O Google Meridian e o Meta Robyn são pacotes gratuitos e de código aberto de marketing mix modeling (MMM), mas servem a equipes diferentes. O Meridian é o modelo bayesiano do Google em Python, feito para dados em nível geográfico e para calibração com experimentos; a versão 2.2.0 foi lançada em 5 de novembro de 2026. O Robyn é o pacote em R da Meta que ajusta regressões ridge e as otimiza com uma busca evolutiva; seu último lançamento no CRAN, a 3.12.1, é de julho de 2025.
Uma ferramenta de MMM hospedada é um serviço pago que executa um modelo como esses para você, com conectores de dados, uma interface e suporte. A escolha depende menos do algoritmo do que de quem será o dono do modelo: um cientista de dados em Python, um analista em R ou ninguém na sua equipe.
Este guia compara o Meridian, o Robyn e o PyMC-Marketing, a terceira opção séria de código aberto, com cinco ferramentas hospedadas, incluindo a nossa. Cada fato sobre as ferramentas foi verificado nas páginas do próprio projeto ou fornecedor em novembro de 2026. Para saber o que é o MMM e como ele funciona, comece pelo nosso guia de marketing mix modeling.
Principais Conclusões
- O Google Meridian é um MMM bayesiano de código aberto em Python sob a Apache 2.0. Está disponível para todos desde 29 de janeiro de 2025 e chegou à versão 2.2.0 em 5 de novembro de 2026.
- O Meta Robyn é um MMM de código aberto em R sob a licença MIT. Usa regressão ridge com a busca evolutiva de hiperparâmetros do Nevergrad e devolve um conjunto de modelos candidatos ótimos de Pareto, segundo a sua documentação.
- A última versão marcada do Robyn no GitHub é a v3.12.0, de dezembro de 2024, e o README ainda rotula o pacote como «experimental». O Meridian e o PyMC-Marketing lançaram versões em novembro de 2026.
- A documentação do Meridian, do Google, recomenda pelo menos dois anos de dados semanais para modelos em nível geográfico e três anos para os nacionais.
- Os pacotes são gratuitos; o custo está em pessoas e capacidade de processamento. O README do Meridian recomenda pelo menos uma GPU, e a documentação do Robyn recomenda pelo menos 2.000 iterações e 5 tentativas por execução.
- As ferramentas hospedadas trocam controle por velocidade. Em novembro de 2026, os preços publicados vão de €500 por mês (Cassandra Starter) a $8.500 por mês (Sellforte Enterprise), e vários fornecedores não publicam preços.
Meridian, Robyn e PyMC-Marketing comparados
Os três pacotes de MMM de código aberto diferem mais em método e linguagem. O Meridian e o PyMC-Marketing são bibliotecas bayesianas em Python que devolvem a incerteza completa e oferecem suporte a modelos em nível geográfico. O Robyn é um pacote em R baseado em regressão ridge que entrega um primeiro modelo rápido e automatizado em nível nacional. Os três aceitam resultados de experimentos e incluem um otimizador de orçamento.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Mantenedor | Meta Marketing Science | PyMC Labs | |
| Linguagem | Python (o README lista 3.11 a 3.13) | R, mais uma API Python em beta que exige R | Python (3.12 ou superior) |
| Licença | Apache 2.0 | MIT | Apache 2.0 |
| Método | Inferência causal bayesiana com priors | Regressão ridge, busca evolutiva de hiperparâmetros com Nevergrad, Prophet para tendência e sazonalidade | Bayesiano (PyMC) |
| O que você recebe | Distribuições posteriores, intervalos de credibilidade | Um conjunto de modelos candidatos ótimos de Pareto, agrupados; você escolhe um | Distribuições posteriores |
| Modelo em nível geográfico | Sim, e recomendado | Sem modelo geográfico hierárquico | Sim, hierárquico |
| Alcance e frequência | Sim | Calibrador de curvas em beta; o alocador é um protótipo | Não listado na sua página de comparação |
| Calibração com experimentos | Sim, experimentos como priors de ROI | Sim, testes de lift e geográficos como objetivo (MAPE.LIFT) | Sim, calibração com testes de lift |
| Otimizador de orçamento | Sim, mais planejamento de cenários | Sim, resposta máxima ou ROAS/CPA alvo | Sim |
| Último lançamento (nov. 2026) | 2.2.0, 5 de novembro de 2026 | v3.12.0 no GitHub (dez. 2024), 3.12.1 no CRAN (jul. 2025) | 1.4.0, 9 de novembro de 2026 |
| Melhor para | Equipes Python com dados geográficos e testes de lift | Equipes R que querem uma primeira leitura nacional rápida | Equipes Python que precisam de um modelo personalizado |
Fontes: o README do Meridian e a documentação, o README do Robyn e a documentação de recursos, e a própria página de comparação do PyMC-Marketing, consultados em 17 de novembro de 2026.

