É possível construir um MMM sem dados de sellout?

Uma premissa que a maior parte dos MMMs usam

Quase todo case de Marketing Mix Modeling parte de uma premissa: a empresa enxerga a venda ao consumidor final. Varejistas, e-commerces, bancos e apps enxergam. Uma parcela enorme da economia brasileira, não: as indústrias B2B2C, que fabricam o produto, vendem para distribuidores e redes de varejo, e só então o produto chega ao consumidor ou ao profissional que decide a compra.

Pense em uma fabricante de tubos e conexões, de tintas, de cimento ou de argamassa. Ela investe milhões em mídia para construir marca junto ao consumidor e ao instalador, mas o dado de vendas que aparece no ERP é o sell-in, o faturamento para o canal. O sellout, a venda da loja para quem de fato usa o produto, acontece em um território que a indústria não controla e que, na maioria das categorias, ela nem consegue comprar em forma de dado.

Daí a pergunta que ouvimos com frequência de gestores de marketing dessas indústrias: sem sellout, dá para fazer MMM? Dá. Antes, porém, é preciso entender por que o sell-in é um dado traiçoeiro, o que a literatura recomenda e como o desenho do modelo compensa a ausência da venda final.

Por que não dá para simplesmente "comprar o sellout"

Em supermercado, farmácia e perfumaria existe uma indústria inteira de painéis de sellout: Scanntech, NIQ e afins capturam o cupom fiscal na boca do caixa e vendem séries de mercado. Essa infraestrutura, porém, não cobre todas as categorias. O varejo de material de construção brasileiro tem cerca de 330 mil pontos de venda pulverizados, dos quais os home centers são uma fração pequena, e nenhum player montou painel sindicalizado para a categoria. A Scanntech cobre supermercados, atacarejo, farma e perfumaria; matcon, não. A GfK-NIQ atende "home improvement" apenas em nichos como ferramentas elétricas.

O que existe de pago, como Mtrix (hoje NielsenIQ) e Implanta IT, mede o sellout do distribuidor ao ponto de venda e os estoques, mas apenas dos produtos do próprio contratante, nos canais integrados. É um dado valioso para quem já contrata, mas não é um painel de mercado: falta share auditado e ele não está disponível de prateleira. Para muitas indústrias, a série mensal de sellout da categoria simplesmente não existe a preço nenhum.

O que a literatura diz sobre modelar com sell-in

A primeira coisa que a literatura deixa clara é o motivo de tanta desconfiança. O paper seminal de Lee, Padmanabhan e Whang (1997) sobre o efeito chicote (bullwhip) demonstrou que a variância dos pedidos feitos ao fabricante é sistematicamente maior que a variância das vendas ao consumidor, e que a distorção cresce conforme se sobe na cadeia. As causas são conhecidas: pedidos em lotes, racionamento em períodos de escassez, leitura enviesada dos sinais de demanda e, principalmente, promoções comerciais que fazem o canal comprar quando o preço está bom, e não quando o consumidor está comprando.

Hanssens (1998) levou essa discussão para o terreno do marketing ao modelar pedidos de fábrica de um fabricante de bens duráveis junto com as vendas de varejo e o mix de marketing. Ele mostrou que uma alta de 10% na demanda do consumidor podia virar oscilações de 40% nos pedidos à fábrica, e também um ponto prático que explica por que este artigo existe: na hierarquia de custo dos dados, os pedidos (sell-in) são os mais baratos e fáceis de obter, e é por isso que tantos fabricantes só têm esse dado. A contribuição dele foi justamente usar econometria para separar, dentro da série de pedidos, o que é movimento de curto prazo do canal e o que é tendência de demanda real.

No Brasil, Bessani e Bajay (2022) documentaram o caso da indústria de defensivos agrícolas, um mercado B2B2C clássico. No período analisado, 37% do volume anual teve sell-in abaixo do sellout, evidência de que olhar só a venda ao canal "pode mascarar a real demanda". O trabalho descreve a solução prática: coletar estoques dos distribuidores e reconstruir o sellout pela identidade contábil, em que o sellout é o sell-in mais o estoque inicial do canal menos o estoque final. Quando a indústria tem relação próxima com poucos distribuidores grandes, essa reconstrução é perfeitamente viável e transforma um dado enviesado em uma série muito mais próxima da demanda.

Cuidados práticos

Se o sell-in vai ser a variável resposta, três fenômenos precisam entrar no desenho do modelo, porque todos criam picos e vales que não têm nada a ver com mídia.

O primeiro é o trade loading. Perto do fechamento de trimestre, o time comercial empurra volume para o canal para bater meta, inflando o sell-in no período e abrindo um vale logo depois. Esse padrão reflete calendário fiscal e incentivo de vendas, não demanda.

