Um experimento com a marca Dose revela como a atribuição por clique pode subestimar os resultados da publicidade e coloca incrementalidade, experimentação causal, efeito halo e mensuração omnichannel no centro da transformação das Retail Media Networks.
O mercado de Retail Media construiu uma de suas principais vantagens competitivas sobre uma promessa aparentemente simples: conectar a exposição publicitária ao comportamento real de compra. Diferentemente de outros ambientes de mídia, os varejistas passaram a oferecer às marcas a possibilidade de utilizar dados transacionais, identificar consumidores, ativar audiências e mensurar vendas dentro de seus próprios ecossistemas.
Essa capacidade transformou o Retail Media em uma das principais plataformas de investimento publicitário do mundo. Entretanto, à medida que o setor amadurece, uma contradição metodológica se torna cada vez mais evidente: conseguir identificar uma venda depois da exposição a um anúncio não significa demonstrar que aquela venda foi causada pela publicidade.
Durante anos, boa parte da indústria tratou atribuição como sinônimo de efetividade, consolidando o ROAS como uma das principais métricas de desempenho das campanhas. A facilidade de relacionar investimentos publicitários com receitas atribuídas criou uma percepção de precisão que nem sempre corresponde ao impacto econômico real da mídia.
Agora, um experimento envolvendo publicidade no ChatGPT e a marca Dose traz novos elementos para essa discussão.
O caso não representa apenas mais uma demonstração de desempenho publicitário em inteligência artificial. Ele oferece uma oportunidade para questionar os fundamentos da mensuração contemporânea e compreender por que o futuro do Retail Media dependerá menos da capacidade de atribuir conversões e mais da capacidade de comprovar crescimento incremental.
A questão central deixa de ser quanto uma campanha vendeu segundo determinado modelo de atribuição e passa a ser muito mais exigente: quanto o negócio teria vendido se aquela campanha não tivesse existido?
O caso Dose: quando a atribuição por clique não consegue enxergar toda a demanda criada
Em 6 de outubro de 2026, a WorkMagic divulgou um estudo de caso sobre a utilização de ChatGPT Ads pela Dose, marca norte-americana de suplementos líquidos que comercializa seus produtos por meio de seu e-commerce próprio, operado no Shopify, da Amazon e de varejistas selecionados.
A empresa enfrentava um desafio conhecido pelas marcas que investem em Retail Media: identificar quanto um novo canal publicitário realmente contribuía para a aquisição de consumidores e, principalmente, determinar se o investimento estava gerando vendas adicionais ou apenas recebendo crédito por compras que poderiam acontecer independentemente da campanha.
A Dose já havia iniciado sua presença publicitária no ChatGPT, mas os indicadores tradicionais de atribuição não ofereciam uma resposta suficientemente robusta para orientar decisões de expansão de orçamento. A marca precisava compreender o impacto da publicidade sobre seu custo de aquisição de clientes, considerando que parte dos consumidores poderia interagir com o anúncio em um ambiente e finalizar a compra em outro.
Para responder a essa questão, a WorkMagic implementou um experimento de incrementalidade geográfica, conhecido como geo-lift, utilizando uma metodologia de suspensão controlada de mídia denominada Pause-to-Measure.
O estudo apresentou três resultados centrais.
Fonte: estudo de caso publicado pela WorkMagic em 6 de outubro de 2026.
O primeiro resultado indica que o experimento identificou um volume de pedidos incrementais no canal direto 2,3 vezes superior ao registrado pela atribuição baseada em cliques. O segundo revela que 67% dos pedidos incrementais vieram de novos clientes, indicando contribuição para aquisição, e não apenas para recorrência. O terceiro aponta um efeito positivo sobre vendas realizadas na Amazon, mesmo quando a ativação publicitária acontecia no ChatGPT.
É importante interpretar esses indicadores com precisão. O multiplicador de 2,3 vezes não significa que o ChatGPT Ads gerou um ROAS 2,3 vezes maior, nem que toda campanha em inteligência artificial apresentará esse comportamento. Trata-se de uma comparação específica entre dois métodos de mensuração, aplicada a uma marca, um período e um desenho experimental determinados.
Da mesma forma, os 67% representam a participação de novos consumidores nos pedidos incrementais identificados pelo estudo, e não uma taxa universal de aquisição. Já o efeito halo de 34,5% precisa ser interpretado conforme a definição utilizada pela WorkMagic, sem confundi-lo automaticamente com participação na receita total ou crescimento de faturamento da Amazon.
