Medir a visibilidade em IA

Google Meridian vs Meta Robyn vs MMM Hospedado: Qual Usar

Google Meridian vs Meta Robyn vs PyMC-Marketing vs ferramentas de MMM hospedadas, comparados em método, dados, habilidades e custo, com uma indicação para cada situação.

Google Meridian vs Meta Robyn vs MMM Hospedado: Qual Usar
17 min de leitura 8 perguntas respondidas

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 MeridianMeta RobynPyMC-Marketing
MantenedorGoogleMeta Marketing SciencePyMC Labs
LinguagemPython (o README lista 3.11 a 3.13)R, mais uma API Python em beta que exige RPython (3.12 ou superior)
LicençaApache 2.0MITApache 2.0
MétodoInferência causal bayesiana com priorsRegressão ridge, busca evolutiva de hiperparâmetros com Nevergrad, Prophet para tendência e sazonalidadeBayesiano (PyMC)
O que você recebeDistribuições posteriores, intervalos de credibilidadeUm conjunto de modelos candidatos ótimos de Pareto, agrupados; você escolhe umDistribuições posteriores
Modelo em nível geográficoSim, e recomendadoSem modelo geográfico hierárquicoSim, hierárquico
Alcance e frequênciaSimCalibrador de curvas em beta; o alocador é um protótipoNão listado na sua página de comparação
Calibração com experimentosSim, experimentos como priors de ROISim, testes de lift e geográficos como objetivo (MAPE.LIFT)Sim, calibração com testes de lift
Otimizador de orçamentoSim, mais planejamento de cenáriosSim, resposta máxima ou ROAS/CPA alvoSim
Último lançamento (nov. 2026)2.2.0, 5 de novembro de 2026v3.12.0 no GitHub (dez. 2024), 3.12.1 no CRAN (jul. 2025)1.4.0, 9 de novembro de 2026
Melhor paraEquipes Python com dados geográficos e testes de liftEquipes R que querem uma primeira leitura nacional rápidaEquipes 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.

Detalhe do prompt no AmICited para «Google Meridian vs Meta Robyn vs a hosted marketing mix modeling tool», 17 de novembro de 2026: amicited.com citado por 0 de 10 mecanismos; Meta Robyn e Google Meridian com 20% das menções de marcas cada, Recast 13%, Mutinex 8%
Logo

Pronto para monitorizar a sua visibilidade em IA?

Acompanhe como os chatbots de IA mencionam a sua marca no ChatGPT, Perplexity e outras plataformas.

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 CalibrationBuilder ajuda 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:

  1. Ajuste em holdout. Treine com a maioria das suas semanas e verifique o quanto o modelo prevê as semanas que não viu.
  2. 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.
  3. 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.
  4. 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.

FerramentaModelo, segundo o fornecedorExperimentosQuem executaPreço publicado
RecastMMM bayesiano proprietárioTestes GeoLift que alimentam o MMMEquipe da Recast ou um parceiro Operator certificadoNenhum encontrado no site
Sellforte«Always-on Causal Bayesian MMM» com ROAS incremental diário por campanha e conjunto de anúnciosGeo Lift, Conversion Lift e testes A/BPlataforma 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
HausExperimentos de incrementalidade mais um «Causal MMM»O produto principalEstrategistas de medição e cientistas de dados, conforme o nívelNão publicado; o Causal MMM está nos níveis Plus e Enterprise
CassandraMMM mais testes de incrementalidade, usado por um assistente de IA no Slack, Teams ou Google ChatProduto de testes de incrementalidadeDe autoatendimento a níveis gerenciadosStarter €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 hospedadoSem entrada de testes de liftAutoatendimento no app ou por ferramentas MCPPlanos 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 situaçãoMelhor opçãoPor quê
Cientista de dados em Python, dados de vendas regionais, testes de lift planejadosGoogle MeridianModelo bayesiano em nível geográfico, experimentos como priors, desenvolvimento ativo
Analista em R, dados semanais nacionais, precisa de uma primeira leitura rápidaMeta RobynBusca 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 personalizadosPyMC-MarketingO mais flexível dos três e o mais exigente
Ninguém para ser dono de um modelo; e-commerce com vendas offline ou em marketplacesUm fornecedor hospedado como Sellforte, Recast ou HausConectores de dados, atualizações e suporte incluídos
Quer o Meridian sem código; dados da loja ou do GA4 e contas de anúncios já conectadosAmICitedMeridian 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 orgânicaUm modelo de pago para orgânicoDefina os cliques orgânicos como resultado, no AmICited ou na sua própria montagem do Meridian
Menos de dois anos de dados semanais limposCorrija os dados primeiro ou faça um teste de holdoutQualquer MMM depende dos priors quando o histórico é curto
Orçamento pequeno, um ou dois canaisDispense o MMM por enquantoUm 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.

RequisitoMeridianRobynPyMC-MarketingFerramenta hospedada
HabilidadesPython, modelagem bayesianaR, regressão, avaliação de modelos candidatosPython, modelagem bayesianaAnalista de marketing para revisar o resultado
ProcessamentoGPU recomendadaCPU; 2.000+ iterações × 5 tentativasCPU ou GPUDo fornecedor
Preparação dos dadosVocê monta o conjunto de dadosVocê monta o conjunto de dadosVocê monta o conjunto de dadosConectores, varia por fornecedor
Variação do gastoNecessária em todo canalNecessária em todo canalNecessária em todo canalNecessária 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

  1. 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.
  2. 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.
  3. Verifique a variação do gasto. Liste os canais cujo gasto quase não variou; agrupe-os ou deixe-os de fora.
  4. 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.
  5. Valide antes de agir. Verifique o ajuste em holdout e a plausibilidade e execute um teste de lift no seu maior canal.
  6. 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.
  7. 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.

Foi útil? Partilhe.

LinkedIn X

Perguntas frequentes

Arshia é AI Workflow Engineer na FlowHunt. Com formação em ciência da computação e paixão por IA, é especialista na criação de fluxos de trabalho eficientes que integram ferramentas de IA nas tarefas do dia a dia, aumentando a produtividade e a criatividade.

Arshia Kahani
Arshia Kahani
AI Workflow Engineer

Execute o Google Meridian Sem Escrever Código

O AmICited ajusta um modelo bayesiano de marketing mix com o Google Meridian nos dados da sua loja, do GA4 e das plataformas de anúncios e mostra a contribuição de cada canal com intervalos de credibilidade de 90%, curvas de resposta e se a busca paga muda os seus cliques orgânicos.