📊 statistics

Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

Este trabalho propõe um modelo de levantamento causal hierárquico para decompor os efeitos de múltiplas jornadas de marketing sobrepostas, demonstrando que o impacto incremental real de cada jornada é superior ao observado em experimentos A/B tradicionais devido a sinergias e interações entre elas.

Autores originais: Jorge Pellegrini

Publicado 2026-04-28

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Jorge Pellegrini

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Problema: O "Efeito Orquestra" no Marketing Digital

Imagine que você está tentando descobrir se um tempero específico (digamos, o sal) faz a comida ficar mais gostosa. Você faz um teste: cozinha um prato com sal e outro sem sal. O resultado é claro: o prato com sal parece melhor.

Mas, no mundo real do marketing digital (como no caso da Despegar, de onde vem o estudo), as coisas não são tão simples. O cliente não recebe apenas "um tempero". Ele está recebendo vários temperos ao mesmo tempo:

Um e-mail lembrando que ele pesquisou um voo (Jornada de Busca).
Um aviso no celular dizendo que ele esqueceu algo no carrinho (Jornada de Fluxo).
Um cupom de desconto especial (Jornada de Oferta).

O grande problema: Se você testar apenas o "sal" enquanto o cliente já está comendo um prato cheio de outros temperos, você não vai conseguir medir o real poder do sal. O sabor do sal vai parecer "apagado" ou misturado com os outros.

No marketing, isso se chama sobreposição de jornadas. Se você faz um teste A/B para ver se um e-mail funciona, mas o cliente também recebe um cupom ao mesmo tempo, o resultado do teste vai te dar uma visão "mentirosa" (subestimada) do impacto real daquele e-mail.

A Solução: O "Detetive de Sabores" (O Modelo Hierárquico)

O autor Jorge Pellegrini criou um modelo matemático que funciona como um detetive de sabores. Em vez de olhar para cada tempero isoladamente, o modelo olha para o "prato pronto" e tenta desvendar a receita original.

O modelo faz três perguntas mágicas:

O Efeito Puro: "Se esse tempero estivesse sozinho no prato, o quanto ele mudaria o sabor?"
A Sinergia: "Quando eu misturo o sal com a pimenta, eles se ajudam ou um anula o outro?" (No estudo, ele descobriu que os temperos se ajudam um pouco, criando uma "sinergia").
O Efeito Global: "No final das contas, quanto toda essa mistura de temperos adicionou de sabor ao prato completo?"

Para fazer isso, ele usa uma técnica chamada Simulação de Monte Carlo. Imagine que o detetive não faz apenas uma tentativa; ele simula o jantar 5.000 vezes, mudando levemente as quantidades de sal e pimenta em cada simulação, até que ele encontre a combinação de ingredientes que explica perfeitamente o sabor que o cliente sentiu.

O que o estudo descobriu? (Os Resultados)

Quando o "detetive" terminou o trabalho, ele revelou verdades que os testes comuns não mostravam:

O impacto real é muito maior do que parece: O estudo mostrou que cada jornada (e-mail, aviso, cupom) é, na verdade, muito mais poderosa do que os testes comuns diziam. Por exemplo, a "Jornada de Busca" era cerca de 4,6 vezes mais eficiente do que o teste simples mostrava! O efeito estava sendo "escondido" pela mistura com outras comunicações.
Os temperos se dão bem: As jornadas não brigam entre si; elas têm pequenas sinergias. Elas trabalham juntas para convencer o cliente.
O modelo funciona: O resultado final que o modelo previu para o "prato completo" foi quase idêntico ao que a empresa observava na prática, provando que a matemática do detetive é confiável.

Resumo da Ópera

Em vez de olhar para cada propaganda como se ela estivesse acontecendo no vácuo, este novo modelo entende que o cliente vive em um ecossistema de mensagens. Ele permite que as empresas saibam o valor real de cada peça de marketing, mesmo quando tudo está acontecendo ao mesmo tempo, evitando que elas subestimem o poder de suas próprias estratégias.

Resumo Técnico: Modelagem Hierárquica de Uplift Causal em Jornadas de Cliente Sobrepostas

1. O Problema (Contexto e Motivação)

Em plataformas de e-commerce de viagens (como a Despegar), as empresas utilizam múltiplas "jornadas de marketing" automatizadas (e-mails, push, retargeting) para reengajar usuários. O desafio central é que essas jornadas frequentemente se sobrepõem: um mesmo usuário pode ser alvo de várias comunicações simultâneas (ex: uma jornada de busca e uma de oferta).