A OpenAI, ao divulgar sua nova arquitetura de mensuração em 5 de outubro, também destacou o experimento com a Dose e informou que o parceiro encontrou um resultado de lift estatisticamente significativo. A divulgação pública, entretanto, não fornece todos os parâmetros necessários para uma auditoria independente completa do experimento.
Ainda assim, o caso apresenta uma conclusão relevante: uma plataforma pode gerar impacto econômico superior àquele capturado por seus próprios mecanismos de atribuição. Essa descoberta muda a natureza da discussão sobre efetividade publicitária.
Como funcionou o experimento: o geo-lift como instrumento de mensuração causal
A principal contribuição técnica do estudo não está apenas nos resultados, mas na escolha metodológica utilizada para produzi-los. Em vez de depender exclusivamente de identificadores individuais, cookies, cliques ou correspondência entre usuários expostos e compradores, a WorkMagic utilizou um experimento geográfico para estimar o impacto incremental do ChatGPT Ads.
O processo começou pela seleção de regiões de mercado nos Estados Unidos, conhecidas como Designated Market Areas (DMAs). A partir de técnicas de machine learning, essas regiões foram comparadas considerando características como sazonalidade e tendências históricas de desempenho comercial.
Uma parcela dos mercados foi designada como grupo de controle, onde a publicidade no ChatGPT foi suspensa. Nos demais mercados, as campanhas permaneceram ativas, formando o grupo de tratamento.
A lógica é relativamente simples, embora sua execução estatística seja complexa: se regiões comparáveis apresentam trajetórias de vendas semelhantes antes do experimento e passam a apresentar diferenças sistemáticas depois da intervenção publicitária, essa diferença pode fornecer evidência do impacto causal da mídia.
DESENHO EXPERIMENTAL — GEO-HOLDOUT
O elemento fundamental dessa metodologia é a construção do contrafactual, ou seja, a estimativa do que teria acontecido na ausência da publicidade. Em termos conceituais: \[ \text{Vendas incrementais} = \text{Vendas observadas} – \text{Vendas contrafactuais} \]
As vendas observadas são registradas nos sistemas transacionais. As vendas contrafactuais, por sua vez, precisam ser estimadas a partir de um desenho experimental válido.
Essa distinção é fundamental porque a mensuração causal não depende apenas de observar correlações entre investimento e vendas. Ela exige demonstrar que a diferença de desempenho pode ser razoavelmente atribuída à intervenção publicitária.
Em uma implementação rigorosa, o experimento deve considerar a comparabilidade entre mercados, a estabilidade das tendências anteriores ao teste, a presença de outras campanhas, a possibilidade de consumidores comprarem fora da região de exposição, os efeitos de sazonalidade e o risco de contaminação entre grupos. Também é necessário avaliar potência estatística, intervalos de confiança, duração do experimento e sensibilidade dos resultados às premissas adotadas.
No caso da Dose, a WorkMagic informa que utilizou pareamento de mercados por machine learning e avaliou simultaneamente as vendas no Shopify e na Amazon. A documentação pública não detalha integralmente todos os testes de robustez realizados, o que limita a possibilidade de reprodução independente.
Isso não elimina a relevância do estudo, mas reforça uma exigência que deveria se tornar padrão em Retail Media: resultados de incrementalidade precisam ser acompanhados de transparência metodológica, e não apenas de indicadores comerciais positivos.
O limite estrutural da atribuição: quando ROAS não significa crescimento
Para compreender a importância do caso, é necessário diferenciar três conceitos frequentemente tratados como equivalentes no mercado: conversão observada, conversão atribuída e conversão incremental.
Uma conversão observada é uma compra efetivamente registrada. Uma conversão atribuída é aquela que um modelo associa a determinado contato publicitário, utilizando regras de crédito, janelas temporais ou algoritmos. Uma conversão incremental representa o resultado adicional estimado em relação ao cenário no qual a intervenção publicitária não ocorreu.
Esses conceitos podem apresentar resultados bastante diferentes.
Imagine uma marca que investe R$ 100 mil em campanhas de Retail Media e registra R$ 800 mil em vendas atribuídas. Seu ROAS convencional seria de 8 vezes, resultado aparentemente expressivo.
Entretanto, se um experimento demonstrar que apenas R$ 200 mil dessas vendas representam receita adicional causada pela campanha, o iROAS será de 2 vezes.
EXEMPLO HIPOTÉTICO — MESMO INVESTIMENTO, DUAS LEITURAS
O ROAS mede receita creditada à campanha. O iROAS mede receita adicional estimada por unidade de investimento.
A diferença não significa necessariamente que o modelo de atribuição esteja tecnicamente incorreto. Ele pode estar cumprindo exatamente sua função de distribuir crédito entre pontos de contato. O problema surge quando esse crédito é interpretado como evidência de causalidade.
