Toda campanha de retail media termina com um número. Normalmente é ROAS. Às vezes é uplift. Ocasionalmente, são vendas incrementais.
Mas aqui está algo de que ninguém quer falar: esse número só é tão confiável quanto a baseline com a qual é comparado.
O que é Baseline em Retail Media?
Uma baseline representa o que teria acontecido sem a campanha. Não o que aconteceu antes. Não o número do ano passado. Não a média.
É o contrafactual - o cenário em que o anúncio nunca foi veiculado, mas todo o restante permaneceu igual.
Essa distinção é mais importante do que a maioria das pessoas imagina.
Por que é o primeiro número que a área financeira questiona?
Quando uma equipe de marca entra em um QBR e diz “entregamos 5x ROAS”, a primeira pergunta de qualquer pessoa com experiência em finanças é: comparado com o quê?
Se a baseline estiver errada, o uplift estará errado. E se o uplift estiver errado, todo o caso de negócio desmorona.
Veja como normalmente isso dá errado:
- Comparação pré/pós.Você compara o período da campanha com o período anterior. Mas sazonalidade, promoções, mudanças na distribuição, alterações de preço — qualquer um desses fatores pode mover as vendas de forma independente. A comparação pré/pós não isola a campanha. Ela isola o calendário.
- Comparação ano contra ano.Melhor, mas ainda com muito ruído. O cenário competitivo era o mesmo? O produto estava no mesmo número de lojas? Houve mudança de preço? A comparação YoY fornece uma referência, não uma baseline.
- Média da categoria como proxy.Às vezes útil como contexto, mas a categoria também inclui a atividade dos seus concorrentes. Se toda a categoria cresceu 8% e você cresceu 10%, essa diferença de 2% pode ser significativa - ou pode ser apenas ruído.
Nenhum desses métodos é uma baseline. Eles são benchmarks.Benchmarks mostram como você performou em relação a algo.Baselines mostram o que sua campanha realmente mudou.
Demand Forecasting como Baseline de Retail Media
A forma mais rigorosa de definir uma baseline é prever quais vendas teriam ocorrido sem a campanha — e então comparar os resultados reais com essa previsão.
É aqui que entram os modelos de demand forecasting.
Uma previsão de demanda utiliza dados históricos de vendas e considera todos os fatores que impulsionam o volume independentemente da mídia: curvas de sazonalidade, calendários promocionais, elasticidade de preços, mudanças na distribuição, padrões climáticos, efeitos de feriados e até o comportamento por dia da semana no nível da loja. Marcas e varejistas podem usar ferramentas avançadas de shopper insights e analytics de audiência para entender esses padrões antes mesmo de as campanhas começarem. O modelo aprende como é o comportamento “normal” para um determinado produto em uma determinada loja em uma determinada semana - com todas essas variáveis incorporadas.
O resultado é uma curva de vendas esperada. Não uma linha plana. Não uma média simples. É uma previsão dinâmica que acompanha o negócio da mesma forma que o negócio realmente se move.
Quando uma campanha é executada, você compara as vendas reais com a previsão. A diferença - real menos esperado - é o seu uplift. E como a previsão já absorveu sazonalidade, promoções e distribuição, essa diferença fica muito mais próxima do verdadeiro efeito incremental da mídia.
Isso é fundamentalmente diferente de escolher um período de comparação e esperar que nada mais tenha mudado. A previsão modela as mudanças. Ela não as ignora.
Por que isso é importante especificamente para retail media
Retail media se baseia em dados de transações. Essa é a sua vantagem. Mas dados de transações por si só não fornecem uma baseline — eles fornecem resultados reais. Você precisa de um modelo que transforme dados históricos reais em expectativas futuras. Plataformas avançadas de retail media ajudam os varejistas a conectar dados de shoppers, entrega de campanhas e atribuição de vendas em um único framework de medição.
