Modelagem de LTV Preditivo (pLTV) com BG/NBD e Gamma-Gamma: Como Agências Otimizam Lances de Alto Valor no Google e Meta Ads

MARKETING · 2026.08.28

A otimização tradicional por CPA ou ROAS de 30 dias penaliza a aquisição dos clientes mais valiosos da empresa.

Campanhas de tráfego pago que priorizam métricas imediatas direcionam o orçamento para compradores de ocasião. A modelagem probabilística de LTV preditivo permite que agências aumentem os lances para capturar clientes recorrentes de alta margem.

Bancada de ciência de dados de agência em ambiente de estúdio escuro com monitores verticais exibindo curvas de LTV preditivo e indicador carmim aceso

Por que a otimização por CPA e ROAS de 30 dias destrói o crescimento?

A otimização de lances por retorno imediato sofre de miopia temporal.

Ela força os algoritmos de leilão a buscar conversões fáceis e de baixo custo inicial. Esses usuários raramente realizam uma segunda compra.

Em modelos não contratuais (como e-commerce e varejo digital), o valor de um cliente decorre da retenção ao longo de meses. Quando a conta de anúncios é configurada para um CPA fixo de primeiro pedido, o sistema rejeita leilões mais caros.

No entanto, leilões mais disputados frequentemente concentram compradores com maior poder aquisitivo e alta fidelidade. O estudo seminal de Fader, Hardie e Lee (2005, Marketing Science) demonstra que a distribuição de transações é altamente heterogênea. Cerca de 20% dos clientes geram a quase totalidade do lucro operacional acumulado.

Ao calcular o retorno apenas na janela de 30 dias, a agência subdimensiona o valor do consumidor. Como consequência, a operação perde espaço para concorrentes que conhecem o payback real da carteira.

Abordagem de Mídia	Sinal de Otimização no Leilão	Comportamento do Algoritmo	Impacto no EBITDA em 12 Meses
CPA Fixo Tradicional	Volume de conversões de 1º pedido	Prioriza compradores sensíveis a preço	Baixa margem e churn elevado
ROAS de 30 Dias	Faturamento bruto imediato	Infla vendas de SKUs com desconto	Margem líquida comprimida
pLTV Smart Bidding	Lucro predito descontado (360d)	Vence leilões de alta recompra	Expansão de caixa e retenção

O que é o modelo BG/NBD e como ele descreve o comportamento do consumidor?

O modelo BG/NBD é uma estrutura probabilística que estima o número de recompras futuras e a probabilidade de o cliente continuar ativo.

Ele foi desenvolvido por Peter Fader, Bruce Hardie e Ka Lok Lee para simplificar o clássico Pareto/NBD formulado por Schmittlein, Morrison e Colombo (1987, Management Science).

O modelo assume que o cliente realiza compras enquanto está no estado "ativo". Ao realizar uma transação, existe uma probabilidade latente de ele abandonar a empresa definitivamente.

As quatro premissas matemáticas do modelo BG/NBD são:

Processo de Compras: O número de transações de um cliente ativo segue uma distribuição de Poisson com taxa individual de compra λ.
Heterogeneidade de Transação: A taxa de compra λ varia entre os clientes seguindo uma distribuição Gamma com parâmetros de forma r e escala α.
Processo de Abandono (Dropout): Imediatamente após qualquer compra, o cliente pode se tornar inativo com probabilidade p, seguindo uma distribuição Geométrica.
Heterogeneidade de Abandono: A probabilidade p varia entre os clientes de acordo com uma distribuição Beta com parâmetros a e b.

A partir do histórico individual resumido em (x, t_x, T) — frequência de recompra x, recência da última compra t_x e idade do cliente T —, o modelo calcula duas métricas fundamentais:

P(Alive): A probabilidade condicional de o consumidor continuar ativo no presente.
E[X(t)]: O número esperado de transações no horizonte de tempo futuro t.

Fórmula de Probabilidade de Cliente Ativo:
P(Alive | x, t_x, T) = 1 ÷ [ 1 + δ_{x > 0} × (a ÷ (b + x - 1)) × ((α + T) ÷ (α + t_x))^(r + x) ]

Como o modelo Gamma-Gamma projeta o valor monetário médio das transações?

O modelo Gamma-Gamma estima o ticket médio esperado das transações futuras de cada cliente.

Ele complementa o BG/NBD adicionando a dimensão financeira necessária para a mensuração do Lifetime Value.

Formulado por Fader e Hardie (2013), o modelo estabelece que o gasto por transação varia aleatoriamente em torno do valor médio individual do consumidor.

A premissa central é que o valor financeiro das compras é independente do processo de contagem de transações. Os parâmetros populacionais p, q e γ são ajustados a partir de clientes com pelo menos uma recompra (x > 0).

