• O lusco-fusco do seu dashboard faz parecer que os padrões que aparecem na tela são reais. Mas já parou pra pensar que essas ondas podem ser só sombras? Desde 380 a.C. o mito da caverna vem alertando para esse erro.

Equipes de marketing operam com dashboards que mostram algo reconhecível. Quando o investimento em mídia sobe, as vendas tendem a subir junto. Quando uma promoção é ativada, o volume cresce. Quando um canal é cortado, os resultados pioram.

‍

Esses padrões parecem evidência suficiente para decisões de alocação, e por isso são usados como tal. O problema é que a maioria descreve associação, não causalidade, e a distância entre as duas coisas tem custo direto sobre orçamentos de publicidade.

‍

Interpretar evidência como causa é um erro antigo. Platão já falava disso 2.400 anos antes de existir dados de mídia. Na alegoria da caverna (ou mito da caverna, como também é chamada), prisioneiros acorrentados interpretam sombras projetadas na parede como a realidade. As formas eram reais, produzidas por objetos que existiam de fato, com contornos reconhecíveis, que respondiam a estímulos. Mas elas não indicavam o que as gerava.

Enxergar o padrão não é o mesmo que entender o mecanismo

A alegoria apareceu pela primeira vez n'A República, obra em que Platão usa Sócrates como porta-voz de suas ideias. No diálogo com Glauco, Sócrates conclui:

‍

"Dessa forma, tais homens não atribuirão realidade senão às sombras dos objetos fabricados."

‍

Os dados de marketing podem funcionar assim: são sinais reais, produzidos por causas reais, mas capturam apenas o reflexo do mecanismo, não o mecanismo em si.

‍

Nas análises que chegam aos C-Levels, os dados históricos funcionam da mesma forma: são observáveis e parecem coerentes, mas enganam com frequência.

O que confunde a leitura antes de o modelo ser estimado

O maior inimigo de uma análise causal não é a falta de dados, mas o que os dados escondem. O viés de confusão aparece quando uma terceira variável afeta simultaneamente aquilo que tratamos como causa e aquilo que medimos como efeito.

‍

No marketing, esse viés aparece com recorrência:

• Investimento sobe quando a demanda já está alta — datas sazonais e lançamentos aumentam vendas e mídia ao mesmo tempo, criando correlação artificial.
• Sazonalidade mal modelada gera atribuição errada — o modelo credita ao canal um efeito que vem, na verdade, do calendário.
• Promoções acontecem em momentos de pressão — isso embaralha a leitura do impacto real da ação.
• Distribuição limita o resultado, não a mídia — se o produto não está disponível, nem o melhor investimento resolve.
• Fatores externos distorcem a análise — macroeconomia, concorrência e tendências de categoria agem como ruído de fundo em qualquer correlação observada.

Na prática, isso significa: um modelo pode acertar muito bem o que vai acontecer amanhã e ainda assim errar feio na hora de dizer por que aconteceu. Ele repete os padrões do passado com precisão, mas atribui mérito ao lugar errado, porque não separa o que realmente causou o resultado daquilo que apenas andou junto.

‍

Uma empresa que aloca budget com base nessa leitura está, em termos estruturais, tomando decisões pelas sombras.

‍

O que grafos causais fazem de diferente

Um grafo causal é uma representação visual de como variáveis se influenciam. Cada seta indica uma relação de causa: "investimento em mídia → vendas" ou "sazonalidade → vendas". Ele não calcula nada sozinho, só organiza suas hipóteses antes da estimação estatística.

‍

Seu uso torna explícito o que análises tradicionais deixam implícito:

• quais variáveis afetam as vendas,
• quais também influenciam o investimento em mídia,
• o que deve ser controlado para isolar o efeito incremental de cada canal,
• e o que não deve ser ajustado porque é mediador, não confundidor.

Em vez de perguntar apenas quais variáveis entram no modelo, a equipe passa a perguntar qual processo real está sendo representado. Identificar errado o que deve ser controlado pode ser tão prejudicial quanto não controlar nada.

