Meta-análise com 85 modelos e R$ 12 bilhões em mídia traz evidências relevantes sobre eficiência, continuidade e combinação de canais. Mas, para Retail Media, a discussão precisa avançar: de ROAS e contribuição de vendas para incrementalidade, LTV, recompra, frequência, penetração e share de categoria.
Por Ricardo Vieira
O Google acaba de publicar uma das maiores meta-análises públicas de Marketing Mix Modeling já realizadas no Brasil. São 85 modelos de MMM, aproximadamente R$ 12 bilhões em investimentos publicitários e mais de dez setores analisados. O tamanho da amostra merece atenção e os resultados são relevantes: segundo o estudo, 26% das vendas analisadas são atribuídas à contribuição dos investimentos em mídia; dentro dessa parcela, as soluções do Google responderiam por 41% das vendas impulsionadas pela publicidade e apresentariam ROAS 12% superior à mediana do mercado.
Há ainda conclusões importantes sobre combinação de canais, continuidade e automação. O estudo aponta que estratégias combinando construção de marca e conversão alcançaram ROAS de 2,5x e share de contribuição de 22%; marcas presentes em mídia durante mais de 80% das semanas registraram 35% mais contribuição de vendas e 32% mais retorno; e soluções automatizadas apresentaram ROAS 18% superior às formas mais manuais de operação.
Tudo isso é relevante, mas, quando olhamos para essa discussão a partir da evolução de Retail Media, surge uma questão muito mais importante: estamos tentando descobrir qual mídia é mais eficiente ou tentando descobrir quais investimentos realmente modificam o comportamento econômico do shopper?
Essa diferença parece semântica. Não é, ela separa duas gerações de mensuração. E pode separar bilhões de reais bem alocados de bilhões de reais aparentemente eficientes, mas incapazes de produzir crescimento verdadeiramente incremental.
O problema não é o MMM. É onde colocamos a variável dependente
O MMM continua sendo uma das ferramentas mais importantes da arquitetura moderna de mensuração. Em um ambiente no qual cookies desaparecem, jornadas se fragmentam, plataformas se transformam em walled gardens e a identificação individual do consumidor encontra limites tecnológicos e regulatórios, modelos econométricos agregados voltaram ao centro da estratégia de marketing.
O próprio Meridian, framework open source de MMM desenvolvido pelo Google, mostra o quanto essa metodologia evoluiu. Hoje o sistema suporta modelagem bayesiana, variáveis de mídia e não mídia, alcance e frequência, experimentação, otimização orçamentária e tratamento de variáveis como preço e promoção. Portanto, seria intelectualmente incorreto afirmar que o MMM está ultrapassado.
A questão é outra: Qual resultado estamos pedindo para o MMM explicar?
Se colocarmos como variável de resultado apenas receita ou vendas agregadas, o modelo procurará responder quanto determinada mídia contribuiu para aquele resultado. Isso é útil, mas Retail Media possui condições de fazer perguntas muito mais sofisticadas.
Em vez de: Media Spend → Sales → ROI, podemos construir: Media + Shopper + Price + Promotion + Category + Distribution + Inventory + CRM → Incremental Shopper Growth. E é aí que começa uma discussão muito diferente daquela apresentada pela meta-análise do Google.
ROAS maior não significa necessariamente negócio melhor
Esse é talvez o ponto mais importante, imagine duas campanhas. A Campanha A gera ROAS de 8x. A Campanha B gera ROAS de 5x. Qual delas deveria receber mais orçamento? Dentro de uma lógica convencional de eficiência, provavelmente A.
Agora adicionemos dados de shopper: Descobrimos que 85% dos compradores impactados pela Campanha A já compravam aquela marca frequentemente e provavelmente comprariam novamente mesmo sem publicidade. Enquanto isso, a Campanha B trouxe novos compradores para a marca, recuperou consumidores inativos, aumentou frequência de compra e gerou uma segunda compra nas semanas seguintes.
Qual campanha criou mais valor? A resposta já não está no ROAS, essa é exatamente a fronteira que Retail Media precisa enfrentar.
