A explōrātiō roda duas das principais metodologias de MMM do mercado — Robyn, do Meta, e Meridian, do Google — sobre a sua mesma base de dados. Quando as duas concordam, a recomendação de mix vai para a mesa com peso dobrado; quando discordam, você sabe exatamente onde e por quê — sem o risco clássico de defender um número que só uma metodologia sustentava. O resultado: uma decisão de budget que sobrevive à pergunta difícil em reunião e ao auditor que vem depois.
Entrada → modelagem dual → leitura integrada
O que entra no estudo, o que rodamos em paralelo no meio e o que você leva — com a linha do projeto embaixo.
Da contratação ao encerramento
Você manda o histórico de investimento por canal¹ e o KPI que quer explicar (receita, conversão, leads), no formato em que tem hoje — exports de plataforma, CSV ou planilha. A gente devolve a leitura de quanto cada canal está realmente puxando do resultado, o que muda se você mover budget entre eles, e em quais decisões as duas metodologias concordam — e em quais ainda exigem cautela.
¹ considerando bases sem erros de classificação, caso contrário iremos analisar a necessidade da contratação do Data Clean
Do comitê executivo ao time de revenue — quando a pergunta é mix, budget e defesa metodológica em reunião em que alguém vai pedir para refazer a conta, e não só relatório semanal de performance.
Quando a próxima reunião de comitê pede uma defesa do plano de mídia, não uma intuição. Você precisa chegar com mix justificado, cenários de orçamento prontos e respaldo metodológico que sobreviva à pergunta difícil — sem ter feito o estudo no escuro nem ter delegado para uma ferramenta que ninguém entende.
Quando o time de dados quer abrir o capô e auditar o que foi feito. A explōrātiō entrega especificação aberta do estudo dual (Robyn + Meridian), exports CSV das estimativas e decomposições por metodologia, e documentação técnica que o seu time consegue ler, refazer e integrar — sem caixa-preta, sem plataforma fechada.
Quando o cliente final pede MMM, mas a agência não tem como sustentar um estudo desse porte internamente. A explōrātiō entra como braço analítico — em white label, co-assinado ou nos bastidores — conduzindo o estudo ponta a ponta, incluindo workshops de leitura e customização de escopo conforme o briefing pedir.
Um desenho único de projeto cobre tudo: preparação da base, treino das duas metodologias na mesma base, cruzamento das saídas com leitura explícita de convergência e divergência, cenários de budget para a próxima rodada de planejamento, e workshops de leitura para o seu time aplicar o resultado — sem precisar redigest do relatório técnico para a próxima reunião.
Quatro frentes de leitura no relatório final. Cada uma existe para responder uma pergunta concreta que vai aparecer na reunião de planejamento, no comitê ou na conversa com o time de dados — não para encher slide.
Robyn e Meridian treinados sobre a mesma base. O relatório explora correlações e concordância entre as contribuições de cada canal — e a recomendação ganha peso quando ambos apontam na mesma direção. Quando não apontam, o relatório explica o porquê, sem forçar conclusão.
Variáveis macroeconômicas (inflação, juros, endividamento), eventos de trade, ações de força de vendas e patrocínios entram no modelo como contexto. Sem isso, o estudo confunde efeito de mídia com efeito de mercado — aqui, a separação é explícita.
Recomendações de realocação por canal e cenários de orçamento total para a próxima rodada de planejamento. O entregável orienta a decisão de “onde colocar o próximo real” — não é um gráfico isolado que você precisa interpretar sozinho.
Métricas de ajuste de cada modelo (NRMSE e fronteira de Pareto no Robyn; intervalos de credibilidade no Meridian), lado a lado em quadro comparável. Onde as metodologias convergem, a recomendação é firme; onde divergem, o relatório documenta as causas plausíveis (priors, forma funcional, qualidade do ajuste) — sem caixa-preta.
O MMM Combined não é escolher Robyn ou Meridian — é treinar as duas sobre a mesma base e ler o contraste entre elas como evidência adicional. A recomendação ganha respaldo quando as duas tradições metodológicas chegam ao mesmo lugar; ganha honestidade quando não chegam.
Frequentista (Ridge), adstock, saturação Hill, Pareto e NRMSE como âncora de fit. No Combined, entra sempre em par com Meridian — para contrastar estrutura e incerteza, não para “disputar” um vencedor automático.
