sinapse-ai 9.2.0 → 9.4.0

package/squads/squad-finance/knowledge-base/valuation-methods.md

@@ -0,0 +1,254 @@
+# Valuation Methods
+
+> Metodos completos de avaliacao de empresas: DCF, multiplos, opcoes reais, Black-Scholes, valuation de startups. Framework Damodaran + contexto brasileiro.
+
+---
+
+## 1. As Quatro Abordagens de Valuation (Damodaran)
+
+| Abordagem | Base | Melhor Para |
+|-----------|------|-------------|
+| **DCF** | Valor presente dos FCFs futuros | Empresas com fluxo de caixa previsivel |
+| **Multiplos (Relative)** | Comparacao com empresas similares | Mercados com muitos comparaveis |
+| **Opcoes Reais** | Valor da flexibilidade gerencial | Projetos com alta opcionalidade |
+| **Asset-Based** | Valor dos ativos liquidos | Empresas em liquidacao, holding puro |
+
+---
+
+## 2. DCF — Discounted Cash Flow
+
+### Formula Central
+
+```
+Valor da Firma = Σ (FCF_t / (1 + WACC)^t) + Valor Terminal / (1 + WACC)^n
+
+Valor Terminal (Gordon Growth Model):
+  TV = FCF_(n+1) / (WACC - g)
+  g = taxa de crescimento na perpetuidade (tipicamente 2-4% para empresas maduras)
+
+Equity Value = Valor da Firma - Divida Liquida + Ativos Nao-Operacionais
+```
+
+### Passos do DCF Completo
+
+```
+1. PROJETAR RECEITAS
+   Top-down: TAM × Market Share
+   Bottom-up: Unidades × Preco
+
+2. PROJETAR MARGENS E CUSTOS
+   COGS, SG&A, D&A — baseado em historico e benchmarks
+
+3. CALCULAR EBIT E NOPAT
+   NOPAT = EBIT × (1 - Tax Rate)
+
+4. CALCULAR FREE CASH FLOW
+   FCF = NOPAT + D&A - CAPEX - Δ Capital de Giro
+
+5. ESTIMAR WACC (ver corporate-finance-frameworks.md)
+
+6. CALCULAR VALOR TERMINAL
+   Gordon Growth OU Exit Multiple (EV/EBITDA do setor)
+
+7. DESCONTAR A VALOR PRESENTE
+
+8. AJUSTAR PARA EQUITY VALUE
+   Subtrair divida liquida, adicionar ativos nao-operacionais
+
+9. ANALISE DE SENSIBILIDADE
+   Variar WACC (±1%) e crescimento (±1%) — tornado diagram
+```
+
+### Armadilhas Comuns no DCF
+
+| Erro | Consequencia | Correcao |
+|------|-------------|----------|
+| Taxa de crescimento na perpetuidade > PIB | Empresa "maior que a economia" no longo prazo | g <= crescimento nominal do PIB |
+| Reinvestimento inconsistente com crescimento | ROIC implicito irreal | Verificar: g = ROIC × Reinvestment Rate |
+| Usar WACC nominal com FCF real (ou vice-versa) | Erro de ~IPCA no valor | Consistencia: nominal/nominal ou real/real |
+| Dupla contagem de ativos nao-operacionais | Superavaliacao | Caixa: nao incluir no FCF E no ajuste final |
+| Circular reference no WACC (peso de equity depende do valor) | Modelo inconsistente | Usar pesos-alvo ou iterar |
+
+---
+
+## 3. Multiplos — Relative Valuation
+
+### Multiplos Mais Usados
+
+| Multiplo | Formula | Quando Usar | Contexto |
+|----------|---------|-------------|---------|
+| **EV/EBITDA** | Enterprise Value / EBITDA | O mais versatil — independe de estrutura de capital e D&A | Universal |
+| **P/E** | Preco / Lucro por Acao | Empresas lucrativas e comparaveis | Bancos, varejo maduro |
+| **EV/Revenue** | EV / Receita | Empresas pre-lucro em crescimento | SaaS, startups Series B+ |
+| **P/B** | Preco / Valor Patrimonial | Bancos, seguradoras, asset-heavy | Financeiras |
+| **EV/EBIT** | EV / EBIT | Considera D&A — bom para capital-intensive | Industria, logistica |
+| **P/FCF** | Preco / Free Cash Flow | Empresas maduras geradoras de caixa | Utilities, consumo |
+
+### Enterprise Value
+
+```
+EV = Market Cap + Divida Bruta - Caixa + Participacao Minoritaria + Preferred Stock
+
+Interpretacao: quanto custaria comprar TODA a empresa (equity + credores) livre de caixa
+```
+
+### Multiplos de Referencia — Brasil (2026)
+
+| Setor | EV/EBITDA Tipico | Observacao |
+|-------|-----------------|------------|
+| Tecnologia/SaaS | 8-20x | Varia muito com crescimento |
+| Varejo | 5-10x | Comprimido por juros altos |
+| Financeiro (banco) | P/B 1-2.5x | Multiplos proprios |
+| Saude/Healthcare | 8-15x | Premium de setor defensivo |
+| Energia/Utilities | 5-9x | Regulado, previsivel |
+| Agronegocio | 5-8x | Ciclico, commodity-linked |
+| M&A (transacoes) | Premio de 20-30% sobre trading | Controle + sinergias |
+
+### Processo de Comparable Company Analysis (CCA)
+
+```
+1. Selecionar universo de comparaveis (setor, porte, geografia, modelo de negocio)
+2. Coletar metricas financeiras (LTM = Last Twelve Months preferido)
+3. Calcular EV para cada comparable
+4. Calcular multiplos (EV/EBITDA, P/E, etc.)
