Você já se perguntou como as plataformas de anúncios decidem onde investir mais dinheiro? Ou como um e-commerce ajusta preços automaticamente para vender mais sem perder lucro? Por trás dessas decisões existe uma disciplina poderosa e, muitas vezes invisível: a otimização numérica.

Esse ramo da matemática aplicada permite encontrar a melhor solução possível dentro de um conjunto de opções. E, embora tenha nascido na engenharia, hoje é peça-chave na estatística aplicada, ciência de dados e marketing digital — especialmente no campo de web analytics, que analisa dados online para orientar decisões estratégicas.

Das pontes aos algoritmos de anúncios

A otimização numérica começou a ser usada na década de 1950, principalmente em engenharia estrutural, para calcular a melhor forma de construir pontes, prédios e aeronaves com o menor uso possível de materiais, tempo e recursos.

Por exemplo, um engenheiro civil pode usar equações para determinar a espessura ideal de uma viga que suporte determinada carga com segurança, gastando o mínimo de concreto e aço. Na engenharia aeronáutica, a otimização ajuda a projetar asas e fuselagens que reduzem o arrasto (a resistência do ar) e melhoram a eficiência de combustível.

Com o avanço dos computadores, o mesmo raciocínio matemático passou a ser aplicado em outros campos — inclusive no universo digital. Hoje, anunciantes, analistas e cientistas de dados usam os mesmos princípios para decidir quanto investir em mídia, qual campanha priorizar e como aumentar o retorno sobre investimento (ROI).

O que significa otimizar numericamente

Em essência, otimizar é buscar o melhor resultado possível diante de um conjunto de condições. Esse resultado pode significar gastar menos, lucrar mais, reduzir desperdícios ou melhorar o desempenho de um sistema.

Na prática, o processo começa com três perguntas básicas:

1. Qual é o objetivo? (por exemplo, aumentar as conversões ou reduzir o custo de aquisição de clientes).
2. Quais são as variáveis? (como orçamento por canal, CPC, frequência de anúncios, preço do produto).
3. Quais são as restrições? (limites de verba, estoque, tempo de campanha).

A partir dessas definições, a otimização numérica usa modelos matemáticos e algoritmos para testar combinações e encontrar a melhor configuração possível.

Por exemplo, imagine que uma empresa de e-commerce tenha R$ 100 mil para investir em mídia digital e precise decidir como distribuir esse valor entre Google Ads, Instagram e TikTok. O objetivo é simples: gerar o maior número de vendas possíveis, mas sem ultrapassar o custo máximo de aquisição de clientes (CAC) definido pela empresa, que neste caso é de R$ 80 por conversão.

Para resolver esse problema, é possível usar um modelo de otimização numérica. Ele testa várias combinações possíveis de investimento, levando em conta dados históricos como:

• o custo por clique (CPC) de cada plataforma,
• a taxa de conversão média (quantos cliques viram vendas),
• e até o limite de alcance de cada canal (quantas pessoas ainda não foram impactadas).

O algoritmo começa, simulando uma divisão igual: R$ 33 mil em cada canal. Depois, ajusta os valores conforme os resultados simulados. Ele pode descobrir que o Google Ads, apesar de ter cliques mais caros, converte melhor; que o Instagram é eficiente para gerar tráfego barato; e que o TikTok tem um retorno rápido, mas cai após certo volume de investimento (saturação).

Ao fim do processo, o modelo pode sugerir uma distribuição ótima como:

• 50% no Google Ads (R$ 50 mil) – responsável pelas conversões de maior valor;
• 30% no Instagram (R$ 30 mil) – usado para gerar volume de visitas e engajamento;
• 20% no TikTok (R$ 20 mil) – útil para captar novos públicos e expandir o alcance.

Com essa configuração, a empresa consegue atingir o mesmo número de conversões gastando menos, ou um número maior de vendas com o mesmo orçamento, mantendo o CAC dentro do limite desejado.

Esse tipo de decisão com base em dados, que antes exigia tentativa e erro, hoje pode ser feita de forma automática e contínua, através de algoritmos e sistemas de ciência de dados (programas desenvolvidos em Python ou R, podem facilitar estudos nessa área). Plataformas de mídia e ferramentas de análise usam algoritmos de otimização numérica — muitas vezes baseados em inteligência artificial — para recalcular a melhor alocação de verba em tempo real, conforme o comportamento dos usuários muda.

Tipos de problemas de otimização

Os problemas de otimização numérica variam conforme o número de variáveis e a existência (ou não) de restrições.

