Durante muitos anos, a indústria de mídia tentou responder a uma pergunta aparentemente simples: qual mídia gerou a venda?
Primeiro vieram modelos de atribuição baseados em last click. Depois, Multi-Touch Attribution (MTA). Paralelamente, Marketing Mix Modeling — MMM, ou dentro de uma visão mais ampla, Marketing Mix Analytics (MMA) — voltou a ganhar relevância. Mais recentemente, incrementalidade, GeoLift, experimentação e inferência causal entraram definitivamente na agenda dos anunciantes. Agora, a Inteligência Artificial está provocando uma mudança potencialmente ainda maior.
A pergunta deixa de ser apenas “qual mídia gerou a venda?” e passa progressivamente a ser: “qual combinação de mídia, preço, promoção, audiência, canal, contexto, estoque, distribuição e investimento deverá gerar o maior crescimento incremental e qual decisão devemos tomar agora?” É uma mudança profunda.
A mensuração deixa de funcionar apenas como retrovisor do marketing e começa a funcionar como sistema operacional de decisão.
Para Retail Media e Commerce Media, essa transformação pode ser especialmente relevante porque poucos ambientes possuem uma combinação tão rica de sinais: exposição publicitária, busca, navegação, carrinho, preço, promoção, disponibilidade, dados transacionais, comportamento do shopper, loja física, fidelidade e recompra. O próximo salto de Retail Media poderá, portanto, não estar no inventário. Poderá estar na inteligência de mensuração capaz de transformar todos esses sinais em decisões de crescimento.
Do ROAS para a causalidade
Retail Media cresceu apoiado em uma promessa extremamente poderosa: aproximar mídia da venda. Closed-loop measurement permitiu conectar exposição publicitária e comportamento de compra de maneira muito mais direta do que grande parte da mídia tradicional, mas essa vantagem criou também uma armadilha.
Ter uma venda atribuída a uma campanha não significa necessariamente que aquela campanha causou a venda. A NielsenIQ chama atenção justamente para essa diferença. Last-touch e multi-touch attribution ajudam a explicar como determinada conversão aconteceu, mas não necessariamente por que aconteceu. Da mesma forma, ROAS mede eficiência atribuída, mas não comprova sozinho incrementalidade.
Imagine um shopper que já comprava determinada marca todos os meses. Ele recebe um anúncio patrocinado dentro do aplicativo do varejista, clica e compra novamente. O sistema pode registrar: ROAS = excelente, mas existe outra pergunta: ele teria comprado mesmo sem receber aquela publicidade? Se a resposta for sim, parte da receita atribuída à campanha não é necessariamente incremental.
Essa distinção separa duas eras da mensuração. A primeira mede attribution, a segunda procura medir causality e a próxima deverá tentar antecipar incremental growth.
MMM/MMA: o retorno de uma metodologia antiga para resolver um problema novo
Marketing Mix Modeling não é novidade. Suas origens remontam às primeiras aplicações econométricas de marketing há décadas. O que mudou radicalmente foi o ambiente.
O MMM tradicional trabalhava predominantemente com séries históricas agregadas para estimar quanto TV, rádio, mídia impressa, preço, promoção e outros fatores contribuíam para vendas. Sua grande vantagem continua válida: o modelo não depende necessariamente de identificar individualmente cada consumidor.
Isso ganhou relevância em um mundo marcado por restrições de cookies, fragmentação de identidade, walled gardens e maior preocupação com privacidade. A DP6 destaca justamente que MMM e MTA não devem ser tratados como metodologias concorrentes universais. A utilidade de cada uma depende dos dados disponíveis, do mix de mídia e das decisões que precisam ser tomadas.
A eMarketer identifica uma evolução ainda mais importante: MMM está deixando de ser somente uma ferramenta de reporting para tornar-se um decision engine. Entretanto, apenas 28% dos profissionais pesquisados afirmam que suas organizações são muito eficazes em transformar insights produzidos por MMM em ações. Esse gap entre measurement e action será justamente um dos territórios mais interessantes para Inteligência Artificial.
O novo MMM precisa entender muito mais do que mídia
No contexto de Retail Media, modelar apenas investimento publicitário versus vendas é insuficiente. Uma venda pode ter sido afetada simultaneamente por: preço, promoção, disponibilidade, distribuição, posição orgânica, sponsored search, mídia offsite, exposição in-store, CRM, sazonalidade, concorrência, buy box, avaliações, reviews, sortimento e condições macroeconômicas.