+5. Calcular mediana e quartis
+6. Aplicar multiplo ao alvo (com premios/descontos por iliquidez, tamanho, crescimento)
+```
+
+---
+
+## 4. Opcoes Reais
+
+Aplica modelos de precificacao de opcoes financeiras a decisoes de investimento corporativo. Captura o VALOR DA FLEXIBILIDADE que o DCF ignora.
+
+| Tipo | Analogia Financeira | Exemplo Corporativo |
+|------|---------------------|---------------------|
+| **Adiar** | Call americana | Adiar expansion de fabrica ate demanda confirmar |
+| **Expandir** | Call sobre ativo | Direito de expandir se mercado exceder expectativa |
+| **Contrair** | Put sobre ativo | Reduzir operacoes se mercado deteriorar |
+| **Abandonar** | Put americana | Vender ativos e sair do negocio |
+| **Trocar** | Portfolio de opcoes | Flexibilidade de alternar insumos ou outputs |
+| **Staging** | Compound option | Investir em fases (P&D → Piloto → Escala) |
+
+**Quando usar opcoes reais vs DCF:**
+- DCF: projetos maduros com baixa incerteza e opcionalidade limitada
+- Opcoes Reais: projetos com alta incerteza, reversibilidade, ou decisoes sequenciais (P&D, recursos naturais, startups)
+
+---
+
+## 5. Black-Scholes — Precificacao de Opcoes
+
+```
+Call = S × N(d1) - K × e^(-rT) × N(d2)
+Put  = K × e^(-rT) × N(-d2) - S × N(-d1)
+
+d1 = [ln(S/K) + (r + σ²/2) × T] / (σ × √T)
+d2 = d1 - σ × √T
+
+S = Preco spot do ativo
+K = Strike price (preco de exercicio)
+r = Taxa livre de risco (continua)
+T = Tempo ate vencimento (em anos)
+σ = Volatilidade do ativo (anualizada)
+N() = Funcao de distribuicao normal cumulativa
+```
+
+### "Greeks" — Sensibilidades
+
+| Greek | Simbolo | Mede | Pratica |
+|-------|---------|------|---------|
+| **Delta** | Δ | ∂V/∂S | Variacao do preco da opcao por R$1 no ativo |
+| **Gamma** | Γ | ∂²V/∂S² | Variacao do delta — convexidade |
+| **Theta** | Θ | ∂V/∂t | Decaimento temporal — valor perdido por dia |
+| **Vega** | ν | ∂V/∂σ | Sensibilidade a volatilidade |
+| **Rho** | ρ | ∂V/∂r | Sensibilidade a taxa de juros |
+
+---
+
+## 6. Modelagem Financeira — Best Practices
+
+### Estrutura Padrao de um Modelo
+
+```
+1. Assumptions Sheet    → Todas premissas em um lugar (inputs em azul)
+2. Income Statement     → DRE projetada
+3. Balance Sheet        → Balanco projetado
+4. Cash Flow Statement  → DFC projetada
+5. DCF / Valuation      → Avaliacao
+6. Sensitivity / Scenarios → Tornado diagram, Monte Carlo
+7. Output / Summary     → Dashboard executivo
+```
+
+### Boas Praticas (FAST Standard)
+
+```
+- Separar inputs de calculos (inputs em azul, formulas em preto)
+- Uma formula por linha — nao misturar logicas
+- Fluxo esquerda → direita (historico → projecao)
+- Nunca hardcoded numbers dentro de formulas
+- Documentar premissas e fontes
+- Checks de integridade: Ativo = Passivo + PL em todo periodo
+- 3 cenarios obrigatorios: Base (60%), Bull (20%), Bear (20%)
