pLTV e Modelos BTYD em Mídia Paga: BG/NBD, Gamma-Gamma e Value-Based Bidding Além do ROAS Imediato

Otimizar leilões de mídia paga pelo ROAS de primeiro pedido atrai clientes de compra única e estrangula a margem de longo prazo.

Motores de lances inteligentes priorizam a conversão imediata mais barata. Essa mecânica favorece caçadores de cupom e ignora o valor acumulado no ciclo de vida do cliente.

Por que a otimização por ROAS imediato cria um teto artificial de escala?

O ROAS do primeiro pedido penaliza safras de alto valor residual que iniciam sua jornada com tickets de entrada moderados.

Quando o algoritmo busca maximizar o faturamento imediato, ele inflaciona o lance para compradores oportunistas de produtos em promoção.

Nos leilões do Google Smart Bidding e Meta Advantage+, o lance calcula a probabilidade de conversão multiplicada pelo valor declarado.

Se o anunciante envia apenas o valor da primeira compra, o leilão trata um cliente fiel e um comprador avulso com o mesmo peso.

A tabela abaixo compara o retorno aparente no dia zero contra o retorno real acumulado em 12 meses:

A plataforma de anúncios reduz o investimento na Safra B por causa do ROAS inicial mais baixo. Essa decisão priva o negócio de sua maior fonte de lucro líquido anual.

O que é a modelagem BTYD e como funciona o BG/NBD?

A modelagem Buy 'Til You Die estima probabilisticamente quando clientes não contratuais realizam novas compras e quando abandonam a marca.

Diferente de negócios com assinatura formal, o varejo e o e-commerce operam em regime não contratual. Nesses mercados, o cliente deixa de comprar silenciosamente.

O modelo BG/NBD (Beta-Geometric/Negative Binomial Distribution), introduzido por Fader, Hardie e Lee (2005), baseia-se em duas premissas estocásticas:

1. Frequência de Transação: O número de transações segue um processo de Poisson com taxa individual λ. Essa taxa varia entre indivíduos conforme uma distribuição Gamma.
2. Abandono Latente: A cada compra, o cliente decide abandonar a relação comercial com probabilidade p. Essa propensão ao churn segue uma distribuição Beta.

O modelo exige três variáveis históricas por cliente, consolidadas na matriz RFM:

• Recência (t_x): Tempo decorrido entre a primeira transação e a última compra observada.
• Frequência (x): Número de compras de recompra realizadas após o pedido inicial (x ≥ 0).
• Tempo Total (T): Intervalo de tempo entre a primeira compra e o final do período analisado.

A probabilidade de um cliente com histórico (x, t_x, T) continuar ativo no momento atual é expressa por:

P(Alive | x, t_x, T) = 1 ÷ [ 1 + (b ÷ (a + b + x - 1)) × ((α + T) ÷ (α + t_x))^(r + x) ]

Com a probabilidade P(Alive) calibrada, o modelo projeta o número esperado de compras futuras E[X(t)] para a janela t.

Como o modelo Gamma-Gamma projeta o valor monetário futuro?

O modelo Gamma-Gamma calcula o ticket médio esperado de transações futuras assumindo independência entre frequência e valor monetário.

O modelo BG/NBD estima quantas vezes o cliente comprará. O Gamma-Gamma, documentado por Fader e Hardie (2013), estima o montante financeiro médio de cada uma dessas visitas.

A formulação assume que o gasto médio observado m_x em x compras de recompra é uma estimativa do ticket latente v.

A distribuição dos gastos individuais segue uma distribuição Gamma. Entre clientes distintos, a escala média também varia conforme uma distribuição Gamma.

O ticket médio esperado para transações futuras E[M] é calculado por média ponderada bayesiana:

E[M | x, m_x] = [ (p × x) ÷ (p × x + q - 1) ] × m_x + [ (q - 1) ÷ (p × x + q - 1) ] × (γ × p ÷ (q - 1))

Multiplicando as compras esperadas E[X(t)] pelo ticket projetado E[M], obtemos o Lifetime Value Preditivo Contínuo Descontado (DCLV):

pLTV(t) = E[X(t)] × E[M] × (1 ÷ (1 + d)^t)

O termo d representa a taxa de desconto financeiro no horizonte considerado.

