Marketing mix modeling B2B voltou ao topo do orçamento do CMO mid-market porque multi-touch attribution caiu de 90% para 30-60% de cobertura em 2026. Plataformas de mídia hoje enxergam entre 50% e 70% das conversões reais de uma campanha, segundo a Leadgen Economy (2026). O CMO que decide budget só com painel de mídia paga aloca capital em canal errado. Este artigo mostra o framework, o custo em mid-market brasileiro e o roteiro de 90 dias para sair de MTA para MMM sem quebrar a operação.
Por que MMM voltou em 2026?
MMM voltou porque MTA quebrou. Em outubro de 2025, o Google aposentou a maior parte dos componentes do Privacy Sandbox, incluindo Topics e a peça de atribuição. Safari e Firefox já bloqueavam cookies de terceiros há anos. O resultado é direto: a cobertura de multi-touch attribution, que ficava acima de 90% em um mundo logado e cross-device determinístico, hoje fica entre 30% e 60% (Leadgen Economy, 2026).
Três forças empurram o CMO para MMM ao mesmo tempo. A primeira, fim do rastreio individual padrão. A segunda, o orçamento de mídia paga em B2B passou de US$50 mil/mês para faixas onde a margem de erro de MTA custa milhões. Pesquisa da Cassandra (2026) mostra que cinco forças convergiram para tornar MMM essencial, não opcional, para qualquer time com mais de US$50 mil/mês em mídia. A terceira, MMM ficou barato e rápido: o que era projeto de seis dígitos em consultoria até 2022 hoje roda em um MacBook com Meta Robyn, Google Meridian ou Recast, segundo análise da Practical Ecommerce (2026) sobre o renascimento do MMM.
Em projetos de Marketing Ops que estruturei em mid-market BR, o CMO chega ao MMM por uma cena clássica: o painel do Meta Ads diz que a campanha rendeu R$8 milhões de pipeline atribuído, o painel do Google Ads diz R$5 milhões, o CRM mostra R$6,2 milhões fechados, e o financeiro reporta R$5,9 milhões em receita reconhecida. Soma de plataformas dá R$13 milhões. Receita real dá R$5,9 milhões. Onde está o caminho certo? MMM responde isso usando dado agregado em vez de cookie.
Como MMM funciona em B2B mid-market?
MMM modela o impacto de cada canal usando série temporal agregada. Cria uma equação que relaciona gasto por canal, sazonalidade, ações de concorrente e variáveis macro com a variável dependente (pipeline ou receita). Não precisa de identidade individual. Funciona com dado semanal e captura efeitos de lag e saturação de mídia.
Em B2B mid-market, três ajustes específicos do método são inegociáveis. O primeiro, modelar pipeline e MQL/SQL como variáveis intermediárias além de receita, porque o ciclo de venda passa de 60 dias e o tempo entre clique e fechamento distorce o modelo se você olhar só revenue. O segundo, incluir touchpoints offline (trade shows, webinars, eventos próprios, calls de SDR) com peso de mídia, porque eles dominam decisão em mid-market. O terceiro, modelar carryover de 8 a 12 semanas para conteúdo e 12 semanas pós-evento para feiras, segundo aplicação real reportada pela Marketing Data Science (2026) usando Meridian em B2B SaaS.
MMM: modelo estatístico que estima o impacto de cada canal de marketing no pipeline e na receita, usando dados históricos agregados e séries temporais em vez de rastreio individual por cookie.
O B2B mid-market que aplicou MMM em campanha integrada de conteúdo, paid search, trade shows e webinars, no mesmo case citado pela Marketing Data Science, viu conteúdo gerar carryover de 8 semanas em qualidade de lead, feira gerar lead por 12 semanas pós-evento, e a combinação conteúdo + paid search aumentar conversão em 25%. Esses sinais não aparecem em MTA cookieless por design.
Robyn, Meridian, Recast ou Cassandra: qual escolher?
