Meridian: guia prático do framework MMM open source da Google em 2026

Meridian — o framework Marketing Mix Modeling open-source da Google — foi lançado no final de 2024 e amadureceu até se tornar uma alternativa credível aos fornecedores comerciais MMM em 2026. É gratuito, baseado em Python e desenhado para anunciantes a correr campanhas de aquisição paga em Google + outros canais.

Este guia cobre as especificidades do Meridian: como se compara com Robyn (framework MMM do Meta), configuração técnica, cronograma de implementação do primeiro modelo e um playbook de 90 dias. Assumimos familiaridade geral com MMM — se está a começar do zero, veja primeiro o nosso guia MMM vs Atribuição.

O que é Meridian e porque a Google o lançou

Meridian é uma biblioteca Python para construir Marketing Mix Models. Funcionalidades chave:

• Metodologia Bayesiana (vs OLS frequentista)
• Curvas de saturação (formas Hill ou Adbudg)
• Modelagem de efeitos de adstock / decaimento
• Integração com geo-experiments (combina MMM + dados de geo lift test)
• Distribuições de probabilidade posterior (quantificação de incerteza)
• Licença open-source Apache 2.0

Lançado pela equipa de Marketing Sciences da Google no final de 2024. Desenhado especificamente para uso pelo anunciante (vs frameworks puramente académicos). Integrado com estruturas típicas de dados de anunciante: plataformas de anúncios Google Ads, Meta, LinkedIn; métricas de resultado e-commerce + B2B SaaS.

Porque isto importa para anunciantes 2026: gratuito, bem documentado, mantido pela Google, comunidade em crescimento. Baixa a barreira de entrada MMM para contas mid-market que não podiam pagar 100k €+/ano de MMM comercial.

Meridian vs Robyn (Meta) vs fornecedores comerciais

Para anunciantes 2026: Meridian ou Robyn são escolhas técnicas equivalentes — escolha com base em preferência de linguagem da equipa. Fornecedores comerciais apenas justificam custo à escala enterprise ou quando a capacidade interna de data science é limitada.

Requisitos técnicos e arquitetura

Stack de software:

• Python 3.9+ (3.11 recomendado em 2026)
• Pacote Meridian (pip install google-meridian)
• BigQuery / Snowflake / data warehouse similar
• Jupyter notebooks para desenvolvimento
• Produção: Docker + Airflow / Cloud Composer para orquestração

Hardware / cloud:

• Desenvolvimento local: laptop standard suficiente para trabalho inicial
• Corridas de produção: Cloud Run ou Vertex AI custom training jobs
• Custo: 500-2k €/mês típico de compute + storage

Equipa:

• Data scientist líder (background em métodos Bayesianos)
• Engenheiro de dados (pipelines + infraestrutura cloud)
• Líder de analytics de marketing (traduz necessidades do negócio)
• Executive sponsor (conduz adoção organizacional)

Investimento contínuo total:

• Pessoas: 1-2 FTE data scientists a 100-200k €/ano
• Infraestrutura: 5-20k €/ano
• Total: 100-400k €/ano (vs fornecedor comercial 50-500k €/ano)

Cruzamento de ROI: Meridian in-house torna-se mais barato do que fornecedor comercial por volta de 200k €/ano de despesa MMM.

Configuração: ambiente Python + ingestão de dados

Passo 1 — Ambiente Python:

python -m venv meridian-env
source meridian-env/bin/activate
pip install google-meridian pandas numpy matplotlib jupyterlab

Passo 2 — Validar instalação:

python -c "import meridian; print(meridian.__version__)"

Output esperado: número de versão (ex. 1.0.x em 2026).

Passo 3 — Estrutura de ingestão de dados: Meridian espera DataFrames pandas com colunas específicas:

• time: timestamps de data semanal
• geo: identificador geográfico (se geo-experiment integrado)
• KPI: variável de resultado (receita, conversões)
• media_spend: despesa por canal (uma coluna por canal)
• media_impressions: opcional, impressões por canal
• controls: sazonalidade, promoções, atividade de concorrentes

Passo 4 — Data pipeline a partir do BigQuery:

from google.cloud import bigquery
import pandas as pd

client = bigquery.Client()
query = """
SELECT week_start, SUM(google_ads_spend) AS gads,
       SUM(meta_spend) AS meta, SUM(revenue) AS revenue
FROM marketing_data
GROUP BY week_start
"""
df = client.query(query).to_dataframe()

Para produção: agende extrações BigQuery diárias, refresh semanal do modelo Meridian, re-treino completo trimestral.