Bayesiano (MCMC via JAX), adstock com atraso e posteriors. No Combined, oferece o contraponto bayesiano ao Robyn — o relatório cruza intervalos e contribuições para ver onde a visão por incerteza reforça ou tensiona o frequentista.
Quatro movimentos no projeto: base única; dois treinos completos; leitura conjunta (incluindo correlações entre séries de contribuição ou drivers equivalentes); depois cenários de budget e narrativa única para negócio. Um onboarding de dados — duas especificações alinhadas para comparação honesta.
Recalculamos impactos e investimentos de offline para melhor relação com dados online. Ajustes de Ad Stock e Contribuição também são consideradas antes da Modelagem.
Dados como inflação, taxa de juro, endividamento e outras medidas macroeconômicas são incluídas no modelo para impactos indiretos. Investimentos em força de venda, Trade Marketing, eventos e patrocínios também são considerados no Modelo final.
Relatório que integra as duas leituras, exportações (CSV) das estimativas e decomposições de cada metodologia, quadros de cruzamento e premissas documentadas — com README no handoff quando fizer sentido para o time técnico.
O estudo não substitui dados confiáveis nem inventa resposta onde a base não dá — mas entrega algo que ferramenta isolada raramente cobre: duas metodologias de referência sobre a mesma base, com leitura explícita das relações entre as saídas.
Robyn e Meridian são gratuitos e auditáveis, mas “só a biblioteca” ainda exige pipeline, Python, padronização e tempo para consolidar leitura. Rodar os dois em paralelo por conta própria multiplica esforço e risco de schema divergente — o Combined coloca ambos no mesmo trilho e na mesma narrativa de correlação e convergência.
Soluções fechadas aceleram compra, mas frequentemente escondem especificação, pesam na assinatura e limitam exportação para o BI. Você depende do roadmap do fornecedor para reproduzir o método.
Serviço integrado: um desenho de dados, treino das duas metodologias pela mesma equipe, análise conjunta das saídas (correlações, convergência, divergências explicadas) e recomendação de mix que honra as duas tradições metodológicas — com métricas de fit explícitas, outputs exportáveis e metodologias que a comunidade técnica já discute em aberto.
Do diagnóstico da base ao encerramento documentado — com janela típica de cada fase. O que está no escopo assinado é o que vai ser feito; é a régua para medir “pronto” no fim.
Mapeamento de canais, calendário, KPI e variáveis de contexto; checagem de taxonomia e completude antes da primeira rodagem de modelo.
Treino duplo (Robyn e Meridian) sobre a base aprovada; calibrações alinhadas para que as saídas sejam comparáveis na fase de validação e cruzamento.
Workshops de interpretação: contribuições e elasticidades (ou equivalentes), concordância entre metodologias, correlações entre drivers e onde faz sentido aprofundar divergência — com sanidade de negócio e limites para decisão.
Pacote documentado (relatório, exports, premissas). Continuidade para novos canais, sazonalidade ou atualizações de base conforme cadência combinada.
Três tamanhos de estudo, em entrega única. O escopo é dimensionado por número de marcas, canais, variáveis exógenas e geografia — combinamos na conversa inicial de 45 minutos com uma amostra do seu caso. Diferente de plataforma SaaS, você não paga assinatura recorrente; paga o estudo, recebe entregue.
R$ 17.947
R$ 45.947
R$ 75.457
Para agências que querem entregar o estudo sob a sua marca, e para times de dados que querem o estudo no padrão técnico que integram, formatos específicos sob conversa. Modelos de recorrência anual (1 retreino semestral + 2 leituras) e pacotes pilotos com desconto para o primeiro estudo — basta perguntar.
MMM é sobre recorte — marcas, canais, geografia, variáveis. E às vezes o recorte muda: marca extra entra, variável exógena adicional aparece, sai a necessidade de olhar uma região não prevista. Em vez de esconder a regra, deixamos a tabela à vista: o que dispara add-on, o que vira estudo novo, e quanto cada caso custa em cima do pacote contratado.
+35%
Mudança em até 25% do escopo assinadoEx.: Essencial (R$ 17.947) → acréscimo de R$ 6.281.
+50%
Mudança acima de 25% do escopoEx.: Essencial (R$ 17.947) → acréscimo de R$ 8.974.
25%
Limite por canais alteradosEx.: Essencial — 6 canais no escopo. Pedido adiciona 1 canal (17%) → pontual (+35%). A partir do 2º canal extra (≥33%) → amplo (+50%).