Como treinar e calibrar modelos probabilísticos em Python?

O treinamento dos modelos BG/NBD e Gamma-Gamma utiliza otimização por máxima verossimilhança sobre a matriz de transações do banco de dados.

Bibliotecas abertas como a Lifetimes e pacotes compatíveis com BTYD processam os dados diretamente de data warehouses modernos.

O script abaixo executa a preparação da matriz RFM, o ajuste dos parâmetros dos modelos e a predição do pLTV para 180 dias:

import pandas as pd
import numpy as np
from lifetimes import BetaGeoFitter, GammaGammaFitter
from lifetimes.utils import summary_data_from_transaction_data

# 1. Carregamento dos dados transacionais de primeira parte
df_transactions = pd.read_parquet("transacoes_historicas.parquet")

# 2. Construção da matriz RFM com corte temporal
rfm_summary = summary_data_from_transaction_data(
    df_transactions,
    customer_id_col="customer_id",
    datetime_col="transaction_date",
    monetary_value_col="order_value",
    observation_period_end="2026-08-30",
    freq="D"
)

# 3. Ajuste do modelo de frequência BG/NBD com regularização L2
bgf = BetaGeoFitter(penalizer_coef=0.01)
bgf.fit(rfm_summary["frequency"], rfm_summary["recency"], rfm_summary["T"])

# 4. Ajuste do modelo de ticket médio Gamma-Gamma (apenas recompradores)
recompradores = rfm_summary[
    (rfm_summary["frequency"] > 0) & (rfm_summary["monetary_value"] > 0)
]
ggf = GammaGammaFitter(penalizer_coef=0.01)
ggf.fit(recompradores["frequency"], recompradores["monetary_value"])

# 5. Predição de transações e pLTV para o horizonte de 180 dias
dias_predicao = 180
rfm_summary["prob_alive"] = bgf.conditional_probability_alive(
    rfm_summary["frequency"], rfm_summary["recency"], rfm_summary["T"]
)
rfm_summary["exp_purchases_180d"] = bgf.conditional_expected_number_of_purchases_up_to_time(
    dias_predicao, rfm_summary["frequency"], rfm_summary["recency"], rfm_summary["T"]
)
rfm_summary["exp_monetary_value"] = ggf.conditional_expected_average_profit(
    rfm_summary["frequency"], rfm_summary["monetary_value"]
)
rfm_summary["pltv_180d"] = ggf.customer_lifetime_value(
    bgf,
    rfm_summary["frequency"],
    rfm_summary["recency"],
    rfm_summary["T"],
    rfm_summary["monetary_value"],
    time=6,  # 6 meses (180 dias)
    discount_rate=0.01,
    freq="D"
)

O pipeline grava as estimativas de probabilidade de sobrevivência e valor predito na tabela de audiências para uso no ecossistema de mídia.

Como integrar o pLTV no Google Ads e na Meta Conversions API?

A ingestão de lances baseados em valor requer o envio de sinais preditivos via APIs server-side no momento da conversão ou em lotes offline.

O leilão algorítmico utiliza o valor da conversão para calibrar o lance nas estratégias de Maximize Conversion Value com Target ROAS.

Para clientes recorrentes, o valor é enriquecido na nuvem com soluções como BigQuery ML.

Para novos compradores no dia zero, o sistema injeta o pltv_180d predito a partir do SKU inicial adquirido.