Closed-loop measurement resolveu parte importante do problema ao aproximar exposição publicitária e venda, mas identificar uma venda depois de uma exposição não significa provar que aquela exposição causou a venda. E, principalmente, não significa que aquela venda alterou estruturalmente o comportamento futuro daquele shopper.
A própria evolução do Google reconhece esse problema
Existe aqui uma nuance particularmente interessante. A crítica não pode ser simplificada como se o Google defendesse um MMM puramente correlacional.
A documentação atual do Meridian afirma explicitamente que o objetivo do MMM é estimar efeitos causais de marketing e reconhece que validar causalidade diretamente é difícil sem experimentação. Mais importante: o Meridian passou a incorporar experimentos de incrementalidade na calibração dos modelos.
O Google recomenda utilizar resultados experimentais para calibrar os priors dos canais e descreve testes de incrementalidade como uma das bases mais fortes para essa calibração. Com Meridian GeoX, resultados experimentais podem ser transformados em priors utilizados pelo próprio MMM.
Na versão 2.0, a arquitetura foi ainda mais explicitamente conectada a causalidade: testes geográficos nativos, incorporação de causal lift ao MMM e novos diagnósticos para identificar canais nos quais experimentação adicional pode melhorar a qualidade das estimativas.
Ou seja: a própria evolução tecnológica do Google já está avançando além da leitura simplificada apresentada na meta-análise brasileira.
Por isso, a discussão mais interessante não é contestar os 85 modelos, é perguntar o que ainda poderíamos descobrir se esses modelos fossem alimentados por dados que plataformas tradicionais de mídia normalmente não possuem. E aqui aparece a vantagem estrutural de Retail Media.
O ativo que muda o jogo chama-se sell-out
Google possui sinais extraordinários de intenção. Meta possui sinais extraordinários de interesse e comportamento. Amazon possui sinais de jornada e transação dentro do seu próprio ecossistema, mas uma Retail Media Network construída sobre um grande varejista possui algo particularmente poderoso: histórico real de consumo do shopper.
O que reunimos nesse contexto? CPF, Loyalty, Ticket, SKU, Categoria, Marca, Preço pago, Promoção, Loja, Canal, Frequência, Recência, Cesta, Recompra, Elasticidade, Migração entre marcas, Penetração de categoria. Esses sinais permitem mudar completamente a pergunta feita ao modelo.
Não precisamos perguntar somente: quanto a mídia contribuiu para vendas?
Podemos perguntar: quantos compradores realmente incrementais foram criados?
E depois: o que aconteceu com eles?
O próximo MMM precisa acompanhar o shopper depois da campanha
Aqui está uma das maiores limitações da mensuração convencional. Campanha termina. Janela de atribuição fecha. Relatório é produzido. ROAS é calculado. Case apresentado. Todos seguem para a próxima campanha, mas o shopper continua comprando.
Imagine que uma campanha conquiste 100 mil novos compradores. Depois de 30 dias, 42 mil compram novamente. Depois de 90 dias, 27 mil continuam ativos. Depois de seis meses, determinada parcela migrou parte relevante de seu consumo da concorrência para aquela marca.
Nesse cenário, qual foi o retorno da campanha? A venda inicial? Ou o fluxo futuro de receita criado por aquela aquisição?
Retail Media permite começar a conectar mídia a Customer Lifetime Value.
A discussão deixa de ser apenas: Incremental Revenue / Media Spend e começa a incorporar: Incremental Customer Lifetime Value / Media Spend. Isso altera radicalmente a lógica de otimização. Uma campanha com ROAS inicial inferior pode produzir valor econômico muito maior se adquirir shoppers de alta recorrência.
New-to-brand precisa deixar de ser uma estatística lateral
Outra mudança necessária envolve aquisição. Grande parte dos modelos continua analisando vendas agregadas, mas R$ 1 milhão em vendas provenientes de compradores recorrentes não possui necessariamente o mesmo significado estratégico de R$ 1 milhão gerado pela entrada de milhares de novos compradores na franquia da marca.
Precisamos separar pelo menos: Existing Buyers, New-to-Brand, New-to-Category, Lapsed Buyers Reactivated, Competitive Switchers, Heavy Buyers e Light Buyers. Cada grupo possui comportamento, valor futuro e probabilidade de recompra diferentes.
