O que é marketing mix modeling bayesiano?
O marketing mix modeling bayesiano é uma forma de criar um marketing mix model com estatística bayesiana. Como qualquer MMM, estima quanto cada canal e cada fator externo contribuíram para as vendas. A diferença está em como trata o que a equipe já sabe e em como apresenta a incerteza.
Um modelo bayesiano começa com priors, que são expectativas razoáveis sobre cada efeito, como “o impacto da TV dura várias semanas” ou o resultado de um teste de lift recente. Em seguida, atualiza essas expectativas com os dados observados e retorna uma distribuição: uma faixa de valores prováveis para cada canal, e não um único ponto.
Como funciona o MMM bayesiano?
- Definir os priors. Registrar o que se sabe ou o que é razoável, como faixas plausíveis para o efeito de cada canal e para a sua duração.
- Ajustar aos dados. Combinar os priors com o histórico de investimento, vendas e fatores externos.
- Ler a distribuição a posteriori. Obter uma faixa de efeitos prováveis para cada canal, com os valores mais prováveis e a incerteza em torno deles.
- Planejar com faixas. Usar as faixas para comparar opções de orçamento e entender o grau de confiança em cada uma.
Qual é um exemplo de MMM bayesiano?
Usar um teste de lift como prior
Uma marca tem apenas 18 meses de dados de um canal mais recente, por isso um modelo padrão gera uma estimativa instável do seu efeito.
A equipe fez um teste de geo-lift nesse canal no último trimestre. Um modelo bayesiano usa o resultado do teste como prior, o que estabiliza a estimativa, e apresenta uma faixa de retornos prováveis para que os planejadores vejam o grau real de certeza do número.
MMM bayesiano vs. MMM tradicional
| MMM tradicional (frequentista) | MMM bayesiano | |
|---|---|---|
| Ponto de partida | Apenas os dados | Priors mais os dados |
| Resultado | Uma estimativa pontual por canal | Uma faixa de valores prováveis por canal |
| Uso de resultados de testes | Geralmente informal | Incorporados como priors |
| Com poucos dados | As estimativas podem ser instáveis | Os priors podem estabilizar as estimativas |
| Principal risco | Números únicos com excesso de confiança | Priors que direcionam demais os resultados |
Por que o MMM bayesiano é importante?
As equipes tomam decisões de orçamento em meio à incerteza. Um modelo que mostra uma faixa e consegue incorporar o que a equipe aprendeu com experimentos deixa essa incerteza explícita, em vez de escondê-la em um único número.
- Incerteza transparente. A liderança vê o grau de confiança do modelo, e não apenas o que ele estima.
- Aprendizado cumulativo. Os resultados dos experimentos alimentam o próximo modelo.
- Exige governança. Priors são suposições. Documente e revise os priors como qualquer outra definição, ou eles podem direcionar a resposta sem que ninguém perceba.
Como Alli faz isso?
O Scenario Planner do Alli by PMG combina a modelagem de resposta de mídia com sinais do Alli Brand Equity. Uma estimativa em duas etapas separa o efeito direto do marketing do valor acumulado da marca, e uma arquitetura em camadas mantém a estimativa de resposta de mídia separada da otimização de orçamento, para reduzir a instabilidade comum nos modelos tradicionais.
As previsões são estimativas de modelo, e não garantias. As equipes veem as suposições por trás de cada cenário, para que a área financeira possa revisá-las.
Explorar Alli Scenario PlannerPerguntas frequentes sobre marketing mix modeling bayesiano
O que é um prior no MMM bayesiano?
Um prior é a suposição inicial do modelo sobre um efeito antes de ver os dados, como uma faixa plausível para o retorno de um canal ou para a duração do seu impacto.
O MMM bayesiano é melhor do que o MMM tradicional?
Não necessariamente. Trata a incerteza e o conhecimento prévio de forma mais explícita, o que ajuda quando há poucos dados, mas os resultados dependem de priors bem escolhidos e de dados de qualidade.
O MMM bayesiano pode usar resultados de experimentos?
Sim. Resultados de testes de lift ou de testes geográficos podem ser usados como priors, o que conecta o modelo a evidências causais.
Como é o resultado de um MMM bayesiano?
Para cada canal, apresenta uma distribuição de efeitos prováveis, geralmente resumida como um valor mais provável e uma faixa, como um intervalo de credibilidade.
Última atualização: Voltar ao glossário