Os experimentos A/B tradicionais medem o "lift marginal" (o efeito observado quando uma jornada é testada isoladamente). No entanto, devido à sobreposição, esse método apresenta duas falhas críticas:

Subestimação do impacto real: O lift observado reflete apenas o efeito incremental residual, não o potencial total da jornada.
Viés de interação: O modelo padrão assume independência, ignorando que jornadas simultâneas podem gerar sinergias (reforço) ou canibalização (redução de efeito).
Inviabilidade operacional: Não é possível rodar testes A/B isolados para todas as combinações de jornadas simultâneas, pois isso exigiria suprimir metade das comunicações, gerando perda de receita e risco de experiência do usuário.

2. Metodologia Proposta

O autor propõe um Modelo de Uplift Causal Hierárquico que decompõe os efeitos globais em efeitos puros e termos de interação.

A. Estrutura do Modelo:
O modelo assume que cada jornada $j$ contribui de forma multiplicativa para a probabilidade de conversão através de um fator $f_j = 1 + \ell_j$ . Para capturar a complexidade das interações, são introduzidos parâmetros de interação ( $\kappa$ ):

$\kappa = 1$ : Independência pura.
$\kappa > 1$ : Sinergia (amplificação).
$\kappa < 1$ : Canibalização (atenuação).

A probabilidade de conversão para qualquer combinação de jornadas é o produto dos fatores individuais e dos fatores de interação (pares e de ordem superior).

B. Estimativa e Otimização:
O objetivo é encontrar o vetor de parâmetros $\theta$ que minimize a diferença entre os lifts observados experimentalmente e os lifts previstos pelo modelo. A técnica utiliza:

Mínimos Quadrados Não Lineares (NLS) Regularizados: Adiciona-se uma penalidade ( $\lambda_{inter}$ ) para evitar que os termos de interação se desviem excessivamente da neutralidade ( $\kappa=1$ ), prevenindo o overfitting.
Âncoras Suaves (Soft Anchors): O modelo incorpora os "pure lifts" (efeitos medidos em subpopulações expostas a apenas uma jornada) como restrições probabilísticas (priors Gaussianas), em vez de imposições rígidas, permitindo que os dados corrijam essas estimativas se houver evidência forte.

C. Framework de Monte Carlo:
Para lidar com a incerteza, o autor utiliza uma simulação de Monte Carlo (5.000 iterações) que:

Amostra as proporções de sobreposição da população via Distribuição Dirichlet.
Perturba os lifts observados e os pure lifts com base em suas incertezas empíricas (usando o Método Delta para calcular erros padrão).
Resolve o problema de otimização para cada amostra, gerando uma distribuição posterior para os parâmetros (média, mediana e intervalos de confiança).

3. Principais Contribuições

Decomposição de Efeitos: Capacidade de separar o impacto "puro" de uma jornada do seu impacto "marginal" observado.
Tratamento de Interações: Formalização matemática de como jornadas simultâneas interagem em um ambiente de e-commerce real.
Robustez Estatística: Uso de uma abordagem híbrida (Otimização Determinística + Monte Carlo) que quantifica a incerteza gerada pela sobreposição de audiências.

4. Resultados

Aplicado a uma base de 3 milhões de usuários, o modelo revelou:

Sinergias Posivas: Todas as interações foram, em média, positivas (embora modestas), indicando que as jornadas se reforçam levemente. A sinergia mais forte ocorreu entre as jornadas de Flow (fluxo de compra) e Offer (oferta).
Subestimação do Lift Real: O modelo mostrou que o impacto real das jornadas é muito maior do que o medido nos testes A/B:
- A jornada de Offer tem um lift puro ~4x maior que o observado.
- A jornada de Search tem um lift puro ~4,6x maior que o observado.
- A jornada de Flow tem um lift puro ~2,5x maior que o observado.
Validação Global: O lift global previsto pelo modelo atingiu aproximadamente 85% do lift global medido experimentalmente, demonstrando alta precisão na captura do impacto sistêmico.

5. Significância

O trabalho é altamente relevante para o marketing de performance e ciência de dados aplicada. Ele permite que gestores de produto e marketing:

Priorizem investimentos: Identifiquem quais jornadas realmente movem o ponteiro, mesmo que seu teste A/B isolado pareça modesto.
Otimizem a Orquestração: Entendam como combinar comunicações para maximizar sinergias e evitar canibalização.
Tomem decisões baseadas em dados: Substituam estimativas intuitivas por um framework rigoroso que respeita a complexidade do comportamento do usuário em múltiplos canais.