Uma campanha pode receber atribuição por vendas de consumidores que já pretendiam comprar, de clientes altamente recorrentes, de usuários que buscaram ativamente a marca ou de compradores influenciados por outras iniciativas de marketing.
Por outro lado, como o caso Dose demonstra, a atribuição também pode subestimar o impacto da publicidade quando a descoberta acontece em um canal e a compra é concluída em outro, sem uma conexão identificável entre os eventos. Portanto, o viés não ocorre necessariamente em uma única direção.
A atribuição pode superestimar ou subestimar o impacto econômico de uma campanha. Somente uma metodologia causal adequadamente desenhada permite investigar a diferença. Esse entendimento deveria alterar profundamente a forma como as RMNs apresentam resultados às marcas.
O efeito halo: a venda que acontece fora do ambiente publicitário
Um dos aspectos mais interessantes do experimento é a identificação de impacto incremental sobre pedidos realizados na Amazon.
A Dose não comercializa seus produtos exclusivamente em um canal. Como diversas marcas de bens de consumo, mantém uma estrutura comercial distribuída entre e-commerce próprio, marketplace e varejistas. Essa característica cria um problema de mensuração recorrente: o consumidor pode ser impactado em uma plataforma, mas escolher outro ambiente para concluir a compra.
Considere uma jornada hipotética: um consumidor está pesquisando soluções para determinada necessidade de saúde e bem-estar, encontra uma publicidade da Dose no ChatGPT, conhece o produto, avalia seus diferenciais e decide pesquisar preços e condições de entrega na Amazon.
Se concluir a compra no marketplace sem clicar diretamente no anúncio original, o mecanismo convencional de atribuição do ChatGPT poderá não reconhecer aquela conversão.
Entretanto, se o experimento geográfico demonstrar que os mercados com publicidade ativa registraram vendas adicionais na Amazon em relação ao contrafactual, haverá evidência de contribuição incremental da campanha para aquele canal. É exatamente essa lógica que torna o conceito de efeito halo tão importante para o Retail Media.
O halo pode se manifestar em diferentes dimensões: uma campanha de determinado produto pode aumentar as vendas de outros itens da mesma marca; uma ativação digital pode influenciar compras realizadas em lojas físicas; uma exposição em um marketplace pode estimular conversões em outro varejista; e uma ação de construção de marca pode produzir resultados comerciais que aparecem semanas depois, fora da janela tradicional de atribuição.
A principal consequência é que o ambiente responsável por gerar demanda nem sempre será o mesmo responsável por capturar a transação. Para a indústria, isso cria uma questão estratégica delicada.
Se cada Retail Media Network mensura exclusivamente as vendas realizadas dentro de seu próprio ecossistema, como o anunciante poderá compreender o impacto total de seus investimentos?
A resposta exige uma arquitetura de mensuração capaz de combinar dados transacionais, experimentos causais e mecanismos de observação omnichannel, preservando privacidade e governança.
O efeito halo reportado pela WorkMagic deve ser interpretado dentro das condições do experimento. Ainda assim, ele demonstra por que uma visão restrita à receita atribuída ao canal pode produzir decisões equivocadas de orçamento.
A nova arquitetura do ChatGPT Ads: Pixel, CAPI e parceiros independentes
O estudo da Dose ganha relevância adicional quando analisado em conjunto com o anúncio realizado pela OpenAI em 5 de outubro de 2026.
Na ocasião, a empresa apresentou a expansão de sua infraestrutura de mensuração publicitária, combinando soluções próprias de captura de conversões com integrações externas de atribuição, mensuração avançada e experimentação de incrementalidade.
O movimento envolve diferentes componentes tecnológicos. O primeiro é o Pixel, mecanismo utilizado para registrar eventos de conversão em ambientes digitais. O segundo é a Conversions API, ou CAPI, que permite o envio de eventos diretamente dos servidores dos anunciantes, reduzindo a dependência exclusiva da instrumentação executada nos navegadores.
A documentação da OpenAI prevê o uso conjunto de Pixel e CAPI, incluindo identificadores de eventos para deduplicação e sinais de correspondência permitidos para melhorar a qualidade da mensuração. O sistema também utiliza referências de clique, como o parâmetro oppref, para relacionar interações publicitárias a conversões elegíveis.
Esses recursos são importantes, mas não devem ser confundidos com experimentação causal. Pixel e CAPI melhoram a observabilidade das conversões. Eles não demonstram, isoladamente, quantas compras deixariam de acontecer na ausência da publicidade.É por isso que a arquitetura anunciada pela OpenAI também contempla diferentes parceiros especializados.