Quando misturamos tudo em uma única variável chamada “sales”, perdemos justamente aquilo que torna os dados de Retail Media tão valiosos.
E depois do new-to-brand vem a pergunta realmente difícil: houve recompra?
Adquirir um comprador é uma coisa. Criar um comprador recorrente é outra. Se uma campanha gera milhares de compradores experimentais que nunca voltam, talvez tenhamos comprado trial.
Se outra campanha gera menos compradores iniciais, mas uma parcela significativamente maior retorna, aumenta frequência e permanece ativa durante meses, provavelmente construímos valor. Por isso, a mensuração precisa acompanhar cohorts. Expostos versus controle. Novo comprador versus comprador histórico para 30 dias, 60 dias, 90 dias, 180 dias e 12 meses.
A variável de sucesso deixa de ser apenas conversion rate. Passa a incluir: Repeat Rate, Purchase Frequency, Time to Second Purchase, Retention e Incremental LTV.
Share de categoria: talvez uma das métricas mais subestimadas de Retail Media
Agora chegamos a uma variável que muda completamente a conversa com CPGs. Imagine um shopper que gasta R$ 300 por mês em determinada categoria.
Antes da campanha: Marca A: R$ 60 e Concorrentes: R$ 240.
Depois da campanha: Marca A: R$ 105 e Concorrentes: R$ 195.
O valor total da categoria permaneceu praticamente constante, mas a marca conquistou 15 pontos percentuais adicionais de share of wallet daquele shopper. Isso é extremamente relevante. Não estamos mais medindo simplesmente vendas. Estamos medindo mudança de preferência econômica dentro da categoria. E poucas plataformas possuem dados suficientemente determinísticos para observar esse movimento. Uma RMN possui potencialmente essa capacidade.
A pergunta seguinte é ainda maior: a mídia fez a categoria crescer?
Retail Media não deveria interessar apenas à marca, também deveria interessar profundamente ao varejista. Isso significa que precisamos separar duas coisas: Brand Incrementality e Category Incrementality.
Uma campanha pode aumentar vendas da Marca A simplesmente retirando vendas da Marca B. Excelente para A. Talvez neutro para o varejista, mas outra campanha pode aumentar penetração, frequência ou ticket da categoria inteira. Excelente para a marca e excelente para o varejista. Excelente potencialmente para toda a indústria daquela categoria. Essa distinção deveria começar a fazer parte da negociação econômica de Retail Media.
Do ROAS ao iROAS
Essa mudança leva inevitavelmente a outra métrica. ROAS responde: quanto de receita atribuída obtivemos para cada real investido? iROAS procura responder: quanto de receita incremental obtivemos para cada real investido? A diferença é gigantesca.
Um shopper altamente fiel pode produzir um ROAS espetacular porque continuou fazendo aquilo que sempre fez, mas seu iROAS pode ser baixo se a publicidade praticamente não alterou sua probabilidade de compra.
Por outro lado, uma audiência mais difícil de converter pode apresentar ROAS inferior, mas iROAS superior caso a exposição efetivamente altere comportamento. É exatamente por isso que incrementalidade não pode continuar sendo apenas um slide adicional no relatório. Ela precisa entrar no desenho da mensuração.
O próprio Meridian oferece pistas de como essa arquitetura pode avançar
Há outro aspecto importante para evitar uma crítica superficial ao Google. Tecnicamente, o Meridian já permite utilizar KPIs de receita ou KPIs não financeiros definidos pelo usuário. Também admite variáveis não mídia e trata preço e promoção como intervenções que podem ter seu impacto incremental estimado.
Ou seja, a ferramenta não impede que o mercado construa um MMM muito mais sofisticado. O problema passa a ser disponibilidade, governança e granularidade dos dados. E é exatamente aí que Retail Media ganha relevância. O verdadeiro salto não será criar “outro MMM”. Será enriquecer a arquitetura com dados comerciais que transformem o problema econométrico.