Google Meridian
O Google Meridian é um modelo bayesiano de marketing mix de código aberto que estima o efeito causal de cada canal de mídia sobre um KPI, como as vendas. Roda em Python, funciona melhor com dados em nível geográfico, aceita entradas de alcance e frequência e resultados de testes de lift como priors e inclui otimização de orçamento. É gratuito e precisa de um cientista de dados para ser executado.
O Meridian sucede a biblioteca anterior do Google, a LightweightMMM, e o README tem um link para um guia de migração. O Google o disponibilizou para todos em 29 de janeiro de 2025, com um programa de parceiros de «mais de 20 parceiros de medição treinados e certificados no Meridian».
O que o diferencia:
- Priors e experimentos. Você pode codificar o que já sabe como priors. A documentação do Google chama os experimentos de incrementalidade de
«talvez a base mais forte» para um prior de ROI, e um
CalibrationBuilderajuda a traduzi-los. - Modelagem em nível geográfico. O Google recomenda coletar dados por região; um modelo nacional é a alternativa quando não há dados geográficos.
- Alcance e frequência. Para canais de vídeo, o Meridian pode modelar alcance e frequência, não apenas impressões.
- Demanda de busca como controle. A introdução sugere o Google Query Volume como controle do interesse orgânico pela marca.
- Ferramentas de planejamento. O Google adicionou um Scenario Planner sem código em 19 de fevereiro de 2026 para testar cenários de orçamento, e a MMM Data Platform fornece dados de mídia do Google (impressões, cliques, custo).
O que ele exige de você: Python, habilidades de modelagem bayesiana para definir priors e ler diagnósticos de convergência, e hardware. O README diz que o Meridian foi testado em uma GPU T4 com 16 GB de RAM e recomenda pelo menos uma GPU. A exigência de dados também é alta: pelo menos dois anos de dados semanais para modelos geográficos e três para nacionais.
Uma ressalva honesta: o Google vende anúncios e construiu o modelo que os mede. O código é aberto, então você pode inspecionar cada suposição, e essa é a principal salvaguarda.
Meta Robyn
O Meta Robyn é um pacote de marketing mix modeling semiautomatizado e de código aberto, em R, da Meta Marketing Science. Ajusta regressões ridge, busca hiperparâmetros de adstock e saturação com o algoritmo evolutivo do Nevergrad e devolve um conjunto de modelos ótimos de Pareto em vez de uma única resposta. Serve a anunciantes digitais de resposta direta com dados semanais em nível nacional.
A documentação de recursos do Robyn descreve a mecânica:
- Busca de modelos. Regressão ridge (L2), otimizada com o TwoPointsDE do Nevergrad. O Prophet decompõe tendência, sazonalidade e feriados.
- Três objetivos. Cada candidato é pontuado por erro de previsão (NRMSE), por um erro de plausibilidade de negócio (DECOMP.RSSD) e, se você tiver experimentos, por erro de calibração (MAPE.LIFT). O agrupamento k-means reúne candidatos semelhantes para você escolher.
- Calibração. Experimentos de conversion lift e geográficos podem ser usados para direcionar o modelo a resultados causais.
- Alocador de orçamento. Dois modos: resposta máxima para um orçamento dado ou uma eficiência alvo, como ROAS ou CPA.
- Alcance e frequência. Um calibrador de curvas para dados de alcance e frequência está em beta; o alocador de alcance e frequência é «um protótipo e ainda não está disponível».
O que ele exige de você: R, mais a biblioteca Python Nevergrad, e paciência com o processamento. A documentação recomenda pelo menos 2.000 iterações e 5 tentativas. O guia do analista do Robyn pede pelo menos dois anos de dados semanais e cerca de 10 observações por variável. Existe uma API Python (beta), mas é um wrapper que exige o pacote em R instalado.