Entre as integrações de dados e conversão estão Hightouch, Tealium e LiveRamp. No campo de atribuição e mensuração para web e aplicativos, aparecem empresas como AppsFlyer, Adjust, Northbeam, Triple Whale, Rockerbox, Branch, Singular, Kochava, Airbridge e Tenjin.
Para mensuração avançada e avaliação de resultados de negócio, a OpenAI anunciou parcerias com Fospha, Measured e INCRMNTAL. Já na frente de experimentação geográfica, destacou Haus, Measured e WorkMagic. Essa composição é significativa porque reconhece que diferentes metodologias respondem a perguntas diferentes.
A atribuição oferece informações operacionais sobre jornadas e conversões associadas à mídia. Os experimentos estimam efeitos causais sob condições controladas. Modelos econométricos podem ajudar a compreender relações entre investimento e desempenho agregado, desde que suas premissas sejam verificadas e, quando possível, calibradas por evidências experimentais.
A OpenAI ainda descreve seu trabalho de incrementalidade como uma iniciativa em estágio inicial. Portanto, seria prematuro afirmar que a plataforma já consolidou um padrão definitivo de mensuração causal.
O sinal estratégico, entretanto, é claro: a mensuração publicitária está evoluindo para uma estrutura metodológica mais diversificada, na qual a avaliação de resultados não depende exclusivamente de um único sistema proprietário de atribuição. Para as RMNs, essa mudança deveria funcionar como um alerta.
Retail Media possui uma vantagem que precisa aprender a utilizar melhor
O varejo possui uma condição estrutural particularmente favorável para desenvolver modelos avançados de mensuração.
Ao contrário de plataformas que dependem predominantemente de sinais digitais, os varejistas podem combinar histórico de compras, identificação de clientes, programas de fidelidade, dados de produtos, informações de categorias, preços, promoções, disponibilidade de estoque e comportamento transacional.
Essa riqueza de informações oferece condições para mensurar não apenas se um consumidor comprou depois de visualizar uma campanha, mas também como a publicidade alterou seu comportamento em relação ao histórico esperado.
Uma RMN tecnicamente madura deveria conseguir investigar se determinada campanha aumentou a penetração de uma marca na categoria, acelerou a frequência de compra, recuperou consumidores inativos, elevou o valor da cesta, promoveu migração competitiva ou conquistou novos compradores. Também deveria avaliar se esses resultados foram realmente incrementais e economicamente sustentáveis.
A diferença é importante porque crescimento de vendas e crescimento de valor não são necessariamente equivalentes.
Uma campanha pode aumentar a receita por meio de descontos agressivos, reduzir margens ou antecipar compras que aconteceriam no período seguinte. Pode também deslocar vendas entre produtos da mesma marca ou entre categorias, sem gerar crescimento líquido para o varejista. Nesse contexto, a incrementalidade precisa ser analisada em diferentes níveis.
No nível da campanha, interessa compreender o efeito direto da publicidade sobre vendas e conversões. No nível da marca, é necessário avaliar aquisição, retenção, participação na categoria e expansão do consumo. No nível do varejista, a análise deve considerar margem, contribuição econômica, efeito sobre outras categorias e crescimento efetivo do negócio.
O conceito de incrementalidade, portanto, precisa ultrapassar a simples diferença entre vendas expostas e não expostas. Ele deve evoluir para uma mensuração do impacto econômico líquido da mídia.
Da atribuição à causalidade: a arquitetura de mensuração que as RMNs deveriam construir
O aprendizado do caso Dose permite propor uma arquitetura de mensuração avançada para Retail Media, organizada em cinco camadas complementares.
Primeira camada: Signal & Identity
A base da arquitetura é formada por dados confiáveis de exposição, interação e transação. Isso envolve integrar eventos de mídia onsite e offsite, dados de e-commerce, aplicativos, CRM, programas de fidelidade, identificadores autorizados, compras em lojas físicas e registros de produtos.
O principal desafio não é apenas acumular dados, mas garantir sua qualidade, consistência temporal, interoperabilidade e utilização em conformidade com a LGPD.
A resolução de identidade pode melhorar a análise de jornadas, mas não deve ser tratada como condição absoluta para toda mensuração causal. Experimentos geográficos e outros desenhos agregados podem estimar efeitos incrementais mesmo quando a identificação individual é incompleta.
Segunda camada: Attribution Intelligence
A segunda camada reúne mecanismos de atribuição que permitem compreender como os diferentes pontos de contato participam das jornadas de compra.
Modelos last-click, first-click, view-through e multi-touch podem oferecer informações úteis para otimização de campanhas, desde que suas limitações sejam reconhecidas.