+- Sensibilidade: variar WACC ±1%, crescimento ±1%
+```
+
+---
+
+## 7. Analise de Cenarios e Sensibilidade
+
+| Tecnica | Descricao | Quando Usar |
+|---------|-----------|-------------|
+| **Sensibilidade** | Varia uma premissa de cada vez | Identificar variaveis criticas |
+| **Cenarios** | Varia multiplas premissas simultaneamente | Avaliar faixas de resultado |
+| **Monte Carlo** | Distribuicoes de probabilidade para cada variavel | Projetos complexos |
+| **Break-even** | NPV = 0 — qual o minimo aceitavel | Definir limites de decisao |
+| **Tornado Diagram** | Ranking visual de sensibilidade | Comunicacao para stakeholders |
+
+### Monte Carlo — Passos
+
+```
+1. Identificar variaveis-chave (receita, WACC, margem, crescimento)
+2. Definir distribuicao para cada variavel (normal, triangular, uniforme)
+3. Gerar N simulacoes (minimo 10.000)
+4. Calcular NPV/IRR para cada simulacao
+5. Analisar distribuicao resultante (media, desvio padrao, percentis)
+6. Calcular P(NPV < 0) — risco de perda
+```
+
+---
+
+## 8. Valuation de Startups
+
+Startups early-stage tem valuation mais arte que ciencia — especialmente pre-revenue:
+
+| Metodo | Estagio | Base |
+|--------|---------|------|
+| **Berkus Method** | Pre-revenue | 5 fatores qualitativos, ate US$ 2M cada |
+| **Scorecard Method** | Pre-revenue | Comparacao com peers, ajustada |
+| **Comparable Transactions** | Seed/Series A | Multiplos de deals recentes similares |
+| **Revenue Multiple** | Series A+ | ARR × multiplo do setor (SaaS: 5-30x) |
+| **VC Method** | Qualquer | Post-money = Terminal Value / (1+IRR)^n |
+| **DCF** | Growth/Late stage | FCF projetado (alta incerteza) |
+
+### VC Method — Formula
+
+```
+Pre-money Valuation = Post-money Valuation - Investimento
+
+Post-money Valuation = Terminal Value / (1 + IRR_alvo)^n
+
+Terminal Value = Receita_n × Multiplo_saida
+IRR alvo VC: 30-50% (pre-seed/seed) a 20-30% (Series B+)
+```
+
+---
+
+## 9. Referencias
+
+- **"Investment Valuation"** — Aswath Damodaran (biblia de valuation)
+- **"Valuation"** — McKinsey (Koller, Goedhart, Wessels)
+- **"Investment Banking"** — Rosenbaum & Pearl (multiplos e M&A)
+- **"Financial Modeling"** — Simon Benninga
+- **"The Dark Side of Valuation"** — Damodaran (empresas dificeis de avaliar)
+- **"Options, Futures, and Other Derivatives"** — John Hull (Black-Scholes)
+- **"Avaliacao de Empresas"** — Alexandre Assaf Neto (contexto brasileiro)

package/squads/squad-growth/knowledge-base/ai-growth-playbook.md

@@ -0,0 +1,216 @@
+# Knowledge Base: AI & Growth Playbook
+
+> Fonte: MS-004 Growth Research (2026-04-07), OpenAI, Google AI Overviews impact data
+
+## AI Transformando Growth
+
+A inteligencia artificial esta redefinindo todas as disciplinas de growth — de personalizacao a SEO, de experimentacao a analytics preditivo.