A questão do status importa. O README do Robyn ainda o descreve como um pacote «experimental». A última versão marcada no GitHub é a v3.12.0, de dezembro de 2024, e a versão mais recente do CRAN é a 3.12.1, de julho de 2025. Isso não significa que esteja quebrado, mas uma equipe que começa hoje deve pesar as atualizações mais lentas em relação ao Meridian e ao PyMC-Marketing, que lançaram versões em novembro de 2026.
PyMC-Marketing
O PyMC-Marketing é uma biblioteca Python de código aberto da PyMC Labs para modelos bayesianos de marketing mix e de valor do tempo de vida do cliente. É a mais flexível das três: sua documentação lista modelos geográficos hierárquicos, calibração com testes de lift, um otimizador de orçamento, interceptos e coeficientes variáveis no tempo, priors personalizados e termos de modelo personalizados.
O repositório do PyMC-Marketing tem licença Apache 2.0, e a versão 1.4.0 foi lançada em 9 de novembro de 2026. Sua página de comparação recomenda o Robyn para equipes em R que querem uma abordagem mais simples, o Meridian para uma API mais simples com ligação ao ecossistema do Google e o PyMC-Marketing para a máxima flexibilidade.
A mesma página relata amostragem mais rápida e erro menor do que o Meridian em um benchmark executado pela própria PyMC Labs. Trate isso como uma afirmação do fabricante: não encontramos nada que a tenha replicado de forma independente. Escolha o PyMC-Marketing quando a sua equipe escreve Python, conhece modelagem bayesiana e precisa de uma estrutura de modelo que os outros dois não oferecem.
Qual é mais preciso?
Não encontramos nenhum benchmark independente e direto entre Meridian, Robyn e PyMC-Marketing com os mesmos dados reais. A única comparação publicada por um fabricante é a da própria PyMC Labs. A precisão depende mais dos seus dados, priors e validação do que do pacote.
Então teste qualquer modelo do mesmo jeito, seja qual for o escolhido:
- Ajuste em holdout. Treine com a maioria das suas semanas e verifique o quanto o modelo prevê as semanas que não viu.
- Plausibilidade. As contribuições e o ROI dos canais devem estar em uma faixa plausível. Um modelo que credita à busca de marca a maior parte das suas vendas normalmente não separou a demanda existente do gasto.
- Experimentos. Execute um teste de lift ou holdout geográfico no seu maior canal e compare. Nosso post sobre se o Google Ads aumenta o tráfego orgânico apresenta um desenho de teste de pausa.
- Estabilidade. Reajuste com novas semanas ou outros priors. Estimativas que oscilam muito não estão prontas para decisões de orçamento.
Ferramentas de MMM hospedadas
Uma ferramenta hospedada de marketing mix modeling executa o modelo para você: conecta suas fontes de dados, ajusta e atualiza o modelo e mostra contribuições e cenários de orçamento em uma interface. Você paga uma assinatura e abre mão de parte do controle sobre o modelo. As ferramentas abaixo foram verificadas nos próprios sites; fatos e preços valem para novembro de 2026.
| Ferramenta | Modelo, segundo o fornecedor | Experimentos | Quem executa | Preço publicado |
|---|---|---|---|---|
| Recast | MMM bayesiano proprietário | Testes GeoLift que alimentam o MMM | Equipe da Recast ou um parceiro Operator certificado | Nenhum encontrado no site |
| Sellforte | «Always-on Causal Bayesian MMM» com ROAS incremental diário por campanha e conjunto de anúncios | Geo Lift, Conversion Lift e testes A/B | Plataforma do fornecedor com um gerente de sucesso do cliente | $1.900 a $8.500 por mês; Full-Funnel MMM $4.500, com $300.000 de gasto médio mensal em mídia |
| Haus | Experimentos de incrementalidade mais um «Causal MMM» | O produto principal | Estrategistas de medição e cientistas de dados, conforme o nível | Não publicado; o Causal MMM está nos níveis Plus e Enterprise |
| Cassandra | MMM mais testes de incrementalidade, usado por um assistente de IA no Slack, Teams ou Google Chat | Produto de testes de incrementalidade | De autoatendimento a níveis gerenciados | Starter €500 por mês para até €1 milhão de gasto anual em anúncios; Self-serve a partir de €3.000 |
| AmICited (nosso) | Google Meridian, executado e hospedado | Sem entrada de testes de lift | Autoatendimento no app ou por ferramentas MCP | Planos Premium e Enterprise, mais uma cobrança do pacote do modelo; veja os preços |
As respostas de IA a esta pergunta também citam Measured, Lifesight, Mutinex e Analytic Partners. Não verificamos esses fornecedores para este artigo, então eles não estão na tabela.