A expressão bayesiana para o valor médio esperado por transação E[M] combina a média observada do cliente z_bar com a média populacional:

Valor Médio Esperado por Transação:
E[M | p, q, γ, x, z_bar] = [ (q - 1) × (γ × p) ÷ (p × x + q - 1) ] + [ (p × x) ÷ (p × x + q - 1) ] × z_bar

Multiplicando o número de transações esperadas E[X(t)] pelo ticket médio previsto E[M], a agência obtém a projeção bruta de receita futura. Aplicando a margem de contribuição média m e a taxa de desconto financeiro d, formaliza-se o pLTV líquido:

Equação do LTV Preditivo Descontado:
pLTV(t) = E[X(t) | x, t_x, T] × E[M | x, z_bar] × Margem_Contribuicao × [ 1 ÷ (1 + d)^(t ÷ 365) ]

Diagrama esquemático de arquitetura de dados integrando Data Warehouse, modelos BG/NBD e injeção de lances no Google Ads e Meta CAPI com nós carmim luminosos

Qual a arquitetura de dados necessária para calcular o pLTV na agência?

A infraestrutura de pLTV exige a ingestão de pedidos de primeira parte, consolidação em Data Warehouse e execução de pipeline analítico.

A base de dados transacional bruta é agregada periodicamente para gerar a matriz analítica RFM-T de cada consumidor.

Webhooks do e-commerce ou ERP (como Shopify, VTEX e Magento) alimentam o Data Warehouse via streaming ou micro-batch diário. Uma consulta SQL transforma os registros de pedidos nas quatro variáveis requeridas pelos modelos estocásticos:

frequency (x): Total de compras além do primeiro pedido.
recency (t_x): Intervalo de tempo entre a primeira e a última transação do cliente.
T: Intervalo de tempo total entre a primeira transação e a data corrente.
monetary_value (z_bar): Média do valor das compras de recompra.

-- Agregação RFM-T para modelagem preditiva no Data Warehouse
WITH customer_orders AS (
  SELECT
    customer_id,
    customer_email_sha256,
    order_id,
    TIMESTAMP(order_timestamp) AS order_time,
    net_revenue AS order_value
  FROM `analytics.ecommerce_orders`
  WHERE order_status IN ('paid', 'delivered')
),

first_and_last AS (
  SELECT
    customer_id,
    customer_email_sha256,
    MIN(order_time) AS first_order_time,
    MAX(order_time) AS last_order_time,
    COUNT(order_id) AS total_orders,
    SUM(order_value) AS total_revenue
  FROM customer_orders
  GROUP BY 1, 2
)

SELECT
  f.customer_id,
  f.customer_email_sha256,
  (f.total_orders - 1) AS frequency,
  DATE_DIFF(DATE(f.last_order_time), DATE(f.first_order_time), DAY) / 30.0 AS recency,
  DATE_DIFF(CURRENT_DATE(), DATE(f.first_order_time), DAY) / 30.0 AS T,
  CASE 
    WHEN f.total_orders > 1 THEN 
      (f.total_revenue - (
        SELECT order_value FROM customer_orders co 
        WHERE co.customer_id = f.customer_id 
        ORDER BY order_time ASC LIMIT 1
      )) / (f.total_orders - 1)
    ELSE 0.0 
  END AS monetary_value
FROM first_and_last f
WHERE DATE_DIFF(CURRENT_DATE(), DATE(f.first_order_time), DAY) > 0;

Com a matriz RFM-T gerada, um container de processamento executa rotinas em Python utilizando bibliotecas de referência como PyMC-Marketing ou lifetimes. Os parâmetros ajustados geram previsões de 90, 180 e 360 dias para cada identificador de usuário.

import pandas as pd
from lifetimes import BetaGeoFitter, GammaGammaFitter

def calculate_pltv_scores(rfm_df: pd.DataFrame) -> pd.DataFrame:
    # 1. Ajuste do modelo BG/NBD de frequência e churn
    bgf = BetaGeoFitter(penalizer_coef=0.01)
    bgf.fit(rfm_df['frequency'], rfm_df['recency'], rfm_df['T'])
    
    # 2. Ajuste do modelo Gamma-Gamma de valor monetário
    repeat_customers = rfm_df[rfm_df['frequency'] > 0]
    ggf = GammaGammaFitter(penalizer_coef=0.01)
    ggf.fit(repeat_customers['frequency'], repeat_customers['monetary_value'])
    
    # 3. Predição para horizonte de 12 meses (t = 12 meses)
    rfm_df['expected_purchases_12m'] = bgf.predict(
        12, rfm_df['frequency'], rfm_df['recency'], rfm_df['T']
    )
    rfm_df['p_alive'] = bgf.conditional_probability_alive(
        rfm_df['frequency'], rfm_df['recency'], rfm_df['T']
    )
    rfm_df['expected_avg_value'] = ggf.conditional_expected_average_profit(
        rfm_df['frequency'], rfm_df['monetary_value']
    ).fillna(repeat_customers['monetary_value'].median())
    
    # 4. Cálculo do pLTV líquido descontado (Margem 40%, Custo de Capital 10%)
    margin = 0.40
    discount = 1.0 / 1.10
    rfm_df['pltv_12m'] = (
        rfm_df['expected_purchases_12m'] * 
        rfm_df['expected_avg_value'] * 
        margin * 
        discount
    )
    
    # 5. Segmentação por decis de valor para injeção em mídia
    rfm_df['pltv_decile'] = pd.qcut(
        rfm_df['pltv_12m'], q=10, labels=False, duplicates='drop'
    ) + 1
    
    return rfm_df

Como injetar scores de pLTV no Google Ads Smart Bidding?