+
+**As tres ondas de AI em growth:**
+1. **Automacao** (2018-2022) — AI automatiza tarefas repetitivas: emails, bidding de ads, churn prediction
+2. **Geracao** (2022-2024) — GenAI cria conteudo, copy, variantes em escala
+3. **Orquestracao** (2024-presente) — AI orquestra experiencias completas, personaliza em tempo real, decide proxima acao ideal
+
+---
+
+## AI-Powered Personalization
+
+### Aplicacoes Principais
+
+| Aplicacao | Descricao | Exemplo |
+|-----------|-----------|---------|
+| **Product recommendations** | ML sugere itens baseado em comportamento | Netflix, Spotify Discover Weekly |
+| **Dynamic pricing** | Precos ajustados por demanda/perfil | Airlines, Uber surge pricing |
+| **Content personalization** | Homepage/emails customizados por usuario | Amazon, Netflix UI |
+| **Search personalization** | Resultados ajustados por historico | Google, e-commerce search |
+| **Onboarding personalization** | Flow adaptado ao perfil do usuario | Welcome survey → personalized path |
+| **Email personalization** | Assunto, conteudo, horario por usuario | Customer.io, Braze behavioral emails |
+
+### Implementacao Pratica
+
+**Nivel 1 — Segmentacao (basico):**
+- Dividir usuarios em 3-10 segmentos
+- Conteudo diferente por segmento
+- Ferramentas: qualquer ESP com tags
+
+**Nivel 2 — Personalizacao comportamental:**
+- Acoes especificas trigam mensagens especificas
+- "Se usuario fez X mas nao Y, enviar Z"
+- Ferramentas: Customer.io, Intercom, Amplitude
+
+**Nivel 3 — ML-driven personalization:**
+- Modelo preditivo determina proxima melhor acao
+- Cada usuario recebe experiencia unica
+- Ferramentas: Braze, Salesforce Einstein, custom ML
+
+---
+
+## Predictive Analytics
+
+### Modelos de ML para Growth
+
+| Modelo | Aplicacao | Impacto Potencial |
+|--------|-----------|------------------|
+| **Churn prediction** | Identificar usuarios em risco | Intervencao proativa antes do churn |
+| **LTV prediction** | Estimar valor futuro do usuario | Otimizar CAC por segmento |
+| **Propensity scoring** | Probabilidade de conversao/upgrade | Priorizar outreach de sales |
+| **Next-best-action** | Qual acao maximiza engagement | Personalizacao de triggers |
+| **Anomaly detection** | Identificar mudancas anomalas | Alertas automaticos |
+| **Lead scoring** | Qualificacao automatica de leads | MQL/PQL sem review manual |
+
+### Churn Prediction — Framework Pratico
+
+**Sinais para o modelo:**
+- Login frequency (decrescente = sinal forte)
+- Features usadas (reducao = sinal)
+- Volume de uso vs periodo anterior
+- Tickets de suporte abertos/nao resolvidos
+- Team members added/removed
+- Integration connections ativas
+- Pagina de pricing visitada (tanto sinal de upgrade quanto de saida)
+
+**Threshold de intervencao:**
+```
+Score 80-100: Customer Success proativo — ligar/email personalizado
+Score 60-79:  Campanha de re-engagement automatica
+Score 40-59:  Email educacional sobre features subutilizadas
+Score < 40:   Monitorar, sem acao especial
+```
+
+---
+
+## Generative AI para Content Marketing
+
+### Aplicacoes Validas
+
+| Aplicacao | Valor | Limitacao |
+|-----------|-------|-----------|
+| **Drafting** | Primeiros rascunhos 3-5x mais rapido | Requer edicao humana pesada |
+| **Variantes de A/B test** | 10 variantes de subject line em segundos | Sem dados proprios = generico |
+| **Programmatic SEO** | Escalar paginas de baixo valor | Risco de penalizacao por thin content |
+| **Personalized email copy** | Variantes por segmento | Voz da marca pode variar |
+| **Content repurposing** | Transformar blog → social → newsletter | Perde nuances |
+| **Research assistance** | Resumir informacoes, estruturar pesquisa | Alucinacoes requerem fact-checking |
+
+### Riscos e Limites
+
+- **Qualidade** — GenAI produz conteudo "medio" que nao se destaca no SEO
+- **E-E-A-T** — Google pode detectar e penalizar conteudo 100% AI sem expertise real
+- **Originalidade** — Sem dados originais, conteudo AI e comoditizado
+- **Brand voice** — Manter consistencia de voz requer fine-tuning ou prompts detalhados
+- **Factual accuracy** — Alucinacoes requerem revisao humana obrigatoria
+
+**Abordagem recomendada: AI como co-pilot, nao autopilot.**
+Use AI para acelerar rascunhos e variacoes, mas sempre com:
+- Edicao humana