Os varejistas e plataformas que investem em demand forecasting como parte do seu stack de medição desbloqueiam algo poderoso: uma baseline que é defensável, repetível e que não depende de encontrar um período de comparação “limpo”, porque no varejo não existe um período realmente limpo. Sempre há algo em promoção. Algo sempre mudou.
Um bom modelo de demanda lida com isso. Ele diz: “Com base em tudo o que sabemos sobre este produto, essas lojas, esta época do ano, esse preço e esse plano promocional, isto é o que esperávamos vender.” O trabalho da campanha é superar essa expectativa.
E quando o modelo está bem calibrado, os resultados resistem ao escrutínio. O financeiro pode auditar a metodologia. A marca pode ver as premissas. A conversa muda de “Você acredita nesse número?” para “O que gerou essa diferença?”
Control groups: o outro caminho confiável
O demand forecasting não é a única forma. O outro método confiável são os control groups.
Pegue uma população de shoppers. Exponha um grupo à campanha. Mantenha um grupo de controle estatisticamente idêntico, mas que não veja nenhuma atividade da campanha. Compare os resultados.
A diferença é o seu uplift. O comportamento do grupo de controle é a sua baseline.
Na prática, os frameworks de medição mais robustos utilizam ambos. A previsão estabelece a baseline esperada em todo o alcance da campanha. O grupo de controle a valida experimentalmente em um subconjunto. Quando os dois métodos concordam, a confiança aumenta. Quando divergem, você aprende algo sobre o seu modelo - e isso também é valioso.
O que uma boa baseline considera
Se você estiver usando demand forecasting, control groups ou ambos, uma baseline confiável deve controlar:
- Sazonalidade. Este é um período em que as vendas naturalmente aumentam ou diminuem?
- Atividade promocional. O produto estava em promoção durante a campanha? Estava em promoção no período da baseline?
- Mudanças de distribuição. O produto ganhou ou perdeu lojas?
- Movimentos de preço. O preço na prateleira mudou?
- Atividade competitiva. Um concorrente direto lançou, retirou ou promoveu um produto durante o mesmo período?
- Fatores externos. Clima, feriados, mudanças macroeconômicas — qualquer fator que mova o volume no nível da categoria.
Um modelo de demanda absorve esses fatores como entradas. Um grupo de controle os neutraliza por desenho experimental. De qualquer forma, a baseline reflete a realidade - não uma simplificação conveniente dela.
A realidade prática
A maioria das retail media networks hoje não faz isso bem. Muitas não fazem isso de forma alguma.
O relatório padrão pós-campanha mostra impressões, alcance e talvez um gráfico de vendas. A baseline fica implícita, não declarada. O uplift é calculado em comparação com um período escolhido porque fazia o resultado parecer melhor.
Isso não é medição. Isso é marketing.
As redes que vencerão no longo prazo serão aquelas que investirem em demand forecasting como infraestrutura - não como uma análise pontual, mas como um modelo contínuo que roda em todas as campanhas, em todas as categorias e em todas as lojas. Elas deixarão clara a metodologia de baseline desde o início, manterão essa metodologia consistente e aceitarão o resultado seja qual for - mesmo quando ele não for favorável.
Porque quando as baselines estão corretas, algo importante acontece: as marcas passam a confiar nos resultados. Quando as marcas confiam nos resultados, aumentam os orçamentos. E quando aumentam os orçamentos, deixam de pedir descontos — porque estão comprando prova, não apenas posicionamento de mídia.
Baseline não é um detalhe de relatório. É a base de toda afirmação que o retail media faz.
As melhores baselines são construídas com modelos de demand forecasting que preveem o que teria sido vendido de qualquer forma e são validadas com experimentos de control groups que confirmam essa previsão. Juntas, elas transformam “achamos que a campanha funcionou” em: “Veja o que a campanha realmente mudou — e por que estamos confiantes nisso.”
Se você está construindo ou comprando retail media, a primeira pergunta não deveria ser: “Qual é o ROAS?” A pergunta deveria ser: “Como a baseline foi definida?”
Todo o resto vem depois.