Nessa etapa, o objetivo não é substituir a atribuição, mas posicioná-la corretamente dentro da arquitetura de mensuração.
Ela responde principalmente à pergunta sobre quais interações receberam crédito segundo determinadas regras ou modelos. Não responde, por si só, à pergunta sobre o que a publicidade efetivamente causou.
Terceira camada: Causal Measurement
Essa é a camada que representa a principal evolução metodológica. Ela combina experimentos randomizados, grupos de controle, testes geográficos, estudos de lift e outras técnicas de inferência causal para estimar o impacto incremental da publicidade.
Quando aplicáveis, testes com randomização individual podem oferecer estimativas particularmente robustas. Entretanto, em operações de Retail Media com múltiplos canais, lojas físicas e restrições de identidade, desenhos geográficos ou por clusters podem ser mais viáveis.
O desafio está em construir experimentos capazes de separar o efeito publicitário de variáveis como preço, promoção, distribuição, estoque, sazonalidade e ações concorrentes. É nessa camada que a RMN começa a demonstrar causalidade, em vez de apenas correlação.
Quarta camada: Incremental Business Impact
A quarta camada traduz os efeitos causais estimados em indicadores de negócio.
Entre os principais KPIs estão:
| KPI | Aplicação técnica |
|---|---|
| Incremental Sales Lift | Variação de vendas causada pela mídia em relação ao contrafactual |
| iROAS | Receita incremental dividida pelo investimento |
| Incremental CAC | Investimento dividido pelos novos clientes incrementais |
| Incremental New-to-Brand | Novos compradores adicionais causados pela campanha |
| Omnichannel Lift | Efeito incremental consolidado entre canais |
| Halo Effect | Impacto indireto sobre outros produtos, canais ou ambientes |
| Incremental Contribution Margin | Margem de contribuição adicional líquida dos custos variáveis relevantes |
| Incremental Profit | Resultado econômico incremental após os custos considerados no modelo |
Esses indicadores permitem avaliar campanhas não apenas por sua capacidade de gerar vendas, mas por sua contribuição efetiva ao crescimento econômico.
O iROAS, por exemplo, deve ser interpretado em conjunto com margens e custos. Uma campanha pode apresentar retorno incremental positivo em receita e ainda assim não gerar lucro suficiente para justificar sua expansão.
Quinta camada: Decision Intelligence
A última camada transforma os resultados de mensuração em decisões de investimento.
Isso envolve conectar evidências experimentais, modelos econométricos, dados de comportamento e restrições comerciais para orientar alocação de orçamento, seleção de audiências, frequência de exposição e estratégias de ativação.
O objetivo é sair de um modelo no qual a mensuração apenas descreve resultados passados para outro em que ela orienta decisões futuras.
Uma RMN avançada deveria ser capaz de responder não apenas qual campanha apresentou maior retorno, mas onde o próximo real investido possui maior probabilidade de gerar crescimento incremental rentável. Essa é a transição da mensuração de performance para a inteligência econômica de mídia.
MMM e experimentação: metodologias complementares, não concorrentes
A discussão também exige compreender o papel do Marketing Mix Modeling, especialmente em um cenário no qual marcas distribuem seus investimentos entre Retail Media, search, social, marketplaces, mídia tradicional e ambientes conversacionais de inteligência artificial.
O MMM utiliza modelos estatísticos para estimar a contribuição de diferentes variáveis de marketing e fatores externos sobre indicadores agregados de negócio.
Sua principal vantagem é permitir análises de longo prazo e avaliar investimentos mesmo quando não existe identificação individual completa entre exposição e conversão. Entretanto, o MMM também possui limitações.
Modelos econométricos podem apresentar dificuldades para separar canais altamente correlacionados, estimar efeitos de campanhas com pouca variação histórica ou identificar causalidade quando variáveis relevantes não foram observadas adequadamente. Por isso, a integração entre MMM e experimentação representa uma evolução importante.
Experimentos de incrementalidade podem fornecer evidências utilizadas para validar ou calibrar estimativas econométricas. O MMM, por sua vez, pode contribuir para compreender a distribuição de resultados entre canais, efeitos de saturação, sazonalidade e retornos marginais.
A atribuição complementa essas metodologias ao oferecer informações mais granulares para decisões operacionais. O modelo mais consistente não é escolher uma metodologia vencedora, mas estabelecer uma arquitetura de triangulação.
TRIANGULAÇÃO DE MENSURAÇÃO
O principal benefício dessa integração é reduzir a dependência de um único modelo e ampliar a capacidade de avaliar resultados sob diferentes perspectivas.
