A decisão concreta é esta: o bom desempenho de uma campanha em uma praça autoriza replicar o investimento em novas geografias? A resposta defensável não está no resultado agregado, mas na distinção entre o que é premissa declarada de um cenário futuro e o que é estimativa causal sustentada por dados históricos. O planejamento de cenário permite alterar definições de métricas pós-modelagem, mas não reestima parâmetros; a inferência causal continua condicionada aos dados que alimentaram o modelo. Por isso, ampliar exige duas condições: substituir explicitamente as premissas do cenário novo e dispor de dados geográficos e semanais comparáveis. Sem isso, o número projetado é hipótese, não previsão.
O que o cenário muda — e o que ele não muda
O Meridian, modelo de marketing mix de código aberto do Google, separa dois momentos. Na modelagem, a distribuição posterior dos parâmetros é estimada a partir dos dados históricos fornecidos. Depois, nas análises pós-modelagem, é possível passar um novo conjunto de dados para redefinir métricas como ROI, retorno marginal e alocação ótima de orçamento. A documentação é explícita: o planejamento de cenário afeta definições de métricas, mas não a estimação de parâmetros. Ou seja, o cenário não “aprende” com a nova praça; ele apenas aplica os parâmetros históricos a uma configuração hipotética de veiculação, custo por unidade de mídia, receita por KPI e orçamento por canal.
Isso tem uma consequência prática para quem gere marca e mídia. Se a campanha funcionou na praça A, o cenário para a praça B pode declarar: mesmo padrão relativo de veiculação, custo por unidade de mídia diferente, receita por KPI ajustada e orçamento por canal fixado. O resultado será uma projeção condicionada a essas premissas e aos parâmetros estimados com os dados de A — não uma estimativa causal do efeito em B. A orientação do Google é usar o argumento de novos dados para representar o cenário futuro e ajustar os aspectos que se espera que mudem. O limite é claro: a inferência causal continua ancorada no histórico.
O dado que falta: granularidade geográfica e semanal
A segunda orientação da documentação trata da coleta. O Meridian espera dados de marketing agregados por tempo — por exemplo, semanalmente — e, idealmente, por geografia. A recomendação de granularidade geográfica existe para permitir que o arcabouço bayesiano hierárquico produza intervalos de credibilidade mais estreitos em estimativas como ROI. A recomendação semanal busca equilíbrio entre variação e ruído. Além disso, mídia paga e orgânica devem ser somáveis ao longo de geografia e tempo, e geografias com baixo volume de observações devem ser excluídas antes do ajuste para preservar a confiabilidade da estimação.
Traduzindo para a decisão de expansão: se a praça original não tem dados desagregados por geografia e semana, ou se as novas praças não têm dados comparáveis, o cenário modelado não pode ser tratado como previsão. A documentação não promete que o cenário corrija essa lacuna; ela descreve o que é necessário para que a inferência causal seja útil ao planejamento futuro. A proposta editorial é uma regra de bolso: só ampliar quando as premissas do cenário novo forem explicitamente substituídas e houver dados geográficos comparáveis. Caso contrário, adiar a ampliação e coletar dados no nível geográfico e semanal é a decisão mais defensável.
Exemplo hipotético com critérios reproduzíveis
Considere uma marca que vendeu bem na praça A com campanha de mídia paga em dois canais. A equipe quer replicar em B e C. O exercício a seguir é hipotético e serve para organizar a decisão, não para prever resultado. Primeiro, declare as premissas do cenário: padrão de veiculação relativo (distribuição de unidades de mídia entre geografias e períodos), custo por unidade de mídia em cada canal, receita por KPI e orçamento por canal. Segundo, verifique se há dados sumáveis por geografia e tempo para A, B e C. Se não houver, o cenário é apenas hipótese. Se houver, rode o modelo com os dados históricos e compare os intervalos de credibilidade das estimativas para cada geo; exclua geos de baixo volume.
Critérios reproduzíveis para liberar a expansão: (1) as premissas do cenário novo foram substituídas por valores declarados e documentados; (2) os dados de B e C são comparáveis aos de A em granularidade geográfica e semanal; (3) os geos de baixo volume foram excluídos; (4) a decisão de investimento usa a distribuição posterior condicionada ao histórico, não uma projeção de resultado futuro. Se algum critério falhar, a recomendação é adiar a ampliação e coletar os dados faltantes. A conclusão não vale quando a marca já possui dados geográficos e semanais comparáveis e premissas explicitamente substituídas — nesse caso, o cenário pode orientar a alocação, ainda como hipótese condicionada, não como garantia de retorno.
Fontes
Para aprofundar
- ROI histórico ou mROI: qual canal deve receber o próximo aporte de mídia
- Onde o orçamento de marca constrói valor: separar experiência de mídia antes de cortar investimento
Sinal / Negócios & Indústria. Texto produzido com auxílio de IA e revisão editorial automatizada.
