer, Bhargava e Chapsky, os métodos observacionais estavam errados por um factor de três ou mais em cerca de metade dos estudos.
- Os modelos geralmente quebram os dados antes do início da modelagem: referências de assistentes de IA sem referenciador, construção de marca não remunerada e concorrentes obsoletos e contribuições do público.
- Supervisão significa calibrar com base em experimentos, tratar a discordância entre modelos como uma descoberta e nomear a pessoa que assina o número.
O que mudou na modelagem do mix de marketing?
Construir um modelo de mix de marketing tornou-se algo que quase qualquer pessoa pode fazer. Saber se esse modelo está dizendo a verdade continua raro. AdExchanger cobriu recentemente a ascensão da modelagem de mix de marketing de código aberto, cunhando o rótulo OS MMM ao longo do caminho, e oemoção por trás da peçaera genuíno. Simplesmente não foi apontado para a conquista certa.
Julian Runge, da Medill School da Northwestern, apresentou uma versão deste argumento que merece mais atenção do que recebe. Um agente de IA agora pode ser solicitado a extrair um pacote de modelagem de código aberto, carregar os dados de gastos e receitas de um cliente e produzir um modelo de mix de marketing funcional quase sem necessidade de base estatística. Qualquer pessoa que pagou seis dígitos a uma consultoria e esperou um quarto por uma resposta a uma pergunta tão simples como qual canal está realmente funcionando deveria parar por um momento.
Depois vem a parte do argumento que não funciona bem em um slide de resumo. O que ficou barato foi o ato de produzir um modelo. O que ainda custa exatamente o que sempre custou é estar certo sobre um.
Qual parte da modelagem do mix de marketing realmente ficou mais barata?
Runge e Koen Pauwels publicaram umcomparação prática dos principais pacotes de código aberto deste ano, e é extraordinariamente claro sobre o que cada um exige. Robyn, construída pela Meta, combina regressão de crista com um processo de busca evolutiva. Ele pede o mínimo do usuário e pode retornar um modelo funcional em menos de um dia. O Meridian do Google espera capacidade real de codificação em ciência de dados. O PyMC Marketing espera experiência bayesiana genuína e geralmente leva algumas semanas para funcionar corretamente.
| Pacote | O que pede ao usuário | Como ele se calibra em relação aos experimentos |
|---|---|---|
| Robin (Meta) | O mínimo; regressão de crista com pesquisa evolutiva, um modelo funcional em menos de um dia | Através da otimização multiobjetivo, que Runge e Pauwels sinalizam como menos compreendida e menos testada |
| Meridiano (Google) | Capacidade real de codificação em ciência de dados | Resultados de experimentos como anteriores bayesianos; Meridian GeoX permite experimentos geográficos ancorarem o modelo |
| Marketing PyMC | Experiência bayesiana genuína; geralmente algumas semanas para funcionar corretamente | Resultados do experimento como anteriores bayesianos |
Um agente de IA elimina a lacuna de configuração entre essas três ferramentas. Não faz nada para apagar a lacuna de interpretação. Na verdade, isso o amplia, porque agora todas as três abordagens podem produzir um gráfico de aparência confiável até o final da semana, e cada um desses gráficos parece igualmente confiável em um slide.
Por que você não pode confiar na saída de um modelo por si só?
Imagine o cenário. Um agente funcionou durante a noite e um baralho limpo está na caixa de entrada pela manhã. Um canal retorna relatando um retorno sobre gastos com publicidade de 4.1. A pesquisa de marca retorna em 0.9. Alguém na sala deseja que o orçamento seja realocado até o final da semana e faz a única pergunta que realmente importa. Esse número está correto?
Ninguém na sala pode responder isso apenas com base na saída, porque a saída não dá nenhuma indicação de sua própria confiabilidade.
A escala do que pode dar errado aqui não é nova. Os pesquisadores Gordon, Zettelmeyer, Bhargava e Chapsky realizaram quinze experimentos publicitários em grande escala cobrindo cerca de meio bilhão de observações de experimentos de usuários e mais de um bilhão e meio de impressões, depois compararam os resultados com os métodos de observação nos quais a indústria normalmente depende. Em cerca de metade dos estudos, o aumento estimado caiu por um fator de três ou mais. Uma campanha com um aumento real de cerca de dois por cento foi estimada por métodos observacionais em mais de três mil por cento. Outra campanha com um aumento genuíno de quase setenta por cento teve um resultado estimado em mais de quatro vezes esse valor.