+- Dados originais e propriedade intelectual
+- Expertise real demonstravel
+- Fatos verificados
+
+---
+
+## LLM-Powered SEO
+
+### Impacto de LLMs na Busca (2025-2026)
+
+**Answer engines crescendo:**
+- Perplexity: +300% de usuarios em 2024
+- ChatGPT Search: lancado em 2023, expandido em 2024
+- Google AI Overviews: 25-60% das buscas (varia por metodologia)
+
+**A nova realidade para SEO:**
+```
+Antes: Otimizar para rankear na primeira pagina do Google
+Agora: Otimizar para ser CITADO em AI Overviews/respostas de LLMs
+```
+
+### Como ser Citado em AI Overviews
+
+1. **Dados originais** — Pesquisas, estudos, benchmarks proprios sao altamente citaveis
+2. **Estrutura clara** — Headings, listas, tabelas facilitam extracao de AI
+3. **Autoridade demonstravel** — E-E-A-T forte, backlinks de qualidade
+4. **Fatos especificos** — Numeros, datas, fontes verificaveis
+5. **Schema markup** — Ajuda AI a entender o contexto do conteudo
+6. **Perguntas respondidas diretamente** — AI prefere conteudo que responde claramente uma pergunta
+
+### Diversificacao de Trafego na Era LLM
+
+| Canal | Impacto da AI | Estrategia |
+|-------|--------------|-----------|
+| Google organico | Alto impacto (zero-click) | Otimizar para citacao em AI Overviews |
+| YouTube | Baixo impacto | Crescer presenca em video |
+| LinkedIn | Baixo impacto | B2B thought leadership |
+| Newsletter | Impacto neutro (owned) | Investir em lista propria |
+| Podcast | Impacto neutro | Audiencia fiel, diferenciada |
+| Perplexity/ChatGPT | Oportunidade | Ser autoridade citada |
+| Reddit | Crescente em SERPs | Presenca em discussoes relevantes |
+
+---
+
+## AI Chatbots para Conversao
+
+### Aplicacoes em Growth
+
+| Aplicacao | Ferramenta | Resultado tipico |
+|-----------|-----------|-----------------|
+| Qualifying leads 24/7 | Intercom Fin, Drift | Reducao de 40-60% no tempo de resposta |
+| FAQ automation | Intercom, Zendesk AI | 40-70% reducao em tickets de suporte |
+| Guided selling | Qualified, custom GPT | +15-25% em conversao de visitante → lead |
+| Onboarding assistido | Appcues + AI, custom | Reducao de friccao, mais ativacao |
+| Customer success proativo | Gainsight AI, Intercom | Deteccao precoce de churn |
+
+**Ferramentas:** Intercom Fin, Drift, Qualified, Voiceflow, custom LLM bots
+
+---
+
+## Analytics com AI
+
+### GA4 ML Features
+- **Predictive audiences** — Google prediz usuarios propensos a comprar em 7 dias
+- **Anomaly detection** — Alerta automatico quando metricas se desviam do esperado
+- **Insights automaticos** — GA4 gera insights sem query manual
+- **Churn probability** — Probability de um usuario ficar inativo em 28 dias
+
+### Amplitude AI / Mixpanel AI
+- **Autochart** — Amplitude gera visualizacoes baseadas em linguagem natural
+- **Root cause analysis** — Identifica o que causou mudancas em metricas
+- **Behavioral predictions** — Preve qual segmento vai converter ou churnar
+
+### Stack de AI Analytics
+
+```
+Dados brutos → Data Warehouse (BigQuery/Snowflake)
+                    ↓
+          Feature Store (historico de comportamento)
+                    ↓
+          ML Models (churn, LTV, propensity)
+                    ↓
+          Predictions → CRM/CDP → Marketing Automation
+                    ↓
+          Personalized experience para cada usuario
+```
+
+---
+
+## Automacao de Growth com AI
+
+### Experiment Automation
+- **Statsig AI** — Sugere experimentos baseados em dados historicos
+- **Multi-armed bandit** — AI aloca trafego dinamicamente para variantes vencedoras
+- **Feature flags inteligentes** — Rollout progressivo com monitoramento automatico de guardrails
+
+### Campaign Optimization
+- **Smart Bidding (Google)** — AI ajusta lances por usuario/contexto
+- **Meta Advantage+** — AI gerencia targeting e criativos automaticamente
+- **Email send-time optimization** — AI determina melhor horario por usuario
+- **Dynamic subject lines** — AI testa variantes e seleciona vencedoras
+
+### Content Generation no Growth Loop
+
+```
+Pesquisa de palavra-chave → AI gera outline → Editor humano refina
+→ AI gera draft → Editor humano aprimora → Publicar
+→ Performance data → AI sugere otimizacoes → Editor decide
+```
+
+Esse loop reduz tempo de producao em 50-70% mantendo qualidade human-in-the-loop.