Mas é fundamental reconhecer que triangulação não elimina automaticamente vieses. Se diferentes metodologias utilizarem premissas inadequadas ou dados de baixa qualidade, a convergência entre resultados poderá produzir uma falsa sensação de segurança.
A qualidade da mensuração continuará dependendo de desenho metodológico, validação e transparência.
A inteligência artificial transforma também o objeto da mensuração
O caso ChatGPT Ads apresenta uma particularidade adicional: a publicidade começa a ocupar ambientes nos quais o consumidor não está apenas navegando por conteúdos ou pesquisando palavras-chave, mas desenvolvendo processos de descoberta, comparação e decisão com o apoio de inteligência artificial. Isso amplia a complexidade da mensuração.
Na jornada tradicional, a publicidade costuma ser analisada a partir de impressões, cliques, visitas e conversões. Em ambientes conversacionais, o consumidor pode desenvolver sua consideração por uma marca ao longo de uma interação mais complexa, envolvendo esclarecimento de dúvidas, comparação de atributos e avaliação de alternativas. Entretanto, é necessário distinguir a influência do ambiente conversacional da influência causal da publicidade.
O fato de uma pessoa utilizar o ChatGPT para pesquisar produtos não significa que um anúncio tenha causado sua decisão. Da mesma forma, o impacto da publicidade não deve ser confundido com o efeito das respostas orgânicas da inteligência artificial.
A OpenAI afirma que os anúncios são identificados separadamente e não influenciam as respostas fornecidas pelo ChatGPT. Essa separação precisa ser respeitada tanto na experiência do usuário quanto na interpretação dos resultados de mensuração.
A nova fronteira, portanto, envolve medir como diferentes pontos de contato contribuem para a formação de preferência, intenção e demanda, sem presumir acesso irrestrito às conversas ou utilizar informações pessoais de maneira incompatível com as expectativas de privacidade. Para Retail Media, a implicação é direta.
A mensuração não poderá continuar limitada ao último evento digital antes da compra. Será necessário compreender a contribuição incremental de diferentes ambientes de descoberta e consideração, inclusive quando a conversão ocorrer posteriormente em uma loja física ou em outro ecossistema comercial.
Isso será ainda mais importante com a evolução do comércio agêntico, no qual sistemas de inteligência artificial poderão participar de processos de pesquisa, comparação e execução de compras.
Nesse cenário, a indústria precisará distinguir métricas de exposição publicitária, recomendação, consideração, seleção e transação, desenvolvendo metodologias capazes de avaliar quais intervenções realmente alteraram decisões econômicas.
A nova régua de maturidade das RMNs: da venda de inventário à comprovação de crescimento
O caso Dose também oferece uma referência importante para a discussão sobre maturidade das Retail Media Networks brasileiras.
Durante a primeira fase de desenvolvimento do setor, a principal preocupação das redes foi estruturar inventários publicitários e transformar ativos comerciais em oportunidades de monetização.
Na segunda fase, o avanço ocorreu principalmente na utilização de dados proprietários, segmentação de audiências e integração com plataformas de ativação.
A terceira fase passou a exigir indicadores de desempenho, relatórios de conversão e modelos de atribuição conectados às vendas.
A próxima etapa, entretanto, exigirá algo substancialmente mais complexo: comprovar incrementalidade de forma consistente, comparável e auditável.
Uma RMN não deveria ser considerada avançada apenas porque possui adserver, CDP, DSP, inventário onsite, mídia in-store ou integração com plataformas de compra programática. Esses recursos são importantes para a operação, mas não demonstram, isoladamente, maturidade de mensuração.
A nova régua precisa avaliar a capacidade de construir grupos de controle, executar experimentos, estimar contrafactuais, mensurar efeitos omnichannel, calcular retornos incrementais e disponibilizar resultados com transparência metodológica. Também precisa considerar a independência da mensuração.
Quando a mesma plataforma vende o inventário, executa a campanha, define as regras de atribuição e apresenta os resultados, existe um potencial conflito de interesses que deve ser administrado por governança, documentação e mecanismos de validação.
Isso não significa que a mensuração proprietária seja necessariamente inadequada. Significa que seus resultados precisam ser verificáveis, especialmente quando utilizados para orientar decisões relevantes de investimento. Nesse contexto, a agenda de maturidade e padronização da ABRAMEDIA ganha uma dimensão adicional.
A evolução do setor exige que a avaliação das RMNs considere não apenas infraestrutura tecnológica, inventário e capacidade comercial, mas também a qualidade da evidência produzida sobre os resultados entregues às marcas.