Antes de assinar com qualquer fornecedor hospedado, faça três perguntas. O modelo é próprio ou um Meridian ou Robyn gerenciado? Você consegue exportar os dados e os resultados do modelo se sair? Como ele valida o modelo com testes de lift?
Onde o AmICited se encaixa
O AmICited é o nosso produto, então leia esta seção com isso em mente. O seu Media Marketing Mix (MMM) ajusta um modelo bayesiano com o Google Meridian e o hospeda: você escolhe um resultado (receita ou pedidos da loja, compras do GA4 ou qualquer conversão do GA4) e os canais no app, e ele informa a contribuição de cada canal com intervalos de credibilidade de 90%, curvas de resposta de 0× a 3× do gasto, a melhor divisão do orçamento atual e diagnósticos de convergência. Gastos e impressões vêm das cinco plataformas de anúncios das nossas integrações de anúncios, mais custos personalizados para canais offline.
O que o diferencia de um MMM hospedado genérico: um modo de pago para orgânico que define o resultado como cliques do Search Console, cliques do Bing ou sessões orgânicas do GA4 e estima se a busca paga soma ou tira do seu tráfego orgânico. Você poderia construir o mesmo por conta própria no Meridian ou no PyMC-Marketing usando os cliques orgânicos como KPI; o AmICited o entrega pronto.
Seus limites, ditos com clareza:
- Restrição de plano e custo. Apenas nos planos Premium e Enterprise. Uma cobrança recorrente do pacote do modelo começa na primeira execução de treinamento confirmada, e as verificações de prontidão e o treinamento usam créditos medidos.
- Histórico. Um modelo padrão precisa de 164 semanas completas (156 semanas de resultado mais um atraso de carryover de 8 semanas). Um modo de histórico limitado começa em 24 semanas, mas não consegue aprender com segurança a sazonalidade anual, e suas recomendações são rotuladas como apenas indicativas. O Google Ads mantém cerca de 13 meses de histórico, então a maioria das contas novas começa no modo de histórico limitado.
- Receita, não lucro. O ROI é receita por unidade de gasto. Para retornos que levam a margem em conta, use o ROAS real de lucro ou o nosso explicativo sobre ROAS real.
- Mais restrito que o Meridian puro. O app modela uma série semanal para o site ou a loja inteira. Em novembro de 2026, não oferece modelo em nível geográfico, entradas de alcance e frequência nem entrada de calibração com testes de lift.
Qual você deve escolher?
Escolha por quem será o dono do modelo e pelos dados que você tem, não por qual empresa construiu o código. Os pacotes de código aberto servem a equipes com um analista que sabe preparar dados, definir priors e validar resultados. As ferramentas hospedadas servem a equipes sem essa pessoa, mediante um custo mensal. Com menos de dois anos de dados semanais limpos, corrija os dados ou execute um teste primeiro.
| Sua situação | Melhor opção | Por quê |
|---|---|---|
| Cientista de dados em Python, dados de vendas regionais, testes de lift planejados | Google Meridian | Modelo bayesiano em nível geográfico, experimentos como priors, desenvolvimento ativo |
| Analista em R, dados semanais nacionais, precisa de uma primeira leitura rápida | Meta Robyn | Busca automatizada de hiperparâmetros e um alocador de orçamento pronto; observe o ritmo mais lento de lançamentos |
| Equipe Python que precisa de efeitos variáveis no tempo ou termos de modelo personalizados | PyMC-Marketing | O mais flexível dos três e o mais exigente |
| Ninguém para ser dono de um modelo; e-commerce com vendas offline ou em marketplaces | Um fornecedor hospedado como Sellforte, Recast ou Haus | Conectores de dados, atualizações e suporte incluídos |
| Quer o Meridian sem código; dados da loja ou do GA4 e contas de anúncios já conectados | AmICited | Meridian hospedado, mais um modo de pago para orgânico; apenas modelo semanal em nível de conta |
| Precisa saber se o Google Ads muda os cliques da busca orgânica | Um modelo de pago para orgânico | Defina os cliques orgânicos como resultado, no AmICited ou na sua própria montagem do Meridian |
| Menos de dois anos de dados semanais limpos | Corrija os dados primeiro ou faça um teste de holdout | Qualquer MMM depende dos priors quando o histórico é curto |
| Orçamento pequeno, um ou dois canais | Dispense o MMM por enquanto | Um teste de pausa ou geográfico responde à pergunta com menos custo |
O que você precisa para executar
Toda opção precisa da mesma matéria-prima: dados semanais de resultado (vendas, conversões ou cliques orgânicos), gasto e impressões semanais por canal e controles como promoções, preços e sazonalidade. O que muda é quem faz o trabalho e quanta habilidade e processamento ele exige.