25%
Limite por variáveis exógenas adicionadasEx.: Essencial — 3 variáveis no escopo (macro + sazonalidade + 1 extra). Pedido adiciona 1 variável (33%) → amplo. Critério mais sensível porque cada variável reabre Diagnóstico.
30d
Uma rodada após a leitura formalPedidos consolidados no prazo. Aceite por escrito. Depois disso = novo escopo.
Novo
Fora do add-on — orçamento à parteOutra marca fora do escopo, mudança de geografia (Nacional ↔ regional), troca/adição de motor (Robyn/Meridian → outro), retreino fora da cadência combinada, extensão de série histórica.
Critérios A e B medem o % do escopo alterado · prevalece o maior índice · add-on pontual +35% ou amplo +50% sobre o pacote · tudo no escopo assinado
MMM só entrega leitura confiável quando o histórico é estável e os canais têm variação real ao longo do tempo. Use os cartões abaixo para validar se faz sentido antes da conversa — e se algum item não bate, dizemos com franqueza qual produto da explōrātiō resolve primeiro.
Mínimo de 18 meses de série, de preferência semanal. Mensal só em exceção — reduz a leitura de sazonalidade dentro do mês.
Três ou mais canais com investimento variando no histórico. Offline e demais mídias: envio semanal já com impactos calculados e alinhados ao modelo.
CSV ou planilha, exports de mídia e KPI no mesmo calendário; mapeamento documentado coluna a coluna. A base deve chegar tratada e pronta para os modelos.
Macro, trade, força de vendas e eventos — quanto mais contexto, melhor o modelo separa mídia de fatores externos.
Em geral, 4 a 6 semanas da base aprovada ao modelo validado, conforme qualidade dos dados e rodadas de treino.
Links seguros e transferência criptografada; dados permanecem no seu ambiente. Após a entrega do estudo, exclusão total — LGPD e sem reutilização em outros projetos.
MMM mede efeito médio no tempo — não substitui toda análise de marketing. Em algumas situações outro produto da explōrātiō entrega resposta mais rápida, ou prepara o terreno para o MMM fazer sentido depois.
MMM trabalha bem em semanas ou meses; para acompanhar leves e ajustar anúncio a anúncio, use o reporting operacional da sua mídia — fora do escopo deste produto.
Se nomes de campanha, taxas de câmbio e vendas estão em conflito, modelo nenhum conserta isso no ar. Primeiro Data Clean, depois MMM.
Antecipar demanda por categoria com busca e tendência é Trends Analyzer ou outro desenho de previsão — não confundir com decomposição de mídia histórica.
O modelo precisa contraste ao longo do tempo; com menos de três canais com variação real, a leitura vira opinião com R² alto.
Os dois, sempre neste produto: o escopo é o estudo integrado, com treino conjunto sobre a mesma base e leitura dedicada a cruzar resultados — correlações, convergências e divergências explicadas. Não posicionamos o Combined como venda isolada de uma única metodologia.
Porque frequentista e bayesiano encaram o mesmo problema com hipóteses diferentes — e enxergam a incerteza de jeitos diferentes. Quando ambos indicam o mesmo padrão (canal que empurra o KPI, por exemplo), a recomendação ganha peso real para defender em comitê. Quando discordam, o relatório explica o porquê (priors, forma funcional, qualidade do ajuste) — uma visão mais honesta do que escolher uma metodologia, ignorar a outra e descobrir o erro só na próxima rodada.
Não é obrigatório. Trabalhamos com planilhas e exports tratados no escopo; o essencial é granularidade e calendário coerentes. Fluxos com data lake podem acelerar recorrentes, mas não são pré-requisito para o estudo.
Na prática, entre 4 e 6 semanas após a base fechada, incluindo treinos das duas metodologias, cruzamento das saídas e validação de negócio. Se o dado exigir limpeza pesada antes disso, somamos o prazo do Data Clean.
MMM responde outra pergunta: quanto da variação do KPI no tempo se associa a cada canal e a variáveis de contexto. Não substitui MTA no nível do cookie, mas evita alguns vieses quando o CRM não cobre toda a jornada.
O processamento e o armazenamento seguem o que for combinado em contrato e nas políticas da sua empresa — em geral, sem depender de nuvem nossa para dados brutos. No fechamento, documentamos onde ficam os artefatos, recomendações de retenção e o encaixe com a LGPD, alinhando com o seu jurídico ou DPO quando necessário.