Uma possível evolução dessa agenda envolve estabelecer critérios para avaliar a robustez dos modelos de atribuição, a existência de protocolos experimentais, a transparência dos indicadores incrementais, a qualidade dos dados utilizados e a capacidade de integração com parceiros independentes de mensuração.
O objetivo não deve ser impor uma única metodologia a todas as redes, mas criar condições para que anunciantes possam comparar resultados produzidos por diferentes ecossistemas com maior consistência técnica. Afinal, o mercado não precisa apenas de mais dashboards. Precisa de evidências melhores.
O impacto econômico: incrementalidade deve orientar a distribuição do orçamento
A consequência mais importante dessa transformação aparece na gestão dos investimentos publicitários.
Quando uma marca distribui seu orçamento utilizando exclusivamente ROAS atribuído, existe o risco de favorecer canais que capturam conversões próximas à compra e penalizar ambientes que contribuem para descoberta e aquisição de novos consumidores. Isso pode produzir uma alocação ineficiente de recursos.
Canais com alta participação em conversões de consumidores recorrentes podem apresentar excelente ROAS sem necessariamente gerar crescimento proporcional. Ao mesmo tempo, canais responsáveis por conquistar novos compradores podem parecer menos eficientes quando avaliados apenas por métricas de atribuição imediata.
O caso Dose ilustra esse problema. Ao identificar um volume de pedidos incrementais superior ao registrado pela atribuição por clique e observar efeitos sobre a Amazon, a marca passou a dispor de informações mais abrangentes para avaliar o ChatGPT Ads como canal de aquisição.
Segundo a WorkMagic, esses resultados permitem à Dose continuar refinando estratégias de segmentação e criação, além de considerar a inclusão do canal em futuros processos de otimização de orçamento. Isso não significa que o estudo tenha demonstrado o orçamento ideal ou o limite de escala eficiente da plataforma. Essas decisões exigem análises adicionais de resposta marginal.
A questão é especialmente relevante porque o retorno incremental médio de uma campanha não é necessariamente igual ao retorno incremental do próximo real investido.
À medida que uma audiência é saturada, o custo de conquistar consumidores adicionais pode aumentar, reduzindo a eficiência marginal.
Uma arquitetura avançada de mensuração precisa, portanto, evoluir da identificação do impacto incremental para a estimativa de curvas de resposta, saturação e retorno marginal.
Esse é o ponto em que mensuração e inteligência de decisão passam a funcionar como componentes de uma mesma arquitetura.
Para os anunciantes, a mudança representa uma evolução na governança dos investimentos. Para as RMNs, representa uma oportunidade de construir relações comerciais menos dependentes da venda de impressões e mais orientadas à geração comprovada de valor.
O desafio brasileiro: transformar dados transacionais em evidência causal
O Brasil reúne condições relevantes para avançar nessa agenda, especialmente pela presença de grandes grupos varejistas, redes regionais, operações de atacarejo, farmácias, marketplaces e ecossistemas omnichannel com volumes expressivos de transações. Entretanto, possuir dados de compra não é equivalente a possuir uma infraestrutura de mensuração incremental.
A construção dessa capacidade exige integração entre áreas que historicamente operam de maneira relativamente independente: Retail Media, CRM, Trade Marketing, Comercial, Pricing, Tecnologia, Dados e Inteligência de Negócios.
Uma campanha pode apresentar resultados positivos de vendas enquanto sofre influência de mudanças de preço, ruptura de estoque, expansão de distribuição ou atividades promocionais executadas simultaneamente.
Sem integração entre essas informações, os modelos podem atribuir à mídia efeitos que pertencem a outras variáveis comerciais. O desafio é ainda maior no ambiente físico.
A mensuração de In-Store Retail Media precisa considerar não apenas oportunidades de exposição, mas também presença real, atenção, circulação, comportamento de compra e resultados transacionais.
Métricas como OTS (Opportunity to See) e indicadores de atenção podem contribuir para compreender a entrega e a qualidade da exposição. Entretanto, não substituem experimentos ou outras metodologias capazes de estimar causalmente o impacto da publicidade sobre vendas e comportamento.
Da mesma forma, a integração entre exposição digital e compras físicas pode ampliar a observabilidade da jornada, mas não transforma automaticamente atribuição em incrementalidade. O avanço brasileiro dependerá de uma mudança de mentalidade.
As RMNs precisarão deixar de tratar mensuração como uma funcionalidade de reporting e passar a considerá-la uma capacidade estratégica de inteligência econômica. Isso envolve investimentos em infraestrutura de dados, metodologias experimentais, profissionais especializados, protocolos de governança e integração com parceiros tecnológicos.