| Requisito | Meridian | Robyn | PyMC-Marketing | Ferramenta hospedada |
|---|---|---|---|---|
| Habilidades | Python, modelagem bayesiana | R, regressão, avaliação de modelos candidatos | Python, modelagem bayesiana | Analista de marketing para revisar o resultado |
| Processamento | GPU recomendada | CPU; 2.000+ iterações × 5 tentativas | CPU ou GPU | Do fornecedor |
| Preparação dos dados | Você monta o conjunto de dados | Você monta o conjunto de dados | Você monta o conjunto de dados | Conectores, varia por fornecedor |
| Variação do gasto | Necessária em todo canal | Necessária em todo canal | Necessária em todo canal | Necessária em todo canal |
A última linha é a que as pessoas esquecem. Um modelo só consegue aprender o efeito de um canal se o gasto desse canal realmente variou ao longo do tempo. Um canal que gastou o mesmo valor toda semana por dois anos dá a qualquer MMM, de código aberto ou hospedado, quase nada de que aprender.
Código aberto vs hospedado
O MMM de código aberto é gratuito para licenciar e mantém seus dados no seu próprio ambiente, mas você paga por tempo de analista, processamento e manutenção. O MMM hospedado custa uma assinatura e significa compartilhar dados de vendas e gastos com um fornecedor, em troca de conectores, atualizações e suporte. A troca é entre pessoas e controle, de um lado, e dinheiro e velocidade, do outro.
Em segurança, o código aberto vence por padrão: nada sai da sua infraestrutura. Com um fornecedor hospedado, peça as certificações de segurança (a Recast, por exemplo, afirma ter conformidade SOC 2), onde os dados são armazenados e se você pode excluí-los.
O MMM hospedado vale a pena com um orçamento pequeno? Em geral, não como primeiro passo. Se você investe em um ou dois canais, um teste de holdout no maior deles diz mais por menos. O MMM compensa quando você investe em vários canais e precisa dividir o orçamento entre eles.
Como começar
- Escreva a decisão. «Devemos mover orçamento do Meta para o Google Ads?» precisa de um modelo de vendas. «A busca de marca canibaliza cliques orgânicos?» precisa de um modelo de pago para orgânico.
- Audite seu histórico. Conte as semanas completas de resultado e gasto por canal. Com menos de dois anos, planeje um modelo limitado ou um teste primeiro.
- Verifique a variação do gasto. Liste os canais cujo gasto quase não variou; agrupe-os ou deixe-os de fora.
- Escolha o responsável. Um cientista de dados em Python aponta para Meridian ou PyMC-Marketing, um analista em R para Robyn, ninguém para uma ferramenta hospedada como o MMM do AmICited.
- Valide antes de agir. Verifique o ajuste em holdout e a plausibilidade e execute um teste de lift no seu maior canal.
- Compare com os números das plataformas. Confronte as estimativas do modelo com o que as plataformas de anúncios informam; nosso relatório de atribuição do Meta mostra o quanto as compras declaradas pelas plataformas se afastam dos pedidos reais.
- Reajuste periodicamente. Reajuste conforme chegam novas semanas e trate uma grande oscilação entre versões como um alerta, não como uma nova verdade.
A conclusão
Meridian, Robyn e PyMC-Marketing são todos motores de MMM gratuitos e confiáveis, e as diferenças de método importam menos do que a equipe que os executa. Escolha o Meridian para equipes Python com dados geográficos, o Robyn para equipes em R que querem um modelo nacional rápido e aceitam atualizações mais lentas, o PyMC-Marketing quando precisar de um modelo personalizado e uma ferramenta hospedada quando ninguém puder ser dono do trabalho. Seja qual for a escolha, um MMM dá estimativas com incerteza, não provas, então confira-o com um experimento antes de mover orçamento real.

