Texto de Lucas Yokota, COO e Co-founder do Purple Metrics
TL;DR
Fazer MMM in-house é viável, mas custa entre R$ 1–2,5M no primeiro ano e exige perfis técnicos difíceis de contratar. Vale o investimento em três cenários específicos: hiper-customização, time técnico já disponível, ou MMM como competência estratégica de longo prazo. Fora desses cenários, uma plataforma como Purple Metrics entrega resultado em semanas com custo previsível.
Marketing Mix Modeling (MMM) virou pauta obrigatória em qualquer operação de Growth ou Martech que precisa justificar budget com mais insumos do que last-click oferece. Com o fim dos cookies de terceiros e a pressão por eficiência, a pergunta que aparece às vezes é: “a gente não consegue criar um MMM próprio aqui dentro?”
A resposta curta: consegue. A resposta honesta: melhor avaliar se vale a pena.
Esse artigo é pra quem está avaliando se faz mais sentido contratar Purple Metrics ou investir num MMM in-house. Vou trazer o que a gente aprendeu construindo um produto de MMM e o que o mercado internacional já documentou sobre o tema.
Os primeiros 10% são grátis. O problema são os outros 90%
Com AI, os primeiros 10% de qualquer projeto agora são grátis. Você consegue subir um MMM básico usando open sources como Robyn (Meta) ou Meridian (Google), um data scientist e uma tarde com Claude. A primeira versão até sai rápido e parece promissora.
O desafio é executar os outros 90%, garantindo a qualidade da entrega. Afinal, você está construindo um MMM pra aumentar a qualidade dos insights — então o MMM não precisa “só” funcionar, mas fornecer informações confiáveis de forma recorrente.
MMM não pode ser tratado como “mais um projeto do time de dados”. Sendo a melhor ferramenta pra descobrir inferência causal dos investimentos de marketing em escala, precisa ser levado com o rigor que exige.
Não basta prever o que vai acontecer — você precisa isolar o efeito real de cada canal no resultado do negócio. Um modelo preditivo pode ter ótima acurácia e ainda assim atribuir impacto errado entre canais. E a consequência prática é grave: se o modelo erra 5% na alocação de um budget de R$ 100k/dia em mídia, são R$ 1,8M desperdiçados por ano.
As ferramentas open-source reduziram a barreira de entrada, mas não eliminaram a complexidade. Times que adotam essas ferramentas ainda precisam lidar com preparação e limpeza de dados entre múltiplas fontes, modelagem bayesiana e escolha de priors, validação causal (e não apenas estatística), multicolinearidade entre canais e interpretação de resultados que façam sentido pro contexto do negócio.
Uma das armadilhas mais subestimadas: existem infinitos modelos que se ajustam bem aos seus dados, mas será que a resposta está de fato certa? Identificar o modelo que captura as relações causais corretas exige experiência de domínio que vai muito além de saber rodar um script em Python.
O custo real de fazer MMM in-house
Quando um head de Growth avalia fazer in-house, normalmente pensa no custo de um data scientist. Mas o escopo real é maior. Um projeto de MMM in-house típico envolve:
Time necessário: no mínimo 1–2 data scientists com experiência em modelagem bayesiana, apoio de engenharia de dados para pipelines e integrações, e alguém de marketing que entenda o contexto dos canais e campanhas. Na prática, os times que a gente viu fazer isso com sucesso alocaram PhDs em estatística, engenheiros de dados e profissionais de marketing trabalhando juntos.
Tempo até o primeiro resultado confiável: 4–8 semanas no melhor cenário com ferramentas open-source, mas facilmente 3–6 meses quando você soma limpeza de dados, validação e iteração com stakeholders.
Custo estimado no primeiro ano: R$ 1–2,5M considerando salários, infraestrutura e custo de oportunidade. O TCO (Total Cost of Ownership) em 3 anos pode chegar a R$ 1,5–2,5M mesmo com open-source, quando se soma manutenção contínua.