O Google Ads utiliza scores de pLTV para ajustar lances em estratégias de Maximizar o Valor da Conversão com ROAS Desejado.

Essa injeção é realizada por meio de três mecanismos nativos documentados pelo Google Ads Help.

O primeiro método consiste na importação de conversões offline (OCI). Ao registrar a primeira compra no site, a plataforma recebe o valor real da transação. Em seguida, o pipeline despacha uma conversão ajustada (Adjusted_Purchase) vinculada ao gclid ou dados hasheados de primeira parte (Enhanced Conversions), transmitindo o multiplicador de valor predito.

O segundo mecanismo utiliza as Regras de Valor de Conversão (Conversion Value Rules). A agência cria regras condicionais associadas a listas de Customer Match. Clientes pertencentes aos decis superiores de pLTV (Decis 9 e 10) recebem acréscimos automáticos de valor de conversão (como +50% ou +100%).

O terceiro pilar envolve a estruturação de listas de públicos-alvo preditivos para campanhas Performance Max e Search. As audiências de alto pLTV servem como sinais de público prioritários (Audience Signals), acelerando o aprendizado algorítmico na busca por novos clientes com características estatísticas similares.

Close-up de monitor de telemetria de mídia exibindo comparativo entre ROAS de 30 dias e curva cumulativa de pLTV de 360 dias sob iluminação chiaroscuro

Como sincronizar o valor predito com a Meta Conversions API (CAPI)?

A Meta Conversions API recebe o valor predito para orientar a Otimização de Valor (Value Optimization) no Advantage+ Shopping.

O servidor de mensuração envia eventos com parâmetros enriquecidos para guiar o leilão algorítmico.

Segundo a documentação oficial da Meta for Developers, a otimização por valor distribui os lances priorizando usuários com maior propensão a compras de alto tíquete e recompra contínua.

Existem duas estratégias consolidadas de implementação via CAPI:

Ponderação do Parâmetro value no Evento Purchase: O payload do evento de compra envia o valor do pedido somado a uma fração ponderada do pLTV futuro estimado: valor_enviado = valor_primeiro_pedido + (pLTV_recompras × peso_confianca).
Disparo de Evento Personalizado (Predicted_VIP_Customer): Quando um cliente recém-adquirido apresenta pontuação de probabilidade P(Alive) > 0.80 e E[X(360)] ≥ 3.0, o middleware despacha um evento exclusivo. Esse evento serve de gatilho para a criação de públicos semelhantes (Lookalike 1% de Alto pLTV) e exclusão de campanhas de reengajamento genéricas.

A garantia de integridade da mensuração exige o envio de dados cadastrais normalizados em SHA-256 (em, ph, fn, ln), garantindo um Event Match Quality (EMQ) superior a 8.5 na interface do Gerenciador de Eventos da Meta.

Como resolver o problema de cold-start para novos visitantes?

O desafio do visitante sem histórico é solucionado com modelos de propensão baseados em atributos da primeira sessão.

Enquanto o BG/NBD depende de transações concluídas, a predição de novos compradores combina dados comportamentais imediatos.

No momento da primeira visita, a agência não dispõe de dados de recência e frequência. Para contornar essa restrição, utiliza-se uma camada preliminar de classificação por regressão logística ou árvores de decisão (como XGBoost ou LightGBM). Esse modelo analisa:

Canal de Origem e Palavra-chave: Termos de busca com intenção transacional de alto tíquete.
Categoria e SKU do Primeiro Item no Carrinho: Produtos de entrada com alta taxa histórica de recompra.
Geolocalização e Dispositivo: Renda média censitária da região e sistema operacional.
Profundidade de Navegação: Tempo de permanência e visualização de páginas institucionais ou de garantia.

Assim que a compra de entrada é aprovada, o score de propensão da primeira sessão atua como estimativa preliminar de pLTV. Conforme o usuário acumula recência e novas transações, o modelo migra automaticamente para a inferência determinística do BG/NBD e Gamma-Gamma.

Essa metodologia em duas etapas garante lances precisos desde a primeira impressão no leilão de mídia, preservando a disciplina de caixa e garantindo retornos compostos sustentáveis para a operação.