A NIQ argumenta que uma mensuração séria de incrementalidade precisa incorporar justamente esse contexto comercial, incluindo preço, promoção, ranking orgânico e pago, ratings, reviews, buy-box e distribuição. Isso muda significativamente o conceito de Marketing Mix Modeling aplicado a Commerce Media.
Deixamos de ter somente: Media → Sales e caminhamos para: Media + Shopper + Commerce + Pricing + Promotion + Distribution + Inventory + Context → Incremental Growth. Esse modelo é muito mais complexo, mas também é justamente o tipo de problema no qual Machine Learning e IA podem aumentar a capacidade analítica.
MTA não morreu, mas precisa mudar
Se MMM oferece uma visão macro, MTA continua tendo uma característica extremamente importante: granularidade. O MTA procura distribuir crédito entre diferentes interações da jornada: Display → Social → Search → Retail Media → Product Page → Purchase.
Modelos mais sofisticados podem usar Cadeias de Markov, modelos probabilísticos e outros métodos para estimar a contribuição das diferentes interações. A DP6 vem trabalhando, por exemplo, com modelos baseados em Cadeias de Markov e lançou em 2026 a versão 2.0 de sua biblioteca open source de atribuição, voltada a jornadas integradas e automação de relatórios, mas existe uma limitação estrutural: quanto mais fragmentada fica a jornada, menor a possibilidade de observar todos os touchpoints individualmente. E agora surge um problema adicional: o shopper pode não ser mais o único agente tomando decisões durante essa jornada.
A chegada do Agentic Commerce muda novamente a mensuração
Imagine a seguinte jornada: Consumidor → ChatGPT ou outro AI Assistant → pesquisa → comparação → recomendação → varejista → produto → compra. Ou, em estágio mais avançado: shopper → AI Agent → seleção → negociação → compra.
Nesse ambiente, alguns touchpoints tradicionais simplesmente desaparecem, o shopper talvez não veja dez resultados de busca, não visite cinco páginas, não clique em quatro anúncios. O agente pode processar dezenas ou centenas de sinais e apresentar apenas duas recomendações. Isso cria um novo problema de atribuição: como medir influência quando parte da jornada aconteceu dentro da decisão de uma máquina?
A NIQ já argumenta que os modelos tradicionais de targeting, attribution e incrementality foram construídos para jornadas humanas e precisarão ser adaptados às interações mediadas por agentes.
Em setembro de 2026, NIQ e Similarweb anunciaram uma iniciativa de mensuração de Agentic Commerce que começa a desenhar esse novo framework. Entre os sinais previstos estão:
Consumer Intent — o que shoppers perguntam aos agentes;
Agentic Shelf Visibility — quais produtos aparecem nas recomendações;
Product Content Readiness — se os dados do produto estão estruturados para serem compreendidos pelos agentes;
Além da conexão entre descoberta via IA, tráfego, conversão e vendas verificadas, estamos, portanto, diante do nascimento de uma nova camada de mensuração: Agentic Attribution.
O futuro provavelmente não será MMM versus MTA
Uma das discussões menos produtivas da indústria é tentar descobrir qual metodologia substituirá todas as outras: MMM? MTA? Incrementality? GeoLift? Experimentos?
A resposta provavelmente será: nenhuma isoladamente. A própria DP6 trabalha com o conceito de “Trifecta”, combinando MTA, MMM e testes de incrementalidade. Nesse desenho, MTA entrega granularidade e velocidade; MMM oferece uma visão macro e cross-channel; e experimentos ajudam a identificar causalidade e podem inclusive calibrar os modelos estatísticos.
A Uncover segue uma linha semelhante ao defender a unificação das agendas de mensuração: atribuição, MMM, experimentação e inferência causal não deveriam funcionar como silos independentes. Podemos chamar essa evolução de: Unified Measurement Architecture. E Retail Media talvez seja um dos ambientes mais apropriados para sua implementação.
A equação de mensuração começa a mudar
Uma arquitetura madura de Commerce Media poderia trabalhar com diferentes camadas simultaneamente:
a) MTA para compreender jornadas observáveis.
b) MMM/MMA para estimar contribuição e elasticidade dos diferentes investimentos.
c) Experimentos para testar hipóteses.
d) GeoLift para medir diferenças entre grupos ou geografias.
e) Causal Inference para separar correlação de causalidade.
f) Incrementality Measurement para estimar vendas que não ocorreriam sem determinada intervenção.
g) Forecasting para antecipar resultados.
h) Optimization Models para recomendar alocação.
i) AI Agents para transformar essas recomendações em decisões operacionais.
É justamente nessa última camada que a IA poderá mudar radicalmente a velocidade do sistema.