Manutenção: um MMM in-house não é só um projeto, é um produto interno. O modelo precisa ser recalibrado com novos dados, novos canais, mudanças sazonais. As pessoas criam algo que funciona e não pensam que vão ter que manter aquilo pra sempre, incorporar feedback, evoluir. Muitas empresas que começam in-house acabam migrando para vendors justamente porque subestimam esse trabalho contínuo.
Quando MMM in-house faz sentido
Ser honesto sobre isso é importante. Existem cenários legítimos onde o in-house é o melhor caminho:
Hiper-customização para cenários muito específicos. Se você precisa de modelos por SKU com curvas de saturação diferentes por produto, ou modelos hierárquicos unificando dados de +20 países, provavelmente nenhuma plataforma SaaS vai atender 100%. Esse é o caso onde vale investir em equipe própria.
Capacidade técnica já existe. Se a empresa já tem um time de data science com experiência em inferência causal e modelagem bayesiana, e esse time tem banda disponível — não está alocado em outros projetos — o custo marginal de fazer in-house cai bastante.
MMM como capability estratégica de longo prazo. Algumas empresas (tipicamente grandes tech companies ou CPGs globais) tratam mensuração como competência central. Nesses casos, o investimento faz sentido como parte de uma estratégia maior.
Se o seu cenário não se encaixa nessas condições, o risco é alto: alocar recursos caros, levar meses para um primeiro resultado e acabar com um modelo que ninguém confia.
O furo lógico do “com AI dá pra fazer tudo in-house”
Tem uma conversa acontecendo no mercado sobre o fim do SaaS, o tal do SaaSpocalypse: a ideia de que, com AI, todo time vai construir suas próprias ferramentas. E parte disso faz sentido. Muito do SaaS que conhecemos era basicamente um formulário bonito em cima de uma planilha. Guiava o usuário a preencher campos na ordem certa. Esse tipo de software está, sim, ameaçado.
Mas o argumento tem um furo lógico quando aplicado a MMM. Um MMM in-house é exatamente isso: um pipeline bonito em cima de modelos open-source. Pode ser fácil de começar usando AI, mas finalizar é muito difícil. Finalizar corretamente e manter então, quase impossível.
O SaaS que continua relevante é o que tem um core proprietário que você não consegue replicar sozinho. Não é apenas a interface ou o workflow, é a inteligência embutida no produto.
Um ponto que vale reflexão: a Anthropic, empresa que construiu o Claude, usa Slack como sistema operacional do dia a dia. Se a empresa mais AI-capable do mundo não constrói suas próprias ferramentas internas, por que um time de marketing construiria o próprio MMM?
O que o Purple Metrics resolve
Purple Metrics nasceu pra suprir um gap do mercado, que fornece MMM, mas não com a velocidade e acessibilidade de um SaaS. O Purple entrega o rigor de um MMM robusto, mas ágil e com insights aplicáveis desde a primeira visualização dos dados.
Tempo até o primeiro insight: semanas, não meses. Enquanto um projeto in-house ainda está na fase de limpeza de dados, o Purple Metrics já está rodando.
Sem dependência de perfil técnico especializado. Você não precisa contratar PhDs em estatística ou competir com big techs por talentos de data science. O time de Growth/Martech opera diretamente na plataforma, construída pelo nosso time técnico que respira esse assunto.
Modelo mantido e evoluído continuamente. A atualização do modelo, incorporação de novos canais, novas features e refinamento metodológico são responsabilidade do time Purple Metrics — um time que trabalha nisso full-time, todos os dias.
Contexto de mercado embutido. Ao atender múltiplas empresas, Purple Metrics acumula aprendizados sobre padrões de canais, como usam, melhorias de UX, refino de dados e benchmarks que um time in-house, olhando apenas pros próprios dados, jamais teria.
Custo previsível. Em vez de um investimento incerto de centenas de milhares de reais, o modelo SaaS oferece custo mensal previsível com ROI mensurável desde o primeiro mês.