Relatório metodológico que integra as duas linhas de evidência, premissas documentadas, exportações tabulares por metodologia e material de cruzamento (onde faz sentido: concordância, correlações entre drivers equivalentes), além de workshops de interpretação. O núcleo da decisão é o parecer conjunto; os exports apoiam auditoria e o seu BI.
Os termos técnicos que aparecem no relatório, nos workshops e nos exports CSV. Está aqui porque quem opera dado (BI, analytics, revenue) vai querer abrir e auditar — quem só recebe a recomendação não precisa ler.
Modelo estatístico que estima como canais, mídia e fatores de contexto se associam à variação de um KPI ao longo do tempo — base para alocação de budget, não substituto de atribuição cookie a cookie.
Neste produto: Robyn e Meridian treinados sobre a mesma base, com leitura explícita de convergência, correlação e divergência entre as saídas.
Parcela do resultado (ou do KPI modelado) atribuída a um driver de mídia ou variável exógena na decomposição do modelo.
Separação do KPI em partes explicadas por cada canal, baseline e controles — permite comparar peso relativo dos investimentos.
Efeito de carry-over: o impacto de um investimento não some no dia em que o anúncio rodou; decai ao longo do tempo conforme parâmetros calibrados.
Curva em que, além de certo nível de investimento, gastar mais no canal rende retorno marginal menor — forma funcional comum no Robyn.
Quanto o KPI responde proporcionalmente a um aumento percentual no gasto de um canal — útil para simular cenários de budget.
Regularização que reduz overfitting quando há muitos canais correlacionados — ancora as estimativas sem zerar coeficientes como na Lasso.
Conjunto de soluções em que não dá para melhorar fit e parsimônia ao mesmo tempo; o Robyn usa para escolher modelos equilibrados entre complexidade e erro.
Erro quadrático médio normalizado — métrica de ajuste do modelo aos dados históricos; quanto menor (dentro do aceitável do escopo), melhor o fit em escala comparável.
Como investimento entra na equação após adstock e saturação — define a curva de resposta por canal antes da regressão.
Estima parâmetros como valores pontuais (com intervalos derivados do ajuste amostral), sem priors explícitos como no bayesiano — enfoque central do Robyn.
Combina dados observados com priors (crenças iniciais calibradas) e produz distribuições posteriores — a incerteza faz parte da resposta, não só um número único.
Suposição inicial sobre parâmetros (ex.: elasticidade de um canal) antes de ver os dados; influencia o resultado quando a série é curta ou ruidosa.
Distribuição do parâmetro depois de incorporar os dados — no relatório aparece como estimativa central e intervalo de credibilidade.
Markov Chain Monte Carlo — método para amostrar a posterior quando não há solução analítica fechada; o Meridian roda via JAX para performance.
Faixa onde o parâmetro ou a contribuição cai com alta probabilidade (ex.: 90%) — contraponto ao valor único do frequentista.
Biblioteca numérica do Google usada pelo Meridian para acelerar o treino bayesiano em GPU/TPU quando disponível.
Variante parametrizada do carry-over na jornada — o pico de efeito pode ocorrer dias após a exposição, não só no dia zero.
Quando as duas metodologias apontam na mesma direção (ex.: mesmo canal como driver relevante) — reforça a recomendação de mix.
Quando as contribuições ou elasticidades discordam — o relatório documenta causas plausíveis (fit, priors, forma funcional).
Medida de alinhamento entre saídas equivalentes das duas metodologias; não confundir com correlação bruta entre gastos de canais na planilha.
Quão bem o modelo reproduz o KPI histórico — comparado entre metodologias com métricas próprias (NRMSE no Robyn, diagnósticos bayesianos no Meridian).
MMM Combined entregue no escopo assinado. Pronto para o comitê de planejamento defender mix, para o time de revenue rodar cenários de orçamento e para o time de dados auditar a metodologia — sem “está quase pronto”, sem rodada de revisão sem fim, sem entregar metade.
A conversa inicial é técnica — olhamos uma amostra dos seus dados, validamos se o histórico e os canais cabem em um MMM bem-feito, e dizemos com franqueza: tem estudo aqui que resolve, ou primeiro precisa de Data Clean, ou MMM ainda não é o caminho para a sua pergunta. Se for, a gente desenha escopo, canais, variáveis exógenas e prazo na hora. Se não for, você sai com o diagnóstico mesmo assim.