A escolha do stack depende de três variáveis: tem cientista de dados interno, tem geo-split de mídia, qual o orçamento de mídia mensal. Quatro plataformas dominam mid-market B2B em 2026 e cada uma resolve um cenário diferente.
| Plataforma | Tipo | Quando usar | Custo aproximado |
|---|---|---|---|
| Meta Robyn | Open source (ridge regression) | Time com cientista júnior, ciclo iterativo rápido, sem geo-experimentação disponível | Plataforma grátis, custo no head count |
| Google Meridian | Open source (bayesiano hierárquico) | Mix com vídeo (YouTube, CTV), geo-split de mídia, time com cientista pleno | Plataforma grátis, custo no head count |
| Recast | SaaS gerenciado, bayesiano | CMO que quer refresh semanal e não tem cientista de dados in-house | Enterprise custom + GeoLift testing US$100/mês |
| Cassandra | SaaS sobre Meridian | Mid-market sem time técnico, quer Meridian rodando sem operar a infra | Custom (free tier para experimentação) |
Comparativo da Incubeta (2026) mostra Robyn como a opção mais automatizada, com modelagem fim a fim em menos de um dia mesmo para analista sem fundo em estatística avançada. Meridian, por outro lado, integra explicitamente reach e frequency, especialmente para vídeo e YouTube, medindo quantos usuários únicos foram alcançados e com que frequência.
Em mid-market brasileiro com R$500 mil a R$2,5 milhões de mídia/mês, o desenho que vejo funcionar mais rápido é Robyn como base e Cassandra como plataforma gerenciada se o time não tem cientista pleno. Recast entrega refresh semanal e geo-experimentação, mas o ticket começa em US$5-10 mil/mês, e isso só fecha acima de R$1,5 milhão de mídia/mês.
Quanto custa rodar MMM em mid-market brasileiro?
O custo total de propriedade fica entre R$420 mil e R$1,2 milhão por ano em mid-market BR. Inclui três blocos: plataforma, gente, custódia de dado. Custo de plataforma para Robyn ou Meridian é zero. Cassandra e Recast partem de US$2-5 mil/mês para mid-market. Em câmbio R$5,50, isso fica entre R$130 mil e R$330 mil/ano.
O custo dominante é gente. Um cientista de dados pleno em mid-market BR custa R$22-35 mil/mês CLT (R$280-450 mil/ano carregado) ou R$300-500/hora como PJ. Em mid-market que ainda não tem cientista, contratar 50% de FTE compartilhado entre MMM, growth e BI é o caminho. Cassandra (2026) estima que o custo total de propriedade de uma implementação open-source de Robyn ou Meridian, considerando head count, frequentemente passa de US$150 mil/ano (R$825 mil em câmbio R$5,50).
O terceiro bloco é custódia de dado. Em mid-market BR, junta-se gasto de mídia por canal, evento e webinar (com data e investimento), MQL/SQL por origem em CRM, pipeline e receita semanal, indicadores macro (taxa, FX, indústria), ações de concorrente (relançamento, queda de preço). Esse trabalho consome 3-6 semanas para coleta e preparação, 2-3 semanas para modelagem, 2-3 semanas para validação e 1-2 semanas para onboarding de stakeholders, segundo benchmark de implementação reportado pela Cassandra (2026). Realisticamente, são 8-14 semanas para o primeiro modelo validado.
Em mid-market com R$300-500 mil/mês de mídia, MMM costuma não fechar contra o custo. Acima de R$700 mil/mês de mídia ou R$25 milhões de receita anual, o ROI fecha em 9-12 meses pela realocação de budget de 10-20% para o canal verdadeiramente eficiente. Forrester (2026) traz contexto importante: 83% dos decisores de marketing B2B esperam crescimento de orçamento em 2026, e 40% esperam alta de 5% ou mais. Capital novo entrando em B2B reforça o argumento de MMM como camada de governança de alocação.
Triangulação: MMM, MTA cookieless e geo-incrementality
MMM não substitui MTA. O CMO maduro em 2026 opera os dois mais incrementality test. Cada técnica resolve um problema diferente do funil. MTA cookieless (com server-side tracking e CRM-native touchpoint capture) responde tático diário: qual criativo está performando essa semana. MMM responde estratégico semanal: quanto colocar em cada canal no próximo trimestre. Geo-incrementality test (split de mercado AA/AB) responde causal: a campanha realmente gerou esse pipeline ou seria gerado mesmo sem ela.
Empresas que usam só MTA superestimam digital em 30-60% e subestimam canais offline e brand. Empresas que usam só MMM perdem agilidade tática para ajustar criativo dentro da semana. Empresas que usam só incrementality test acertam causal mas perdem cobertura de portfólio. O framework da Improvado (2026) resume bem: MMM domina alocação de budget estratégico, MTA domina otimização tática diária, e incrementality calibra os dois quando os modelos discordam em mais de 20 pontos percentuais.
