Mexa no orçamento total e veja como a alocação recomendada muda — e o que acontece quando a otimização "ideal" extrapola além do que o dado real já provou.
Conceito · Media Mix Optimization
Técnico: problema de otimização que aloca um orçamento fixo entre canais com curvas de resposta diferentes, maximizando o retorno total.
Em linguagem simples: dado o dinheiro que você tem pra gastar em mídia, qual a melhor forma de dividir entre os canais? A resposta matemática nem sempre é a resposta certa pro negócio — este Lab mostra por quê.
COMECE POR AQUI
Ainda não viu o MMM com dado real?
Este Lab reaproveita as curvas de saturação de TikTok, Facebook e Google Ads ajustadas nesse estudo — vale ler antes pra entender de onde vêm os parâmetros.
Ler o estudo do MMM →CÓDIGO ABERTO
Quer a matemática completa, não só o simulador?
Os 4 notebooks — calibração, otimização ingênua, restrita e análise de sensibilidade — estão publicados e executáveis no GitHub.
Ver o repositório →£9.824 é o orçamento atual observado (soma dos 3 canais).
Restringir à evidência
Nenhum canal passa do maior investimento já testado
Desligado = otimização "ingênua": sem teto por canal, pode extrapolar muito além do dado real (ver notebook 02 do tsr-media-optimization-lab).
—
Contribuição total estimada
—
ROAS médio da alocação
—
Ganho vs. manter a mesma proporção de hoje
—
% do orçamento em Google Ads
Ajuste o orçamento e o modo pra ver a recomendação mudar.
Curvas de resposta: TikTok e Facebook seguem uma função Hill (saturação côncava), com `maxContribution` calibrado a partir do ROI marginal publicado no MMM real, no ponto de investimento médio observado. Google Ads é modelado como retorno linear constante (1,26x), porque o dataset original não teve variação de investimento suficiente pra detectar uma curva de saturação confiável nesse canal — uma limitação herdada e documentada, não corrigida aqui.
Otimizador: implementado em JavaScript via busca por "preço-sombra" (water-filling) — o algoritmo encontra o nível de retorno marginal em que investir mais em qualquer canal deixa de compensar, e aloca até esse ponto em cada um, respeitando os tetos quando o modo restrito está ativo. Matematicamente equivalente ao resultado do `scipy.optimize.minimize` (SLSQP) usado nos notebooks reais.
Modo restrito: nenhum canal pode ultrapassar o maior investimento já observado no dataset original do MMM (TikTok até £20.000, Facebook até £8.000, Google até £3.000) — o mesmo teto de evidência do notebook 03.
"Ganho vs. manter a mesma proporção de hoje": compara a contribuição da alocação otimizada com a contribuição de simplesmente escalar a proporção atual (54,5% TikTok / 30,0% Facebook / 15,5% Google) pro novo orçamento total, sem otimizar nada.
Quer ver a matemática completa, com os 4 notebooks e a análise de sensibilidade?
Ler o estudo do MMM que calibra este simulador →