1. A curva de saturação mostra, canal por canal, onde o investimento ainda gera retorno incremental e onde ele começa a perder força.
2. Um canal pode aparecer como saturado simplesmente porque o modelo não teve dados suficientes para estimá-lo, não porque o canal de fato esgotou seu potencial.
3. A curva informa, mas não decide: ela não considera objetivos de volume, movimentos da concorrência ou metas de mercado.

A curva de saturação é um dos outputs mais estratégicos do Marketing Mix Modeling. Ela mostra, canal por canal, como o retorno se comporta à medida que o investimento cresce: no início, cada real a mais encontra espaço para gerar resultado. Com o tempo, esse espaço diminui. Entender como lê-la é o ponto de partida para qualquer decisão racional de alocação de orçamento.

O comportamento do investimento ao longo da curva

De forma simplificada, o retorno de um canal passa por três estágios:

• Fase inicial: a mídia começa a responder, mas o ritmo de crescimento ainda é lento em relação ao que está sendo investido.
• Fase eficiente: o canal entra em um intervalo mais produtivo, onde cada real adicional ainda encontra espaço para gerar resultado.
• Fase de retornos decrescentes: o canal continua funcionando, mas cada real adicional vale menos do que o anterior.

O investimento cresce em linha reta, mas o retorno não cresce da mesma forma. Essa diferença de comportamento varia bastante entre tipos de mídia. Canais que capturam demanda existente, como search, tendem a responder rápido e a esgotar o público disponível com mais velocidade. Canais que criam demanda, como TV, display e OOH, constroem resultado de forma mais acumulada e têm resposta mais longa. 

A curva traduz essas diferenças em uma linguagem comum, que permite comparar canais que operam em lógicas completamente distintas.

‍

‍

Como o modelo estima a curva

O MMM não apenas sinaliza que um canal pode estar saturando. Ele busca estimar, para cada mídia, como a contribuição cresce em cada nível de investimento, apontando onde ainda há espaço para escalar e onde o retorno começa a diminuir.

Uma das equações mais usadas para modelar esse comportamento é a função de Hill. Ela estima, a partir do histórico de investimento e resultado de cada canal, qual é o ritmo de crescimento do retorno e em que patamar de gasto ele começa a desacelerar. O resultado é uma curva calibrada para aquele canal, naquele contexto — não uma propriedade universal da mídia.

Dois anunciantes no mesmo canal podem ter curvas completamente diferentes. O que muda não é o canal, mas o histórico de investimento, o contexto competitivo e o momento de mercado de cada um. A curva é sempre uma estimativa sobre aquele contexto específico.

Quando “saturado" é um limite do modelo, não do canal

Esse é o ponto que mais gera diagnósticos errados, e vale dedicar atenção a ele. O modelo aprende observando como o resultado muda quando o gasto muda. Sem variação no histórico de investimento, não há sinal para o algoritmo processar, e sem sinal, não é possível estimar o comportamento daquele canal com precisão. 

O resultado prático é que o canal pode ser classificado como saturado simplesmente porque os dados não foram informativos o suficiente. Históricos curtos, gastos muito constantes ou concentrados em janelas estreitas produzem esse efeito. A solução passa por aumentar a variabilidade do histórico de investimento e rodar o modelo novamente. 

Em casos onde o dado disponível é insuficiente, o canal pode ser temporariamente agrupado com outros de perfil similar ou excluído até que haja volume adequado para uma estimativa confiável.

Três fatores que distorcem a curva

1. O primeiro é a correlação entre canais. Se TV, digital e trade marketing sempre sobem e descem ao mesmo tempo, o modelo enxerga o resultado agregado mas não consegue separar o que cada um gerou. Os coeficientes acabam distribuídos de forma imprecisa entre os canais correlacionados, e um deles pode parecer saturado simplesmente porque não havia sinal suficiente para estimar sua contribuição de forma isolada.
   ‍
2. O segundo é a fadiga criativa. Uma marca que mantém o mesmo conjunto de peças por meses sem renovação pode ver a curva se achatar antes do esperado, não por esgotamento de público, mas por deterioração do criativo. O modelo captura o efeito, mas não explica a causa. Identificar se o achatamento reflete saturação real ou peça desgastada é uma leitura que precisa vir do analista.
   ‍
3. O terceiro é a ordem em que saturação e Adstock são aplicados no modelo. O Adstock parte do princípio de que o efeito de uma campanha não some de uma semana para a outra, carregando parte do impacto nas semanas seguintes. Se a saturação for calculada antes do Adstock, o modelo avalia cada semana pelo valor bruto de investimento. Se for depois, avalia a exposição já acumulada, que é maior por incorporar o eco das semanas anteriores. Isso pode deslocar o diagnóstico de saturação. 

O que fazer com essa informação

• A curva indica onde o investimento ainda responde e onde ele atingiu seu limite naquele contexto, mas ela não faz escolhas estratégicas.
  
  
• Ela não diz se o objetivo é maximizar eficiência ou volume, não considera o que a concorrência está fazendo e não leva em conta metas de participação de mercado. Em estratégias de penetração, por exemplo, pode fazer sentido operar intencionalmente acima do intervalo de eficiência se os concorrentes estão fazendo o mesmo. Saturar a mídia pode ser uma decisão estratégica.
  
  
• O MMM oferece clareza sobre o estado atual de cada canal e a capacidade de simular cenários antes de mover orçamento. A curva de saturação é um dos outputs mais úteis para esse exercício.