O resíduo é um dos conceitos fundamentais para entender a qualidade e a precisão de um modelo de Marketing Mix Modeling (MMM). Ele mostra quanto do seu resultado o modelo conseguiu — ou não — explicar.

No MMM, o modelo explica o valor de um KPI (o indicador principal do negócio, como vendas ou conversões) a partir de variáveis como investimento em mídia, sazonalidade e fatores externos. Nenhum modelo, porém, explica 100% do que acontece na realidade. O resíduo, também chamado de erro estatístico (no sentido técnico, não uma falha), é justamente essa diferença: o que sobra entre o valor real observado e o valor previsto pelo modelo.

Em outras palavras, o resíduo representa a parte do KPI que nenhuma das variáveis do modelo conseguiu explicar. Ter algum resíduo é normal e esperado em qualquer modelo estatístico: o objetivo não é eliminá-lo, e sim mantê-lo pequeno e sem padrões.

O resíduo reúne tudo o que o modelo não atribuiu a nenhuma variável — nem mídia, nem baseline, nem controles (fatores externos como sazonalidade, preço e mercado). Ele não é o efeito de um canal específico, e sim a contribuição não especificada.

Na prática, o resíduo costuma reunir fatores como:

O resíduo é sempre expresso na mesma unidade do KPI analisado. Se você modela vendas em reais, o resíduo também aparece em reais.

O tamanho e o comportamento do resíduo ajudam a avaliar a aderência do modelo aos dados (o quanto as previsões se aproximam dos resultados reais). Padrões no resíduo podem indicar que falta alguma variável relevante.

Resíduos pequenos e distribuídos aleatoriamente

Resíduos grandes ou com padrões sistemáticos

Insight chave: o resíduo não é atribuído a nenhum canal ou variável. Evite lê-lo como efeito de uma mídia específica — ele é apenas a parte que o modelo não explicou.

Quando uma variável relevante não entra no modelo com qualidade suficiente, o efeito dela tende a cair no resíduo. Para uma variável ser bem capturada, ela precisa atender a três condições:

Cada quebra de mídia (cada canal ou plataforma detalhado separadamente, como Meta ou Google) precisa representar cerca de 2% do total de investimento. Isso evita que um canal seja superestimado ou subestimado e traz mais eficiência para o modelo.

O MMM depende de boa variação no investimento (oscilações ao longo do tempo, para cima e para baixo). Um histórico com pouca alteração ao longo das semanas dificulta a mensuração do impacto real, assim como campanhas muito curtas ou isoladas.

Para identificar padrões, o investimento precisa acontecer por muitas semanas, o que dá ao modelo muitos pontos de observação (semanas de dados para analisar). O ideal são cerca de 13 pontos de dados contínuos, aproximadamente 3 a 4 meses.

Na plataforma Uncover, você acompanha a distribuição do resíduo por período diretamente nos gráficos de diagnóstico do modelo.

Resíduos pequenos, sem tendência clara e distribuídos de forma aleatória ao redor de zero ao longo do tempo.

Resíduos grandes ou com padrões recorrentes: picos em períodos específicos, sequências sempre positivas ou negativas, ou saltos que coincidem com eventos, mudanças de produto, preço ou rupturas de dados.