A arquitetura de ingestão opera em três frentes principais:

1. Ingestão em tempo real via Meta Conversions API (CAPI)

O evento de compra dispara do servidor com o valor predito no campo custom_data.value. Isso permite que o recurso de Value Optimization da Meta priorize perfis de alto retorno:

{
  "data": [
    {
      "event_name": "Purchase",
      "event_time": 1788105600,
      "event_id": "order_ord_998124_pltv",
      "action_source": "system_generated",
      "user_data": {
        "em": ["f660ab912ec121d1b1e928a0bb4bc61b15f5ad44d5efdc4e1c92a25e99b8e44a"],
        "client_ip_address": "177.18.210.45",
        "client_user_agent": "Mozilla/5.0..."
      },
      "custom_data": {
        "currency": "BRL",
        "value": 1150.00,
        "predicted_ltv_horizon": "180d",
        "original_transaction_value": 280.00,
        "model_version": "btyd_gamma_gamma_v2.4"
      }
    }
  ]
}

2. Ajustes de conversão no Google Ads via Conversion Adjustments

O Google Ads permite atualizar conversões em até 55 dias através de Conversion Adjustments na Google Ads API.

Quando uma safra atinge novos marcos, o job envia eventos RESTATE com o valor predito revisado:

from google.ads.googleads.client import GoogleAdsClient
from datetime import datetime

def upload_pltv_adjustment(
    client: GoogleAdsClient,
    customer_id: str,
    conversion_action_id: str,
    order_id: str,
    predicted_ltv_value: float,
    adjustment_time: datetime
):
    adjustment_service = client.get_service("ConversionAdjustmentUploadService")
    adjustment = client.get_type("ConversionAdjustment")
    adjustment.conversion_action = f"customers/{customer_id}/conversionActions/{conversion_action_id}"
    adjustment.adjustment_type = client.enums.ConversionAdjustmentTypeEnum.RESTATE
    adjustment.order_id = order_id
    adjustment.adjustment_date_time = adjustment_time.strftime("%Y-%m-%d %H:%M:%S+00:00")
    adjustment.restatement_value.adjusted_value = predicted_ltv_value
    adjustment.restatement_value.currency_code = "BRL"

    request = client.get_type("UploadConversionAdjustmentsRequest")
    request.customer_id = customer_id
    request.conversion_adjustments.append(adjustment)
    request.partial_failure = True

    return adjustment_service.upload_conversion_adjustments(request=request)

Adicionalmente, anunciantes podem configurar Regras de Valor de Conversão do Google Ads para aplicar multiplicadores sobre públicos de alto valor.

3. Audiências preditivas e Lookalikes de alto LTV

A base de clientes é segmentada em decis de valor futuro. O decil superior (Top 10% pLTV) sincroniza diariamente com o Customer Match e serve de semente para públicos semelhantes (Lookalike 1%).

Essa segmentação impede a dispersão de verba em perfis com baixo potencial de retenção.

Quais resultados reais a migração para lances por pLTV entrega?

Empresas que migram de lances por ROAS estático para lances por pLTV registram aumentos de 20% a 38% no lucro líquido acumulado por safra.

O ROAS aparente de dia zero pode sofrer uma leve redução de 10% a 15%. Em contrapartida, a densidade de recompradores na safra cresce expressivamente.

Os dados consolidados de implementação em diferentes verticais demonstram a eficiência do modelo:

A engenharia de tráfego deixa de ser uma compra de cliques avulsos e passa a operar como alocação de capital financeiro.

Perguntas frequentes sobre pLTV e modelos BTYD em mídia paga

Qual é o volume mínimo de dados para treinar modelos BG/NBD e Gamma-Gamma com segurança?

Recomenda-se uma base de 12 meses de transações e ao menos 2.000 clientes com duas ou mais compras. Em bases menores, utilize penalização L2 mais rigorosa para evitar sobreajuste estatístico.

O envio de valores preditivos não distorce os relatórios contábeis do painel de anúncios?

Crie ações de conversão secundárias dedicadas à otimização algorítmica ou utilize parâmetros customizados no payload. O relatório contábil consome o faturamento real, enquanto a estratégia de lances consome o valor predito.

Como estimar o pLTV para clientes que realizam apenas uma compra no primeiro dia?

Para novos clientes sem histórico prévio, o modelo estima o pLTV com base na média observada da safra de entrada daquele SKU inicial.

Qual horizonte de tempo é ideal para calibrar o pLTV em campanhas de tráfego pago?

Para e-commerces de recompra frequente, o horizonte de 180 dias oferece equilíbrio ideal entre previsibilidade e liquidez. Para produtos duráveis, estenda para 365 dias.