O framework de decisão: MMM in-house ou plataforma?
A decisão se resume a três perguntas:
1. Você precisa de hiper-customização que nenhuma plataforma do mercado atende? Se sim, in-house pode ser o caminho — mas com olhos abertos pro investimento necessário de tempo e recursos.
2. Você tem o time técnico certo, disponível, e com experiência específica em inferência causal? “Temos um time de dados” não é a mesma coisa que “temos experiência em MMM bayesiano.” A especificidade importa muito nesse caso.
3. Seu objetivo é ter respostas acionáveis sobre alocação de budget, ou construir uma capacidade técnica interna? Se é o primeiro, Purple Metrics entrega isso mais rápido, mais barato e com menos risco. Se é o segundo, prepare-se para um investimento significativo de tempo e dinheiro.
Conclusão
Eu trabalho nesse mercado full-time e sei que não é tão simples fazer um MMM in-house, mesmo com AI e ferramentas open-source. Já vi times que decidiram fazer, alocaram bastante gente — PhDs em estatística, time tech e marketing — e conseguiram botar de pé. Mas esses são a exceção da exceção, não a regra.
AI tornou os primeiros 10% de qualquer projeto grátis. Isso inclui MMM. A tentação de fazer in-house nunca foi tão grande. Mas a distância entre “um modelo que roda” e “um modelo que o C-level confia pra alocar milhões” continua enorme.
Se o objetivo é hiper-customização pro seu cenário, otimize pra isso e invista pesado. Se não for esse o caso, Purple Metrics atende com o rigor que o seu negócio precisa, sem o risco e o custo de reinventar a roda.
A pergunta certa não é “a gente consegue fazer in-house?”, mas “a gente deveria?”
Perguntas frequentes sobre MMM in-house
Quanto custa fazer MMM in-house no primeiro ano?
O custo estimado de um projeto de MMM in-house no primeiro ano fica entre R$ 1M e R$ 2,5M, considerando salários de data scientists com experiência em modelagem bayesiana, engenharia de dados, infraestrutura e custo de oportunidade. O TCO em 3 anos pode chegar a R$ 1,5–2,5M mesmo utilizando ferramentas open-source como Robyn ou Meridian.
Qual time é necessário para fazer MMM in-house?
No mínimo 1–2 data scientists com experiência em modelagem bayesiana, um engenheiro de dados para pipelines e integrações, e um profissional de marketing com domínio dos canais e campanhas. Os times que conseguiram fazer com sucesso contaram com PhDs em estatística envolvidos no projeto.
Quanto tempo leva para ter um MMM in-house funcionando?
No melhor cenário com ferramentas open-source, de 4 a 8 semanas. Na prática, quando se soma limpeza de dados, validação causal e iteração com stakeholders, o prazo costuma chegar a 3–6 meses para o primeiro resultado confiável.
Quando vale a pena fazer MMM in-house?
Em três cenários: (1) quando você precisa de hiper-customização que nenhuma plataforma SaaS atende, como modelos por SKU ou hierárquicos para mais de 20 países; (2) quando o time técnico já existe, tem experiência específica em inferência causal e tem banda disponível; (3) quando MMM é tratado como competência estratégica de longo prazo — típico de grandes tech companies e CPGs globais.
Qual a diferença entre MMM in-house e uma plataforma como Purple Metrics?
Com MMM in-house, a empresa constrói e mantém o próprio modelo internamente — com alto custo, prazo longo e dependência de perfis técnicos especializados. Com Purple Metrics, o time de Growth/Martech opera diretamente na plataforma, sem precisar de PhDs em estatística, e tem o primeiro insight em semanas. A manutenção, calibração e evolução do modelo ficam com o time da Purple Metrics, full-time.
Se você já está convencido de que precisa evoluir, fale com nosso time. Vamos analisar seu cenário e te ajudar a entender como o MMM do Purple Metrics pode desbloquear seu próximo ciclo de crescimento.
