Como provar a um cliente que o dinheiro dele em mídia está funcionando? Pare de abrir a conversa com prints de ROAS. A prova em que os clientes hoje confiam tem três partes: um modelo que mostra o que cada canal acrescentou além da linha de base, um experimento que confirma isso e evidências que explicam por que os números mudaram. A modelagem de mix de marketing voltou porque entrega bem a primeira parte.
A prova mais recente vem do Golfo. A Campaign Middle East noticiou que a agência de performance TRKKN usou o Meridian, modelo open source de marketing mix do Google, para analisar três anos de dados da varejista de beleza Faces. Em 11 canais, o modelo projetou um ganho incremental de receita de 8,5% e uma melhora de 10,8 pontos percentuais no ROI, apenas com a realocação da verba existente.
Por que a modelagem de mix de marketing voltou?
Porque as alternativas pararam de convencer. Os dashboards das plataformas reportam as conversões que acreditam ter causado, então a plataforma que vende a mídia é também a que a mede. A atribuição por último clique dá o crédito ao ponto de contato que veio por último, o que favorece busca e retargeting e deixa à míngua a atividade que construiu a demanda, para começo de conversa.
O MMM segue outro caminho. Ele analisa investimento e vendas ao longo do tempo, em todos os canais, inclusive o offline, e estima o que cada um contribuiu além da linha de base. Não precisa rastrear usuários individuais. E, com opções open source como o Meridian, a barreira agora é engenharia de dados e expertise, e não uma licença cara.
Harry Lonergan, diretor de marketing digital da Faces, disse à Campaign Middle East: “O Meridian nos ajudou a ir além do que vemos na performance de último clique.” É a frase que a maioria dos clientes gostaria de poder dizer.
O que o caso da Faces com a TRKKN mostrou de fato?
Vale a pena ler os detalhes, porque eles servem de modelo. A TRKKN liderou a engenharia de dados, a construção do modelo e a implantação dentro do ambiente Google Cloud que a Faces já usava. O modelo cobriu dados de marketing online e offline e de receita na Arábia Saudita de 2023 a 2025.
Três resultados importaram. Primeiro, o modelo mostrou quais canais estavam gerando receita incremental, identificando 19% da receita como impulsionada por campanhas. Segundo, estimou a curva de resposta e de saturação de cada canal, mostrando onde o investimento extra teria retornos decrescentes. Terceiro, modelou cenários de verba, que é de onde veio o número de 8,5%. O Performance Max despontou como o canal mais forte da análise.
Repare no que a agência não pediu: mais dinheiro. A recomendação foi mover o dinheiro que já estava lá. E a estrutura é contínua, reavaliando o ROI à medida que novos dados chegam, e não um relatório pontual. Como disse Vimal Badiani, diretor-geral da TRKKN: “Trata-se de dar aos profissionais de marketing as evidências e a confiança para tomar decisões melhores.”
De que evidências os clientes precisam para acreditar no ROI de mídia?
Nenhum método sozinho basta. Cada camada responde a uma pergunta diferente e tem uma fraqueza diferente.
| Camada de evidência | Pergunta que responde | Método típico | Fraqueza |
|---|---|---|---|
| ROAS reportado pela plataforma | Quão eficiente foi este canal, pela própria régua? | Relatórios do gerenciador de anúncios | Corrige a própria lição de casa; ignora a incrementalidade |
| Modelagem de mix de marketing | O que cada canal acrescentou além da linha de base? | Modelo estatístico de investimento e vendas ao longo de vários anos | Explica o quê, não o porquê; exige dados consistentes |
| Testes de incrementalidade | Foi este canal que causou o aumento? | Holdouts geográficos, estudos de conversion lift | Lentos; em geral, um canal por vez |
| Curvas de saturação | A partir de onde o investimento extra deixa de se pagar? | Resultado do MMM | Só são tão boas quanto o modelo por trás delas |
| Evidências sobre público e concorrentes | Por que os resultados mudaram? | Social listening, análise de anúncios da concorrência | Anedóticas, a menos que rastreadas até dados reais |
A maioria das agências apresenta a primeira linha e torce. As que mantêm as verbas apresentam as cinco.
Por que as verbas de mídia acabam nos lugares errados?
Os economistas têm um nome para isso: falha de mercado. Os mercados alocam bem os recursos quando compradores e vendedores têm boa informação. Quando a informação falta, ou fica só com um dos lados, o dinheiro vai para os lugares errados e fica lá.
A compra de mídia é um caso clássico. O cliente não consegue ver o que as plataformas veem. A agência vê mais que o cliente, mas muitas vezes é remunerada, ao menos em parte, em função do quanto investe. As plataformas reportam o próprio desempenho. Todo mundo age racionalmente com informação parcial, e o resultado é verba empilhada em canais que ficam bonitos no último clique, enquanto os canais que constroem demanda passam fome. Um ganho projetado de 8,5% apenas movendo a verba que a Faces já investia é, na prática, uma medida dessa má alocação.
A solução não é mais dados. É clareza compartilhada. No universo do comércio, a clareza gera conexão: quando cliente e agência olham para as mesmas evidências e as leem da mesma forma, a conversa deixa de ser a defesa do investimento e passa a ser a decisão sobre para onde ele vai em seguida.
Como construir uma narrativa de ROI de mídia em que os clientes confiem?
- Alinhe o resultado de negócio e a linha de base. Receita, novos clientes ou margem, e uma visão honesta do que teria acontecido sem nenhum marketing.
- Monte um histórico de dados consistente. Investimento e resultados por canal, online e offline, além de preços, promoções e sazonalidade. A Faces usou três anos de dados em 11 canais.
- Rode o modelo. Use um MMM open source, como o Meridian, ou um parceiro especializado. Peça a contribuição por canal e as curvas de saturação, não um único número de ROI.
- Valide uma conclusão com um experimento. Um holdout geográfico no canal que o modelo aponta como tendo verba em excesso é o teste mais persuasivo que você pode fazer.
- Explique o porquê. Associe cada conclusão por canal ao que foi de fato dito e visto: o criativo que rodou, o que os concorrentes lançaram e como a conversa do público mudou.
- Apresente uma realocação, não um pedido. Mostre o cenário que movimenta a verba existente e o resultado que ele projeta.
- Mantenha o modelo vivo. Rode-o de novo à medida que novos dados chegam, para que o ROI vire uma conversa permanente, e não uma discussão anual.
Onde entram o criativo e o contexto local no ROI de mídia?
O MMM diz qual canal funcionou. Diz pouco sobre o que a mensagem fez, e essa lacuna importa. A Campaign noticiou uma nova pesquisa da Publicis London, da System1 e do Effie comparando campanhas globais com trabalhos feitos para mercados locais, que constatou que as campanhas globais geram menos resultados comerciais. Se a aderência entre a mensagem e o mercado afeta tanto os resultados, uma explicação só por canal é meia resposta.
Esta é a metade que falta na maioria das apresentações de ROI. Quando um modelo diz que o social pago entregou acima do esperado no terceiro trimestre, a próxima pergunta do cliente é por quê. Foi o criativo? Um concorrente que ficou em silêncio? Uma mudança no assunto das conversas do público? O Defy Monitor responde a isso rastreando cada conclusão da IA até os posts reais publicados que a embasam, com a estratégia extraída por engenharia reversa do que públicos e concorrentes de fato publicam, e não de pesquisas. Ele funciona ao lado da sua mensuração, não no lugar dela, como parte da plataforma da Defy.