• Otimização unidimensional: na otimização unidimensional, existe apenas uma variável de decisão a ser ajustada, e o objetivo é encontrar o valor dessa variável que gera o melhor resultado. No contexto de web analytics, imagine que você quer descobrir qual é a frequência ideal de envio de e-mails em uma campanha de automação. Se enviar poucos e-mails, o engajamento será baixo; se enviar demais, a taxa de descadastro pode aumentar. Ao testar diferentes frequências (por exemplo, um, dois ou três e-mails por semana) e medir o impacto na taxa de conversão, você está realizando uma otimização unidimensional. O mesmo raciocínio vale para encontrar o melhor tempo de carregamento de uma página que maximiza a taxa de conversão: o modelo analisa apenas uma variável — o tempo — e busca o ponto onde a conversão é mais alta e a desistência do usuário é menor.
• Otimização multidimensional: ocorre quando há várias variáveis que precisam ser ajustadas ao mesmo tempo. Em web analytics, isso acontece quando um analista quer otimizar simultaneamente o orçamento de mídia, o valor do lance (bid) e o percentual de remarketing para maximizar as conversões. A decisão com base em dados não depende de apenas um fator, mas de um conjunto de ajustes interligados. Por exemplo, aumentar o investimento no Google Ads pode elevar o custo por clique, mas ao mesmo tempo aumentar o volume de conversões; já reduzir o orçamento do Instagram pode diminuir o alcance, mas melhorar o retorno sobre investimento (ROAS). O modelo de otimização precisa equilibrar esses efeitos combinados para encontrar o melhor conjunto de valores possíveis, considerando o impacto de cada variável sobre o resultado final. Esse tipo de problema é típico de modelos de mix de marketing (MMM) ou de otimização de funil de conversão, em que várias métricas se influenciam mutuamente.
• Otimização sem restrições: o modelo pode explorar qualquer valor possível das variáveis, sem limites impostos por orçamento, metas ou políticas. Esse tipo de abordagem é comum em análises exploratórias dentro do web analytics, quando se busca entender o comportamento das métricas sem impor barreiras artificiais. Por exemplo, um analista pode construir um modelo preditivo que estima como o investimento em mídia influencia o número de leads e, em seguida, usar otimização numérica para descobrir o ponto em que as conversões param de crescer de forma significativa — o chamado ponto de saturação. Como não há limite de verba ou de conversões, o modelo pode “viajar” livremente pelos dados até encontrar o ponto de máximo desempenho. Esse tipo de otimização ajuda a entender o potencial teórico de crescimento antes de aplicar restrições reais, servindo como um passo preliminar para o planejamento estratégico.
• Otimização com restrições: é o que mais se aproxima da realidade de quem trabalha com marketing digital e web analytics. Nesse tipo de problema, o modelo precisa respeitar limites bem definidos, como orçamento máximo, metas de custo por aquisição (CAC), limites de frequência de anúncios ou volume mínimo de impressões. Por exemplo, imagine uma empresa que deseja maximizar o número de conversões, mas tem um orçamento total de R$ 100 mil e precisa manter o CAC abaixo de R$ 70. O modelo de otimização precisa equilibrar os investimentos entre diferentes canais — como Google Ads, Meta Ads e TikTok — respeitando essas restrições. Ele pode até encontrar uma solução que renderia mais conversões se o orçamento fosse maior, mas essa opção é descartada porque ultrapassa o limite imposto. Nesse contexto, as restrições tornam o modelo mais realista e aplicável, refletindo as condições práticas em que as empresas realmente operam.

Na vida real, a maioria dos problemas de negócios envolve múltiplas variáveis e restrições — o que exige algoritmos mais sofisticados para equilibrar as condições.

Métodos e técnicas mais usados

Os métodos de otimização podem ser classificados em três grandes grupos:

1. Métodos tradicionais — baseados em cálculos matemáticos precisos, como derivadas e gradientes. O método de Newton-Raphson, por exemplo, é usado para encontrar o ponto onde uma função atinge seu máximo ou mínimo. Ele é muito usado em engenharia e também no treinamento de modelos de aprendizado de máquina, para ajustar parâmetros até que o erro seja mínimo.
2. Métodos híbridos — combinam fórmulas matemáticas clássicas com técnicas computacionais modernas, buscando o equilíbrio entre precisão e velocidade. São úteis em problemas com muitas variáveis, como a otimização de modelos estatísticos complexos.
3. Métodos baseados em inteligência artificial — inspirados em processos da natureza, como evolução ou comportamento de enxames. Entre os mais conhecidos estão os algoritmos genéticos, o simulated annealing (baseado no resfriamento de metais), o enxame de partículas (PSO) e a otimização bayesiana.