Do dashboard para o Measurement Agent
Hoje, boa parte da mensuração termina em um dashboard: a campanha roda, os dados são consolidados, um relatório é produzido, um analista interpreta, uma reunião acontece, uma recomendação é aprovada, a verba é eventualmente realocada, esse processo pode levar dias ou semanas.
No futuro, um Measurement Agent poderá trabalhar continuamente. Ele poderia detectar uma queda de incrementalidade, investigar possíveis causas, identificar aumento de preço, ruptura de estoque ou saturação de frequência, consultar resultados de experimentos anteriores, simular diferentes cenários de investimento e recomendar uma nova alocação.
Outro agente poderia validar a recomendação, um terceiro poderia executar a mudança dentro dos limites de governança definidos pela empresa. Teríamos algo próximo de: Measure → Diagnose → Predict → Simulate → Decide → Activate → Learn. E novamente, novamente, a mensuração passaria a ser um learning loop contínuo.
MMM pode deixar de ser um estudo semestral
Essa talvez seja uma das mudanças mais relevantes. Historicamente, projetos de MMM eram trabalhos pesados, executados algumas vezes ao ano. Automação, cloud computing, Bayesian modeling, Machine Learning e IA estão reduzindo dramaticamente essa barreira.
A Uncover, por exemplo, defende uma nova geração de MMM automatizado, incorporando séries de mídia, vendas, variáveis externas e modelos capazes de produzir contribuição, baseline, ROI e previsões. A própria empresa relaciona o ressurgimento do MMM aos avanços de IA, que aumentam capacidade de previsão, personalização das análises e otimização, mas existe um ponto importante: Velocidade computacional não significa automaticamente causalidade.
Um modelo pode processar bilhões de registros e continuar chegando rapidamente à conclusão errada. A discussão mais madura precisa, portanto, combinar AI com causal science.
Correlação será cada vez menos suficiente
Essa talvez seja a maior mudança intelectual na mensuração de marketing. Durante anos, dashboards foram construídos principalmente para identificar correlações. Investimento aumentou, venda aumentou, logo, mídia funcionou. Não necessariamente.
A Uncover alerta exatamente para essa diferença: padrões observados podem representar associação sem representar causalidade. Variáveis confundidoras como sazonalidade, distribuição ou preço podem alterar completamente a interpretação. Por isso, uma arquitetura de mensuração baseada em IA precisará aprender não apenas a encontrar padrões, mas a testar contrafactuais.
A pergunta fundamental deixa de ser: “quanto vendemos depois da campanha?” e passa a ser: “quanto teríamos vendido se a campanha não tivesse existido?” Esse delta é a essência da incrementalidade.
Retail Media precisa de um número vivo
Aqui existe uma tensão importante, o MMM tradicionalmente funciona muito bem para decisões estratégicas de alocação, mas Retail Media opera em uma velocidade muito maior: keywords mudam; concorrentes mudam bids; preços mudam; produtos entram em ruptura; promoções começam; e audiências saturam.
A NIQ argumenta que MMM continua valioso para decisões de orçamento de alto nível, mas que Retail Media exige uma camada muito mais dinâmica de incrementalidade, chegando ao nível diário e de campanha. Isso significa que o futuro não será simplesmente “MMM em tempo real”. Será provavelmente uma combinação de modelos com diferentes horizontes temporais.
Estratégico: MMM/MMA.
Tático: MTA e attribution.
Causal: experimentação e incrementalidade.
Preditivo: forecasting e simulation.
Operacional: AI Agents.
A mensuração começa antes da campanha
Esse talvez seja outro salto conceitual importante, hoje pensamos: Campaign → Measurement. A IA permite inverter parte dessa lógica: Prediction → Simulation → Campaign → Measurement → Learning. Antes de investir R$ 10 milhões, um anunciante poderia perguntar: “Qual seria o impacto incremental esperado se deslocássemos R$ 2 milhões de mídia tradicional para Retail Media?”
O sistema poderia simular dezenas ou milhares de cenários, mais Retail Search, menos Social, mais CTV, mais In-store Media, mais CRM. Outra combinação de frequência, outro nível promocional. outra segmentação. Os modelos deixariam de apenas explicar o passado, passariam a criar cenários probabilísticos de futuro. É a transição de measurement para decision intelligence.
O AI Agent pode virar um novo consumidor de dados de mensuração
Existe, entretanto, um risco pouco discutido: quando agentes começarem a tomar decisões de mídia automaticamente, eles precisarão de objetivos. E aquilo que definirmos como objetivo determinará seu comportamento. Se alimentarmos um agente exclusivamente com ROAS, ele otimizará ROAS, talvez reduza investimento em branding, talvez concentre mídia nos consumidores que já comprariam, talvez maximize vendas atribuídas em vez de crescimento incremental.
