Análise comparativa de abordagens de modelagem de mix de marketing: Estudo de caso em um varejista de e-commerce de moda

• Ano de defesa: 2025
• Autor(a) principal: Pascoal, Daniel Shinoda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Bayesian regression; Marketing mix modeling; Random forest; Ridge regression
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-29042025-165713/

Nos últimos anos, crescentes preocupações relacionadas à privacidade dos dados limitaram significativamente o uso de sistemas de rastreamento de usuários dos quais muitos varejistas dependiam para otimizar suas campanhas de marketing online. Como resposta a essas questões, uma técnica de modelagem tradicional conhecida como Modelagem de Mix de Marketing (MMM) combinada com algoritmos de aprendizado de máquina emergiu como uma alternativa livre de preocupações relacionadas à privacidade. Dentro desse contexto, dois frameworks vêm ganhando crescente notoriedade: a ferramenta robyn, desenvolvida pela empresa Meta, e a ferramenta LightweightMMM, desenvolvida por engenheiros do Google. Ambos utilizam diferentes abordagens para incorporar conhecimento humano prévio em suas previsões, uma vez que o objetivo do MMM não é só obter o melhor poder preditivo, mas também gerar recomendações que não se distanciem demais das alocações de orçamento previamente definidas pelos tomadores de decisão. Neste estudo, propusemos três abordagens para a modelagem de MMM: duas baseadas nos princípios dos frameworks robyn e LightweightMMM, cujas ferramentas não foram aplicadas diretamente devido à natureza black-box desses pacotes, e uma terceira baseada no algoritmo random forest. Nosso objetivo foi identificar a melhor abordagem no contexto de marketing de três marcas da DivBrands, uma empresa internacional do ramo de e-commerce de moda que conta com um investimento expressivo em canais de publicidade digitais. Utilizamos a regressão ridge com uma otimização multiobjetivo, a regressão bayesiana utilizando a alocação de gastos de marketing prévia como priores, além do algoritmo random forest em conjunto com valores de Shapley para melhor entendimento do impacto das variáveis no modelo. Os resultados do estudo mostraram que a regressão bayesiana se destacou na marca A por refletir melhor as alocações históricas; a random forest, na marca B, pelo desempenho preditivo; e a regressão ridge apresentou desempenho intermediário, com alinhamento parcial às alocações.