Essas abordagens são especialmente úteis quando lidamos com grandes volumes de dados e funções complexas — como acontece em campanhas digitais, em que o retorno de cada investimento pode mudar a cada minuto.

Um exemplo prático: algoritmos genéticos podem testar automaticamente combinações de investimento, criativos e segmentações, aprendendo quais trazem o melhor resultado. Já a otimização bayesiana pode ajustar o lance de um anúncio com base em resultados anteriores, equilibrando exploração (testar novas estratégias) e exploração (aprimorar o que já funciona).

Determinístico x Estocástico: o papel da incerteza

Os métodos de otimização também se dividem entre determinísticos e estocásticos.

• Determinísticos: partem do princípio de que todas as informações são conhecidas e fixas. Por exemplo, um modelo que assume que o custo por clique será sempre o mesmo.
• Estocásticos: incorporam incertezas e aleatoriedade, algo essencial em ambientes reais. No marketing digital, por exemplo, o custo por clique muda a todo momento, e o comportamento do público é imprevisível.

Os métodos estocásticos permitem trabalhar com essa variabilidade, testando soluções mais robustas e adaptáveis — uma necessidade no mundo dos dados.

Um exemplo aplicado: otimizando campanhas digitais

Imagine uma equipe de marketing com R$ 50.000 para distribuir entre Google Ads, Instagram e TikTok. Cada canal tem um desempenho diferente: o Google tem maior taxa de conversão, mas custa mais caro; o TikTok é mais barato, mas o público compra menos.

O problema é definir como alocar o orçamento para maximizar o número de conversões, sem ultrapassar o limite de investimento total e mantendo o custo médio por conversão abaixo de R$ 80.

Com a otimização numérica, o time pode criar uma função matemática que represente o número de conversões esperadas em cada canal e um conjunto de restrições que representem os limites de orçamento e custo. O algoritmo, então, testa diferentes combinações até encontrar a melhor distribuição possível — por exemplo: 45% no Google, 35% no Instagram e 20% no TikTok.

Esse mesmo princípio é usado em larga escala por plataformas de anúncios, que ajustam automaticamente lances, orçamentos e exibição de criativos para atingir metas definidas, como ROAS (retorno sobre gasto com anúncios) ou CPA (custo por aquisição).

A otimização numérica como processo contínuo

Um ponto essencial é entender que a otimização não é um evento, mas um processo. As condições mudam, os dados se atualizam, o comportamento do público se transforma.

Por isso, a otimização é iterativa: faz-se um teste, avalia-se o resultado, ajustam-se os parâmetros e o processo recomeça. Isso é visível nas campanhas online, quando os algoritmos de plataformas como Google ou Meta passam por uma “fase de aprendizado” e vão ajustando automaticamente o investimento até encontrar o equilíbrio ideal.

Da mesma forma, analistas de dados usam a otimização numérica em modelos estatísticos para recalibrar previsões, detectar anomalias e identificar padrões que evoluem com o tempo.

Por que entender otimização é essencial hoje

A otimização numérica é o coração da tomada de decisão orientada por dados. Ela transforma números em ações, automatiza processos complexos e revela o equilíbrio ideal entre custo e resultado.

Mesmo quem não trabalha diretamente com dados se beneficia dela. Quando uma loja virtual recomenda um produto, um aplicativo sugere a melhor rota ou uma empresa ajusta preços de forma dinâmica, há algoritmos de otimização em ação.

Dominar seus princípios — ainda que de forma conceitual — ajuda profissionais de marketing, gestores e empreendedores a compreender como as decisões automatizadas são feitas e como é possível usar dados de forma mais estratégica e eficiente.

Referências bibliográficas e leituras recomendadas

• Boyd, S., & Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press.
• Nocedal, J., & Wright, S. J. (2006). Numerical Optimization. Springer.
• Spall, J. C. (2003). Introduction to Stochastic Search and Optimization: Estimation, Simulation, and Control. Wiley.
• Kotler, P., & Keller, K. L. (2016). Administração de Marketing. Pearson.
• Provost, F., & Fawcett, T. (2013). Data Science for Business. O’Reilly Media.
• Bertsimas, D., & Tsitsiklis, J. (1997). Introduction to Linear Optimization. Athena Scientific.
• Chopra, S., & Meindl, P. (2022). Supply Chain Management: Strategy, Planning, and Operation. Pearson Education.
• Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.