O MMM de Retail Media deveria ser um Shopper & Commerce Mix Model
Podemos chamar essa próxima geração de MMM, MMA, Commerce Mix Modeling ou outro nome. O nome importa menos que a arquitetura. O modelo deveria começar a conectar cinco grandes famílias de sinais:
MEDIA: Spend, impressions, reach, frequency, search, social, CTV, onsite, offsite, CRM, in-store e DOOH.
COMMERCE: Preço, promoção, distribuição, disponibilidade, ruptura, sortimento, posição, share de exposição e dinâmica competitiva.
SHOPPER: CPF ou identidade pseudonimizada, frequência, recência, ticket, cesta, categoria, afinidade, elasticidade e histórico transacional.
CAUSALITY: Holdouts, GeoLift, matched markets, propensity matching, synthetic controls, experimentação e priors calibrados.
BUSINESS OUTCOMES: Receita incremental, compradores incrementais, new-to-brand, recompra, retenção, frequência, LTV, share de categoria e crescimento incremental.
A arquitetura deixa então de ser: Media → Sales → ROAS e passa a ser: Media + Commerce + Shopper + Experimentation → Causal Incrementality → Long-Term Customer & Category Value.
Topo de funil continua sendo fundamental, mas também precisa chegar ao caixa
Nada disso reduz a importância de awareness, pelo contrário, um dos achados mais interessantes do estudo do Google é justamente mostrar que construção de marca e performance podem operar de forma complementar. A estratégia classificada como “Brandformance” manteve ROAS equivalente ao foco em conversão e apresentou contribuição superior de vendas.
Isso reforça a necessidade de preservar investimento de topo de funil, mas existe uma oportunidade adicional. Se conseguimos conectar exposição de topo de funil a cohorts de shoppers, podemos começar a observar não apenas brand lift, mas consequências comerciais posteriores: Awareness, Consideration, Trial, Purchase, Repeat, Loyalty e LTV.
A grande oportunidade de Retail Media é justamente conectar essas camadas.
É aqui que entra o Comitê de Mensuração da ABRAMEDIA
O debate que o Comitê de Mensuração da ABRAMEDIA está propondo parte exatamente desse ponto: Retail Media não pode simplesmente importar as métricas históricas da publicidade digital e considerar o problema resolvido.
A iniciativa foi criada para avançar em referências técnicas para on-site, off-site e in-store, buscando ampliar transparência, comparabilidade e efetividade. Entre os problemas que motivaram sua criação estão diferenças entre metodologias de atribuição, falta de padronização, dificuldade de comparação entre RMNs e necessidade de comprovação mais consistente de resultados.
Mais recentemente, a GBA Measurement Academy colocou explicitamente atribuição, incrementalidade, experimentação, causalidade e MMM dentro da mesma agenda de desenvolvimento do mercado.
Isso é fundamental, porque a próxima batalha de Retail Media não será simplesmente conseguir atribuir uma venda. Será conseguir provar que o investimento criou valor que não existiria sem ele.
Uma possível nova régua para Retail Media
O Comitê pode ajudar o mercado a estruturar uma hierarquia de mensuração muito mais ambiciosa.
CAMADA 1 — DELIVERY
Impressions, reach, frequency, viewability, OTS e exposição qualificada.
CAMADA 2 — ENGAGEMENT
CTR, PDP views, search engagement, add-to-cart e interação.
CAMADA 3 — ATTRIBUTION
Attributed sales, conversion rate e ROAS.
CAMADA 4 — INCREMENTALITY
Incremental sales, incremental buyers, incremental conversion e iROAS.
CAMADA 5 — SHOPPER BEHAVIOR
New-to-brand, repeat rate, frequência, recência, retenção e reativação.
CAMADA 6 — CUSTOMER ECONOMICS
Incremental LTV, CAC incremental e payback.
CAMADA 7 — CATEGORY ECONOMICS
Category penetration, share of category, share of wallet, switching e category incrementality.
CAMADA 8 — DECISION INTELLIGENCE
Forecasting, marginal ROI, scenario simulation, budget optimization e decisões autônomas orientadas por IA.
Essa evolução transforma mensuração de Retail Media em algo muito maior do que reporting, transforma mensuração em infraestrutura de decisão.