O segundo é o forward buying. Como mostraram Desai, Koenigsberg e Purohit (2010), varejistas compram além da necessidade quando há promoção de trade. Boa parte do pico de sell-in durante uma ação comercial é antecipação de compra futura, não venda incremental.

O terceiro é a defasagem. A OMP documenta que o tempo entre o sinal de sellout e o reflexo no sell-in pode chegar a meses, porque o canal primeiro queima estoque. A campanha gera demanda hoje e o pedido à fábrica chega dois ou três meses depois.

Na prática, isso significa incluir promoção comercial, metas e datas de fechamento como controles explícitos no modelo, trabalhar com janelas de carryover mais longas do que se usaria com sellout (a metodologia bayesiana de adstock de Jin et al., do Google, foi feita para acomodar defasagens desse tipo) e, sempre que possível, coletar estoque de canal dos principais distribuidores para reconstruir a demanda, como fizeram Bessani e Bajay.

Os frameworks modernos não exigem receita de sellout

Um receio comum é que as ferramentas de MMM "exijam" dados de venda final. Não exigem. A documentação do Google Meridian define o KPI como a variável resposta do modelo e aceita explicitamente um KPI genérico não monetário, com um fator de conversão para traduzir o resultado em ROI. O guia oficial do Meta Robyn afirma que a variável dependente mais comum é venda, mas cita aberturas de conta para bancos e sign-ups para telecom como alternativas legítimas. O PyMC-Marketing formula o alvo do modelo como "vendas, aquisição de novos clientes ou qualquer outro KPI". A prática de mercado confirma: a Measured publica cases reais com pedidos incrementais, assinaturas e lift de loja física, a Adjust roda MMM para apps com instalações e compras in-app, e a Merkle recomenda, para B2B sem visibilidade da venda final, usar leads como proxy direcional com valoração posterior. Um sell-in tratado, ou um sellout reconstruído, é um KPI tão válido para esses frameworks quanto qualquer um desses exemplos.

As proxies públicas que sustentam o modelo no Brasil

O segundo pilar do desenho é ancorar o modelo em séries públicas de demanda, que ajudam a separar o que é mercado do que é mídia. Para material de construção, o Brasil oferece algumas coisas interessantes. A PMC do IBGE traz receita e volume do varejo de material de construção, mensalmente, desde 2000, e é a melhor proxy pública de sellout do canal. O SNIC publica o consumo aparente de cimento por região, termômetro clássico de atividade de obra. O Índice Abramat acompanha o faturamento deflacionado da indústria do setor, e o Índice de Confiança da Construção da FGV antecipa o ânimo da cadeia. Somam-se o INCC como deflator e o Termômetro Anamaco como leitura mensal do varejo. Essas variáveis entram como controles de demanda e sazonalidade, e cumprem parte do papel que o sellout cumpriria: dizer ao modelo quando o mercado inteiro subiu ou desceu, para que a mídia não leve crédito (nem culpa) pelo ciclo econômico.

Então, é possível?

É possível, e há precedente acadêmico e prático para cada peça do desenho. O que não dá é ignorar a natureza do dado: um MMM que trata sell-in como se fosse venda ao consumidor vai atribuir à mídia os picos do fechamento de trimestre e as promoções trade, e vai errar. Já um modelo que reconhece o efeito chicote, controla os incentivos comerciais, alonga o carryover, reconstrói o sellout onde houver estoque de canal disponível e ancora tudo em proxies públicas de demanda entrega o que o CMO precisa: uma leitura defensável de quanto cada real de mídia contribui para a demanda real, mesmo sem enxergar a boca do caixa. A falta do sellout muda o desenho do modelo; não impede que ele exista.

Principais referências

• Hanssens, D. M. (1998). Order Forecasts, Retail Sales, and the Marketing Mix for Consumer Durables. Journal of Forecasting, 17, 327-346.
• Lee, H. L.; Padmanabhan, V.; Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546-558.
• Bessani, A. N.; Bajay, M. M. (2022). "Sell-out" como ferramenta de planejamento de vendas na indústria de defensivos agrícolas. Quaestum, 3: e2675623.
• Desai, P.; Koenigsberg, O.; Purohit, D. (2010). Forward Buying by Retailers. Journal of Marketing Research, 47(1), 90-102.
• Srinivasan, S.; Pauwels, K.; Hanssens, D.; Dekimpe, M. (2004). Do Promotions Benefit Manufacturers, Retailers, or Both? Management Science, 50(5), 617-629.
• Jin, Y. et al. (2017). Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects. Google Research.
• Documentações oficiais: Google Meridian (MMM Unified Schema), Meta Robyn (Analyst's Guide to MMM), PyMC-Marketing (Introduction to Media Mix Modeling).
• Séries públicas: IBGE PMC (material de construção), SNIC (consumo aparente de cimento), Índice Abramat, FGV (Índice de Confiança da Construção).