Em mid-market BR, eu recomendo o seguinte sequenciamento: começar com MMM (mês 1-3), aplicar incrementality em pelo menos um canal grande para calibrar o MMM (mês 4-6), montar MTA cookieless com dado de CRM e server-side tracking (mês 6-9). Quem inverte a ordem, monta MTA primeiro, fica preso no que MTA enxerga e nunca chega ao MMM.
Roteiro de 90 dias do CMO
O CMO mid-market BR que entra em outubro com proposta de orçamento 2027 chegando rápido tem 90 dias para sair da dependência de MTA. Roteiro em três blocos.
Dias 1-30, fundação. Audita o stack de dados: gasto por canal semanal nos últimos 18-24 meses, MQL/SQL e pipeline por origem, eventos (data e investimento), variáveis macro. Decide a opção open source (Robyn ou Meridian) ou managed (Cassandra ou Recast). Contrata ou aloca 50% de FTE de cientista de dados. Define KPI primário (pipeline qualificado) e KPIs secundários (CAC, retorno por canal). Briefa CFO e CEO sobre o trabalho e o resultado esperado em 4 meses.
Dias 31-60, primeiro modelo. Roda o modelo com os 18-24 meses de dado consolidado. Valida o output contra realidade conhecida: o evento de outubro 2024 apareceu? O quarter ruim de Q3 explicou-se por menos investimento ou por sazonalidade? O canal X realmente saturou? Apresenta o modelo para um stakeholder externo (consultoria, head de growth de outra empresa, advisor) para pressão de validação. Documenta limitações e premissas.
Dias 61-90, primeira realocação. Escolhe 10-15% do orçamento mensal para mover do canal que MMM aponta como saturado para o canal que MMM aponta como subinvestido. Mantém grupo controle (não mexe em 40% do orçamento) para comparar nas próximas 8-12 semanas. Programa geo-incrementality test em pelo menos um canal grande para calibrar o MMM em janeiro/fevereiro. Apresenta para o board uma linha de orçamento 2027 com base na realocação proposta.
5 erros, 5 ações para essa semana
Os erros que vejo com mais frequência em projetos de Marketing Ops com mid-market BR.
- Tratar MMM como substituto de MTA. O CMO maduro opera os dois mais incrementality.
- Rodar MMM sem incluir touchpoints offline (eventos, SDR, webinars). Em B2B mid-market, isso responde por 30-50% do pipeline real.
- Contratar consultoria de seis dígitos antes de provar disciplina com Robyn ou Meridian. Open source resolve a primeira iteração.
- Comparar output do MMM com painel de mídia paga e brigar contra o canal que perdeu peso. O canal perdeu peso porque atribuição estava errada, não porque MMM está errado.
- Pedir orçamento de cientista de dados sem antes documentar custo da decisão errada de canal. CFO aprova orçamento de R$280 mil/ano quando você mostra R$1,2 milhão alocados em canal saturado.
Ações concretas para essa semana, em ordem de execução.
- Exporta 24 meses de gasto por canal semanal e pipeline por origem. Coloca em uma planilha única.
- Compara somatório do painel de mídia paga (Meta + Google + LinkedIn) com receita reconhecida do CRM. Documenta o gap.
- Lê o paper de quick start do Robyn (Meta) e o quick start do Meridian (Google) aplicado a B2B. Decide o stack base.
- Marca 30 min com CFO para alinhar a meta de fechar primeiro modelo em 90 dias e a expectativa de realocação de 10-15% no primeiro ciclo.
- Indica um cientista de dados (interno, PJ ou consultoria) e fecha 4 meses de allocation. Sem dono, o projeto morre.
O insight que carrego para o CMO em 2026: o ganho real de MMM em mid-market BR não vem da precisão do modelo. Vem da disciplina de discutir budget olhando para a equação inteira, não para o painel de cada plataforma. Quem discute alocação semanal usando MMM como referência, com MTA tático e incrementality como prova causal, decide com 80% mais clareza que quem discute só com painel de mídia. O resto é commodity.
Se você está estruturando essa transição, vale combinar a leitura deste artigo com o framework GEO para B2B mid-market 2026, que cobre como aparecer em motores generativos, e com a análise de NRR como métrica de valuation em mid-market B2B, que fecha o argumento de por que budget mal alocado em marketing destrói multiplo de saída.
Perguntas frequentes
Comentários (0)