Correr o primeiro modelo: configuração + execução

Configuração do modelo inicial (simplificada):

from meridian.model import Meridian

model = Meridian(
    n_media_channels=4,
    n_control_channels=3,
    adstock_specifications=[...],
    saturation_specifications=[...],
)

model.fit(
    data=df,
    n_samples=10000,
    n_chains=4,
)

Tempo de execução esperado:

• Modelo pequeno (3-5 canais, 2 anos de dados): 30-60 minutos em laptop padrão
• Modelo médio (6-10 canais, 3 anos de dados): 2-4 horas
• Modelo grande (15+ canais, 3+ anos de dados): 8-24 horas em compute cloud

Outputs chave:

• Contribuição do canal: % de resultado total atribuído a cada canal
• Curvas de saturação: resposta a despesa adicional por canal
• Decaimento adstock: lag temporal por canal
• Distribuições posteriores: quantificação de incerteza

Visualize via funções de plotting built-in do Meridian ou matplotlib personalizado.

Validar outputs: teste holdout

Passo crítico de validação:

Metodologia holdout:

1. Treine Meridian em 80% dos dados históricos
2. Preveja nos 20% restantes (últimos 6 meses)
3. Compare previsões com reais
4. Calcule R² e MAPE (mean absolute percentage error)

Limiares aceitáveis:

• R² > 0,7 em holdout: modelo capta sinal real
• R² 0,5-0,7: modelo capta parcialmente, necessita refinamento
• R² < 0,5: modelo não capta dinâmicas reais, audite inputs / metodologia

Falhas comuns de holdout:

• Fatores externos significativos em falta (promoção, lançamento de concorrente)
• Problemas de qualidade de dados (naming de canais inconsistente)
• Priors de adstock/saturação inadequados
• Histórico de dados insuficiente

Iteração: refine modelo com base em achados do holdout. Adicione variáveis de controlo, ajuste priors, valide novamente. Espere 3-5 ciclos de iteração antes de pronto para produção.

Quando Meridian encaixa vs alternativas

Meridian encaixa quando:

• 500k €-5M €/ano de despesa de marketing (sweet spot)
• Equipa de data science Python in-house
• Mix multi-canal incluindo offline
• Disposição a investir 3-6 meses para primeiro modelo
• Quer controlo total sobre metodologia

Alternativas melhores quando:

• Robyn (MMM Meta): mesmo perfil de encaixe mas a equipa prefere linguagem R ou tem despesa Meta-heavy
• Fornecedor comercial (Analytic Partners, etc.): escala enterprise (5M €+), capacidade limitada de data science, precisa de serviço gerido
• Sem MMM (apenas atribuição + incrementality): abaixo de 500k €/ano, marketing apenas digital

Para a maioria das contas mid-market em 2026 a considerar MMM: Meridian ou Robyn é o caminho certo. Fornecedores comerciais estão over-spec'd para necessidades sub-enterprise.

Playbook 90 dias de implementação Meridian

O schema HowTo detalha dia-a-dia. Faseamento estratégico:

Mês 1 — Configuração: equipa, pré-requisitos, recolha de dados, ambiente Python.

Mês 2 — Modelagem: construção do modelo inicial, validação holdout, ciclos de refinamento.

Mês 3 — Ativação: revisão de stakeholders, planeamento de cenários, deployment de produção, configuração de refresh trimestral.

Para contexto complementar de medição, veja o nosso guia MMM vs Atribuição, guia de incrementality testing e estratégia first-party data.

Se gostaria de otimização AI-driven Google Ads que se alinha com a alocação de orçamento derivada de Meridian, a SteerAds corre uma auditoria gratuita 14 dias em Google + Microsoft Ads.

Fontes

• github.com/google/meridian — repositório open-source Meridian
• developers.google.com/marketing-mix-modeling — documentação Meridian
• research.google/pubs — pesquisa Google sobre metodologia MMM
• github.com/facebookexperimental/Robyn — referência de comparação Robyn
• thinkwithgoogle.com — insights Google da indústria

FAQ