package/squads/squad-growth/knowledge-base/attribution-models.md

@@ -184,6 +184,80 @@ iROAS = Incremental Revenue / Ad Spend
 - **Ghost ads:** log would-have-shown impressions
 - **Conversion lift studies:** platform-native (Meta Lift, Google Experiments)
 
+## Media Mix Modeling (MMM)
+
+### O que e MMM
+MMM e uma tecnica estatistica (regressao) que usa dados agregados de gasto e resultados para estimar a contribuicao de cada canal de marketing — sem depender de cookies ou tracking individual.
+
+**Por que MMM ganhou relevancia (2023-2026):**
+- iOS 14.5+: reducao de 40-60% em tracking de conversoes mobile
+- LGPD/GDPR: restricoes crescentes a cookies de terceiros
+- Walled gardens (Meta, Google): cada plataforma reporta seu proprio attribution
+- MMM usa dados agregados = privacy-safe por design
+
+### Como funciona
+```
+Receita = f(
+  TV_spend,
+  Google_spend,
+  Meta_spend,
+  Email_sends,
+  Seasonality,
+  Price,
+  External_factors
+) + error
+
+Coeficiente de cada variavel = contribuicao marginal daquele canal
+```
+
+### Quando usar MMM vs MTA
+| Dimensao | MMM | MTA (Multi-Touch Attribution) |
+|----------|-----|------------------------------|
+| Dados necessarios | Historico agregado (2+ anos) | Individual touchpoints |
+| Granularidade | Nivel de canal | Nivel de usuario |
+| Latencia | Semanal/mensal | Near real-time |
+| Privacidade | Privacy-safe | Requer consentimento |
+| Canais offline | Sim (TV, radio, OOH) | Limitado |
+| Custo de implementacao | Alto (data science) | Medio |
+| Melhor para | Planejamento estrategico | Otimizacao tatica |
+
+### Ferramentas de MMM
+| Ferramenta | Tipo | Notas |
+|-----------|------|-------|
+| **Meta Robyn** | Open-source | Meta/Facebook; R package |
+| **Google Meridian** | Open-source | Substitui LightweightMMM |
+| **Google LightweightMMM** | Open-source | Python, Bayesian |
+| **Analytic Edge (Commerzbank)** | Consultoria/SaaS | Enterprise |
+| **Neustar MarketShare** | Enterprise | Lider historico |
+| **Nielsen Attribution** | Enterprise | Forte em CPG |
+
+---
+
+## Incrementality Testing — O Gold Standard
+
+Incrementality mede o impacto CAUSAL de um canal (o que nao teria acontecido sem o canal).
+
+```
+Incrementality Lift = (Test Group CR - Control Group CR) / Control Group CR × 100
+
+Incremental conversions = Total conversions × (1 - (Control CR / Test CR))
+
+iROAS = Incremental Revenue / Ad Spend
+```
+
+**Interpretacao critica:** Se iROAS < 1, o canal esta gastando mais que gera incrementalmente — mesmo que o ROAS total aparente seja alto (credito a conversoes organicas).
+
+**Metodos por ordem de precisao:**
+| Metodo | Precisao | Custo | Quando usar |
+|--------|----------|-------|-------------|
+| Geo-based holdout | Alta | Medio | Canal com escala geografica |
+| Ghost ads | Muito alta | Alto | Meta, Google tem ferramentas nativas |
+| Budget on/off | Media | Baixo | Teste rapido |
+| Matched market | Alta | Medio | Comparar mercados similares |
+| Randomized Controlled Trial | Maxima | Alto | Quando vale o investimento |
+
+---
+
 ## Decision Matrix
 
 | Scenario | Recommended Model |
@@ -193,3 +267,7 @@ iROAS = Incremental Revenue / Ad Spend
 | Multi-channel, long sales cycle | Position-based or data-driven |
 | Limited data (<300 conversions/month) | Position-based |
 | Sufficient data (300+ conversions) | Data-driven |
+| Privacy-constrained environment | MMM |
+| Strategic budget planning | MMM |
+| Tactical channel optimization | MTA (data-driven) |
+| Validar se canal realmente incrementa | Incrementality test |