Essa pesquisa já tem vários anos. Nada na IA agente altera o problema subjacente que ela descobriu. Um pipeline mais rápido executado nos mesmos dados observacionais reproduzirá o mesmo viés. Simplesmente fará isso mais cedo e com melhor formatação.
Onde os modelos de mix de marketing quebram antes do início da modelagem?
A maioria dos resultados ruins da modelagem do mix de marketing não é realmente uma falha de modelagem. É uma falha de dados que o modelo apresenta com confiança imerecida.
Comece com canais que o modelo não consegue ver. Se os clientes perguntarem a um assistente de IA como ChatGPT ou Perplexity qual produto comprar e chegarem a um site sem nenhum referenciador anexado, esse tráfego simplesmente não terá coluna no conjunto de dados. O modelo ou o incorpora na demanda básica ou o credita silenciosamente a qualquer campanha que esteja sendo veiculada nas proximidades. Isso já está aparecendo nos dados. Touchigh, que trabalha na otimização generativa de mecanismos para vendedores internacionais que entram no mercado dos EUA, relatou um crescimento de tráfego de referência de IA de quase setecentos por cento durante a temporada de férias mais recente, com taxas de conversão de referências de assistentes de IA de trinta a quarenta por cento acima da média do site. Os números precisos pertencem a esse estudo. O ponto estrutural não. Um canal crescendo próximo a esse ritmo e completamente ausente do conjunto de dados é um erro de especificação e não um erro de arredondamento.
Depois, há a linha de gastos que nunca aparece. Publicação do fundador, autoridade da categoria construída lentamente ao longo do tempo, o longo hábito não remunerado de simplesmente aparecer de forma consistente na conversa de uma categoria. Nada disso acarreta um custo de mídia, nada disso produz uma explosão visível e seu efeito muitas vezes aparece um ou dois quartos depois, que é precisamente o formato que um modelo de mix de marketing lida pior. Ele é engolido pela tendência e desaparece completamente da análise.
E então há o fracasso menos glamoroso de todos. Qualidade de entrada. Um modelo alimentado por uma imagem tênue e desatualizada dos concorrentes e do comportamento do público alocará orçamento com segurança em um mercado que não existe mais. Existe umcaso documentado envolvendo Mothercare Singaporeque reduziu em 80% o tempo gasto na pesquisa de audiência, liberando mais de 25 horas por semana, enquanto rastreava mais de quatro mil anúncios digitais anualmente dentro de sua categoria. O número genuinamente interessante não é o tempo economizado. É que a imagem do mercado que alimenta todos os modelos a jusante tornou-se actual em vez de obsoleta por um quarto.
Para onde vai a experiência em modelagem agora?
Não desaparece. Ele passa da construção do modelo à supervisão dele. Vale a pena consertar três coisas antes da próxima execução do modelo.
Calibre com base em um experimento e não em relação ao instinto. Meridian e PyMC Marketing permitem que os resultados dos experimentos sejam alimentados como antecedentes bayesianos. Robyn calibra por meio de seu processo de otimização multiobjetivo, que Runge e Pauwels sinalizam especificamente como muito menos compreendido e testado com muito menos rigor. O Google introduziu Meridian GeoX em maio de 2026 especificamente para que experimentos geográficos possam ancorar um modelo diretamente, em vez de ficar ao lado dele como um exercício separado.
Trate a discordância entre modelos como uma descoberta em si. Executar dois pacotes diferentes no mesmo conjunto de dados e observá-los discordar em uma ordem de magnitude em um único canal ensina algo real sobre o quão fracamente identificado esse canal é nos dados. A maioria das equipes executa exatamente um modelo e nunca descobre isso.
Nomeie a pessoa que assina o número. Antes de qualquer valor chegar a uma decisão orçamentária em tempo real, alguém precisa assumir o risco de estar errado sobre isso. Este é o único controle que a maioria das equipes ignora silenciosamente.
Essa camada de supervisão tem que estar em algum lugar e, para uma agência menor ou independente, muitas vezes não está em lugar nenhum, simplesmente porque não há uma bancada de análise dedicada para absorver o trabalho. Essa lacuna é parte do que torna as ferramentas construídas para fornecer às lojas menores a inteligência e a camada de automação de uma rede maior tão relevantes no momento. O tempo economizado em relatórios só cria valor se for reinvestido em julgamento, em vez de absorvido em mais relatórios.