Também exige que as marcas evoluam seus próprios critérios de avaliação. Se os anunciantes continuarem exigindo apenas ROAS, impressões e vendas atribuídas, as redes terão poucos incentivos comerciais para desenvolver modelos mais sofisticados. A transformação, portanto, depende de uma evolução conjunta entre oferta e demanda.
O que o caso Dose realmente ensina ao mercado
A principal contribuição do experimento não é demonstrar que ChatGPT Ads possui desempenho superior ao de outras plataformas. O estudo não apresenta uma comparação experimental abrangente entre canais que permita sustentar essa conclusão.
Seu valor está em evidenciar como diferentes metodologias podem produzir leituras substancialmente distintas sobre a contribuição econômica de um mesmo investimento.
O estudo também demonstra a importância de avaliar aquisição de novos consumidores e efeitos sobre canais que não participaram diretamente da veiculação publicitária.
Esses aprendizados são especialmente relevantes para Retail Media porque questionam uma premissa que sustentou parte de sua expansão: a ideia de que conectar mídia e transação seria suficiente para comprovar efetividade. Essa conexão continua sendo uma vantagem competitiva importante, mas representa apenas o início da jornada de mensuração.
A verdadeira sofisticação começa quando a indústria consegue estimar o que teria acontecido sem a publicidade, distinguir crescimento incremental de vendas atribuídas e transformar essas evidências em decisões de investimento. Isso exigirá combinar observabilidade transacional, inferência causal, modelos econométricos e inteligência de decisão.
Exigirá também abandonar a ideia de que um único indicador pode representar toda a contribuição de uma campanha. O ROAS continuará relevante. A atribuição continuará necessária. Os dados proprietários continuarão sendo ativos estratégicos, mas nenhum desses elementos, isoladamente, será suficiente para comprovar crescimento incremental.
O futuro pertence a quem consegue comprovar o crescimento que a mídia realmente criou
O caso ChatGPT Ads com a Dose deveria provocar uma reflexão profunda entre varejistas, anunciantes, agências e empresas de tecnologia que participam do ecossistema de Retail Media.
Durante anos, a indústria investiu na capacidade de conectar anúncios a vendas, desenvolvendo plataformas, integrações e dashboards cada vez mais sofisticados para demonstrar resultados comerciais. Entretanto, a sofisticação da infraestrutura não elimina uma questão fundamental: uma venda atribuída não é necessariamente uma venda incremental.
O experimento conduzido pela WorkMagic mostra que a atribuição também pode deixar de reconhecer parte da demanda criada pela publicidade, especialmente quando o consumidor percorre diferentes ambientes antes de concluir sua compra. Essa constatação amplia a responsabilidade das plataformas de mídia.
Não basta demonstrar que uma campanha participou de determinada jornada. É necessário desenvolver metodologias capazes de avaliar se sua presença alterou o resultado econômico.
Para Retail Media, a mudança é ainda mais significativa porque o setor possui acesso privilegiado a informações transacionais e comerciais que podem contribuir para modelos avançados de mensuração. O desafio agora é transformar essa vantagem de dados em vantagem metodológica.
A próxima geração de RMNs não será definida apenas pela quantidade de inventário disponível, pela sofisticação de seus algoritmos ou pela abrangência de suas audiências.
Será definida também pela capacidade de comprovar, com rigor estatístico, transparência e independência, o impacto econômico real de seus investimentos publicitários.
O futuro da mensuração em Retail Media não pertence à rede que consegue atribuir mais vendas às suas campanhas, mas àquela que consegue demonstrar quais vendas não teriam acontecido sem a publicidade. E essa diferença representa muito mais do que uma evolução de KPIs.
Representa a passagem de uma indústria que comercializa exposição e atribui resultados para outra que precisa demonstrar, com evidências causais, sua contribuição para o crescimento dos negócios.
Fontes e referências técnicas
- WorkMagic — The Secret Behind ChatGPT Ads: Dose Case Study. Estudo publicado em 6 de outubro de 2026.
- OpenAI — Building Advertising for the Way People Use AI. Anúncio publicado em 5 de outubro de 2026.
- OpenAI Ads — More Ways to Measure ChatGPT Ads. Detalhamento de parceiros e metodologias.
- OpenAI — Conversion Measurement. Documentação sobre eventos, atribuição e qualidade dos sinais.
- OpenAI Developers — Conversions API. Referência técnica de integração server-to-server.
Nota metodológica editorial: os resultados numéricos da Dose são apresentados conforme divulgação da WorkMagic. As recomendações para arquitetura de mensuração, integração de MMM, governança e maturidade das RMNs constituem análise técnica e proposição editorial, não funcionalidades necessariamente implementadas ou comprovadas no experimento original.