‍

Incluir um mediador (variável no caminho entre causa e efeito, como "cliques" entre "investimento em mídia" e "vendas") como variável de controle bloqueia o efeito causal que se quer estimar.

‍

Já omitir um confundidor (variável que influencia ao mesmo tempo causa e efeito, como "sazonalidade" afetando investimento e vendas) distorce a estimativa na direção oposta.

O que o MMM faz com isso

Marketing Mix Modeling, quando construído com essa base, é uma tentativa de decompor resultados em contribuições causais. Seu objetivo não é descrever o passado de forma organizada, mas estimar quanto de cada resultado veio de cada alavanca de negócio, de forma que seja possível simular o que aconteceria se a alocação fosse diferente.

‍

Para chegar lá, o MMM precisa

• modelar explicitamente a sazonalidade,
• controlar tendências de longo prazo,
• separar o efeito de preço do efeito de distribuição e
• reconhecer que a resposta de mídia não é linear: há saturação, há defasagem, há interação entre canais.

Cada uma dessas escolhas metodológicas carrega uma hipótese causal. Um modelo que não torna essas hipóteses explícitas não está sendo mais simples; está sendo menos honesto sobre suas limitações.

‍

Quando bem aplicado, o MMM permite responder perguntas que dashboards descritivos não conseguem responder com segurança.

‍

Exemplos:

• Quanto das vendas veio de mídia de fato, e quanto teria acontecido mesmo sem ela?
• Qual canal gera impacto incremental, e qual apenas acompanha demanda já existente?
• Onde o modelo está atribuindo crédito a uma correlação que, na prática, pertence ao calendário ou à concorrência?

Essas não são perguntas acadêmicas. São as perguntas que determinam onde o próximo orçamento vai.

O custo de amadurecer analiticamente

Platão descreve a saída da caverna como um processo físico e doloroso:

‍

"E se o arrancarem à força da sua caverna, o obrigarem a subir a encosta rude e escarpada (...) não sofrerá vivamente e não se queixará de tais violências?"

‍

O prisioneiro resiste, sente desconforto, estranha o que vê antes de se habituar. Algo semelhante acontece quando uma organização passa de uma leitura associativa para uma causal.

‍

Métricas que pareciam sólidas começam a ser questionadas. Canais que acumulavam crédito por associação perdem protagonismo quando analisados pelo incremental. Resultados comemorados revelam-se parcialmente inflados por sazonalidade ou distribuição.

‍

Isso gera muita resistência, e a resistência é compreensível. As sombras eram familiares, operacionais e fáceis de comunicar à liderança.

‍

Platão antecipou essa dinâmica quando o prisioneiro liberto retorna e tenta convencer os demais:

‍

"os outros se riem à sua custa e dizem que, tendo ido lá acima, voltou com a vista estragada, pelo que não vale a pena tentar subir."

‍

Quem já tentou apresentar um resultado de MMM que contrariava a narrativa vigente reconhece a cena.

‍

O ponto que fica, porém, não é que a inferência causal seja difícil de implementar, mas que as organizações que não fazem essa transição continuam alocando recursos partindo de padrões que parecem certos e às vezes não são.

‍

A diferença entre uma empresa que gerencia marketing pelas correlações e uma que gerencia pelas causas não aparece no próximo trimestre. Aparece quando o mercado muda, quando um canal satura, quando uma promoção deixa de funcionar e a equipe não consegue explicar por quê.

‍

Nesse momento, a qualidade das hipóteses causais que sustentam o modelo vai separar uma decisão informada de uma aposta que vai ser apenas bem formatada.

‍

Este texto reúne conceitos que apresentei no primeiro Marketing Mix Morning do ano, promovido pela Uncover em 17 de março de 2026, sobre grafos causais e variáveis proxy — tema da pesquisa que virou o pôster "Soft Calibration Without Experiments: Proxy Variables for Mix Modeling", apresentado por mim em Workshop na EurIPS, conferência de IA e machine learning apoiada pela NeurIPS, realizada em 2025 em Copenhague.