O problema de otimizar mídia olhando apenas para eficiência
Existe uma consequência econômica dessa discussão que merece atenção dos CMOs, Trade Marketing, e-commerce, Revenue Growth Management e principalmente dos CFOs. Imagine bilhões de reais sendo redistribuídos com base em ROAS.
Agora imagine que parte relevante desse ROAS seja formada por consumidores que comprariam de qualquer maneira. O algoritmo continuará aprendendo e aprenderá justamente a encontrar pessoas com maior probabilidade natural de conversão. O dashboard ficará melhor, o ROAS poderá subir. A campanha parecerá mais eficiente, mas isso não significa necessariamente que o negócio cresceu na mesma proporção.
Esse é um dos maiores riscos da otimização baseada exclusivamente em conversão observada: confundir capacidade de encontrar demanda existente com capacidade de criar demanda incremental. Muito dinheiro pode ser desperdiçado exatamente aí.
O futuro não será MMM X Experimentação
Essa oposição precisa desaparecer, MMM não substitui experimentos, experimentos não substituem MMM, MTA não substitui nenhum dos dois, closed-loop attribution também não. Cada metodologia responde a perguntas diferentes. O futuro provavelmente será uma arquitetura combinada:
MMM/MMA → visão estratégica e alocação macro.
MTA/Attribution → leitura granular das jornadas observáveis.
Experimentation → identificação causal.
Incrementality → validação do crescimento adicional.
Shopper Analytics → compreensão da mudança comportamental.
AI → previsão, simulação e decisão.
E os experimentos retroalimentam o MM, os resultados recalibram os modelos, os modelos orientam novas hipóteses, novos testes validam essas hipóteses. O sistema aprende continuamente. É exatamente nessa direção que a própria arquitetura recente do Meridian está caminhando ao conectar MMM e experimentação.
Retail Media possui uma vantagem que precisa parar de desperdiçar
Talvez esta seja a conclusão mais importante, Retail Media possui algo que praticamente toda a indústria publicitária passou décadas tentando construir: a possibilidade de observar mídia e comportamento transacional dentro de uma mesma arquitetura de dados.
Sabemos quem foi impactado, podemos saber quem comprou, podemos saber se já comprava, podemos saber quando comprou novamente, podemos saber quanto passou a gastar, podemos saber se aumentou sua participação naquela categoria, podemos observar migração entre marcas, podemos calcular retenção, podemos construir cohorts, podemos estimar LTV, podemos criar grupos de controle, podemos medir incrementalidade.
Então por que continuar avaliando Retail Media predominantemente com CPM, CTR, attributed sales e ROAS? Essa talvez seja uma das maiores contradições atuais do setor. Temos dados de 2026 e ainda fazemos parte da mensuração com perguntas herdadas de 2016.
A pergunta que deveria entrar nas próximas reuniões de investimento
A meta-análise publicada pelo Google é valiosa porque demonstra, com uma base expressiva de modelos, que combinação de canais, continuidade e automação podem alterar significativamente a eficiência do investimento em mídia, mas Retail Media permite levar essa discussão vários níveis adiante.
A pergunta do CMO não deveria terminar em: “Qual canal apresentou o maior ROAS?” Deveria continuar: Quanto dessa receita foi realmente incremental?
Quantos compradores não teriam comprado sem a mídia?
Quantos eram new-to-brand?
Quantos compraram novamente?
Qual foi o LTV incremental desses shoppers?
Quanto de share de categoria a marca conquistou?
A campanha deslocou concorrentes ou fez a categoria crescer?
Qual foi o iROAS?
E qual será o efeito marginal do próximo real investido?
Quando conseguirmos responder essas perguntas de forma consistente, comparável e causal, Retail Media deixará definitivamente de vender apenas inventário e atribuição. Passará a vender algo muito mais valioso: crescimento incremental comprovado.
E talvez seja justamente essa a discussão mais importante para o Comitê de Mensuração da ABRAMEDIA, porque o próximo salto da mensuração não será provar que mídia e vendas caminharam juntas. Será provar que “o shopper mudou de comportamento porque a mídia existiu e calcular quanto essa mudança vale para a marca, para a categoria e para o varejista”. Esse é o ponteiro que precisamos mover.