Por que este terreno é mais difícil no Sudeste Asiático?
O Sudeste Asiático é o que mais ganha com as ferramentas de modelagem gratuitas e tem maior exposição quando essas ferramentas são usadas sem a devida supervisão. Os históricos de dados tendem a ser mais curtos. O número de canais por investimento em marketing tende a ser maior, abrangendo TikTok Shop, Shopee, Lazada, Meta, um canal Grab e uma comunidade WhatsApp, muitas vezes tudo dentro de uma única campanha. Menos mercados são suficientemente grandes para suportar um teste de resistência genuinamente limpo. Uma marca regional pode facilmente acabar com mais colunas de canal em seu conjunto de dados do que semanas limpas de história por trás dela, que é exatamente a condição sob a qual um modelo de mix de marketing retornará alegremente uma resposta precisa, estável e errada.
O acesso gratuito a essas ferramentas é inequivocamente uma boa notícia. O que acompanha esse acesso é uma distância muito menor entre uma suposição errada e um orçamento que já foi realocado com base nela.
Portanto, antes que o próximo modelo seja executado, a pergunta que vale a pena fazer dentro de qualquer organização é simples. Quem é responsável se a resposta estiver errada?
Onde a SOMIN se encaixa nisso?
A lacuna que este artigo descreve não é realmente uma lacuna de modelagem. É uma lacuna de inteligência, o espaço entre um gráfico que parece confiante e um gráfico que foi realmente verificado em relação ao comportamento das pessoas num mercado. SOMIN foi construído para fechar exatamente esse espaço. Os estudos de perspectiva e rastreador de marca da SoMonitor existem para manter a imagem do público abaixo de qualquer modelo atual, em vez de um quarto obsoleto, enquanto a parceria SODA e GWI oferece às equipes uma maneira de testar o que um modelo está reivindicando em relação ao sinal real do consumidor antes que esse número chegue a uma decisão orçamentária. As ferramentas paraconstruindo um modelo de mix de marketingtornaram-se muito mais acessíveis. O julgamento necessário para confiar não existe, e essa é a parte que o SOMIN foi construído para apoiar.
FAQ
Um agente de IA pode construir um modelo de mix de marketing?
Sim. Um agente pode extrair um pacote de código aberto, carregar os dados de gastos e receitas de um cliente e produzir um modelo funcional quase sem necessidade de base estatística. O que ele não pode fazer é dizer se o modelo está correto, porque o resultado não dá nenhuma indicação de sua própria confiabilidade.
Qual é a diferença entre Robyn, Meridian e PyMC Marketing?
Robyn, construída pela Meta, combina regressão de cume com busca evolutiva e pede o mínimo do usuário. O Meridian do Google espera capacidade real de codificação em ciência de dados, e o PyMC Marketing espera experiência bayesiana e geralmente leva algumas semanas para funcionar corretamente. Meridian e PyMC Marketing aceitam resultados de experimentos como anteriores bayesianos; Robyn calibra por meio da otimização multiobjetivo.
Quão errada pode ser a medição observacional da publicidade?
Em quinze grandes experiências publicitárias analisadas por Gordon, Zettelmeyer, Bhargava e Chapsky, as estimativas observacionais de aumento estavam erradas por um factor de três ou mais em cerca de metade dos estudos. Uma campanha com um aumento real de cerca de dois por cento foi estimada em mais de três mil por cento.
Como você verifica se um modelo de mix de marketing está certo?
Calibre-o com base em experimentos, por exemplo, experimentos geográficos através do Meridian GeoX, em vez de instinto. Execute dois pacotes diferentes com os mesmos dados e trate grandes divergências como um sinal de que o canal está mal identificado e nomeie a pessoa que assina antes que qualquer número chegue a uma decisão orçamentária.
Por que a modelagem do mix de marketing é mais arriscada no Sudeste Asiático?
Os históricos de dados são mais curtos, as campanhas estão espalhadas por muitos canais, como TikTok Shop, Shopee, Lazada, Meta, Grab e WhatsApp, e menos mercados são grandes o suficiente para testes de resistência limpos. Uma marca pode ter mais colunas de canal do que semanas limpas de dados, que é quando um modelo retorna uma resposta precisa, estável e errada.