Em outras palavras: uma IA extremamente eficiente utilizando uma métrica errada pode destruir valor muito mais rapidamente do que um humano.
A NIQ faz alerta semelhante ao observar que, conforme bidding e ativação automatizada assumem decisões do cotidiano, a qualidade das métricas utilizadas pelos sistemas torna-se ainda mais importante. Por isso, a evolução da IA aumenta, e não diminui, a importância da ciência de mensuração.
A próxima geração de KPIs
Se essa arquitetura evoluir, o dashboard de Retail Media também deverá mudar. CTR, CPC, CPM, conversão e ROAS continuarão existindo, mas uma camada superior deverá incorporar: Incremental Sales, iROAS, New-to-Brand, Category Growth, Share of Category, Penetração, Frequência, Recompra, Recorrência, Customer Lifetime Value, Margem incremental, Elasticidade do investimento, Halo Effect, Cross-channel Incrementality e Agentic Shelf Visibility.
A dunnhumby já trabalha nessa direção ao defender closed-loop measurement conectando exposição a comportamento real de compra e combinando test-and-control com KPIs como sales uplift, iROAS e CLTV. A empresa também prevê uma migração de estudos isolados para modelos de mensuração always-on ou near-always-on, com maior capacidade de acompanhar uplift e retorno incremental regularmente.
O grande ativo das RMNs talvez seja o dataset causal
Isso nos leva a uma questão estratégica para as Retail Media Networks. Durante a primeira geração de Retail Media, o ativo principal parecia ser o inventário: Sponsored Products, Display, CRM, Offsite, CTV, DOOH, Telas dentro das lojas, mas inventário tende a se tornar relativamente comoditizado. O ativo mais difícil de replicar poderá ser outro: a capacidade de conectar exposição + contexto + shopper + transação + incrementalidade, Ou seja, não apenas possuir dados, mas possuir dados capazes de ensinar modelos a compreender causalidade comercial.
Uma RMN que consiga demonstrar consistentemente: “este investimento gerou R$ 10 milhões em vendas atribuídas, mas R$ 6,8 milhões foram efetivamente incrementais”, estará oferecendo ao anunciante algo muito mais valioso do que impressões. Estará oferecendo evidência econômica.
De Retail Media Network para Retail Intelligence Network
É aqui que Retail Media pode dar seu próximo salto. A primeira geração monetizou audiência, a segunda monetizou first-party data, a terceira está tentando integrar onsite, offsite e in-store. A próxima poderá monetizar inteligência de decisão. Isso significaria evoluir de uma Retail Media Network para algo mais próximo de uma: Retail Intelligence Network.
Uma infraestrutura na qual mídia, dados, experimentação, mensuração, previsão e ativação passam a operar de maneira integrada. Não seria apenas: quem viu → quem comprou. Seria: quem viu → quem comprou → quem compraria mesmo sem a mídia → qual foi o efeito incremental → qual será o provável efeito do próximo investimento → qual decisão devemos tomar agora.
E então chegam os agentes
A transformação final acontece quando o sistema deixa de apenas recomendar. Ele começa a agir, dados alimentam modelos, modelos alimentam agentes, agentes simulam cenários, experimentos validam hipóteses, resultados recalibram modelos. E os modelos orientam novas decisões.
É um ciclo: Data → Measurement → Causality → Prediction → Decision → Activation → Experimentation → Learning. Nesse cenário, o futuro da mensuração talvez não seja um dashboard mais bonito, nem um modelo de atribuição mais sofisticado, nem sequer um MMM mais rápido, será uma arquitetura autônoma de aprendizado comercial.
E isso muda profundamente Retail Media, porque, quando máquinas começarem a decidir onde colocar cada real de investimento, a vantagem competitiva não estará apenas em possuir mais dados. Estará em possuir dados confiáveis, modelos causais, experimentação contínua e agentes capazes de transformar evidência em decisão.
O debate sobre mensuração, portanto, está mudando de patamar. Ontem perguntávamos: “qual canal recebeu o crédito pela venda?” Hoje perguntamos: “qual investimento realmente gerou crescimento incremental?”
Amanhã, a pergunta poderá ser: “qual decisão devemos tomar agora para maximizar o próximo real incremental e o agente pode executá-la?” Essa talvez seja a verdadeira revolução da IA na mensuração de Retail Media.
