Métricas de UX que
Muitas organizações dispõem de painéis repletos de números sobre visitas, cliques, conversões,…
Uma campanha pode terminar com muitas conversões, um ROAS positivo, um custo por aquisição aparentemente eficiente e dados de interação que convidam ao otimismo. No papel, tudo parece funcionar. O relatório mostra crescimento, os gráficos sobem e o investimento parece justificado. No entanto, há uma pergunta incómoda que se torna cada vez mais difícil de evitar: quanto desse resultado foi realmente criado pela campanha?
No marketing digital, habituámo-nos a medir quase tudo. Sabemos quantas pessoas viram um anúncio, quantas clicaram, quantas chegaram a uma página, quantas adicionaram um produto ao carrinho e quantas compraram. Mas medir muitas coisas nem sempre significa compreender melhor o impacto real. Por vezes, uma campanha não gera nova procura, limitando-se a surgir no percurso de utilizadores que já estavam predispostos a comprar.
É aí que começa o problema. Se uma marca atribui a uma campanha vendas que teriam acontecido na mesma, pode acabar por tomar decisões erradas: aumentar o orçamento onde não há verdadeiro crescimento, reduzir o investimento em canais que efetivamente criam procura ou celebrar resultados que apenas refletem uma captação eficiente de intenção prévia. O que parece desempenho pode ser, na realidade, uma miragem bem apresentada num dashboard.
Por isso, a conversa sobre medição está a mudar. Já não basta perguntar quantas vendas foram atribuídas a uma campanha. A pergunta relevante é outra: a campanha gerou vendas adicionais ou limitou-se a captar uma procura que já existia? Esta diferença é a base da incrementalidade e marca a passagem de um marketing que reclama resultados para um marketing que procura demonstrar impacto real.
O que é a incrementalidade e porque é importante
A incrementalidade mede o impacto adicional que uma campanha gera face ao que teria acontecido se essa campanha não tivesse sido ativada. Dito de forma simples, não se trata apenas de saber quantas vendas ocorreram durante uma ação de marketing, mas de identificar quantas dessas vendas existem graças a essa ação.
Esta distinção é importante porque, no marketing, nem todo o resultado visível é necessariamente um resultado criado. Uma marca pode lançar uma campanha, observar um aumento das vendas e concluir rapidamente que a campanha funcionou. Mas esse aumento pode ser influenciado por muitos outros fatores: clientes fiéis que já iriam comprar, uma promoção ativa no mesmo período, um aumento da procura sazonal, a notoriedade acumulada da marca ou até o efeito de outros canais que não surgem no relatório principal.
Pensemos, por exemplo, numa loja online que lança uma campanha de remarketing dirigida a pessoas que já tinham visitado várias vezes um produto. Se muitas delas acabarem por comprar, o dashboard pode atribuir essas conversões à campanha. Mas talvez uma parte importante desses utilizadores já tivesse uma elevada intenção de compra antes de ver o anúncio. Nesse caso, a campanha pode ter ajudado, recordado ou acelerado a decisão, mas não criou necessariamente todo o valor que lhe é atribuído.
O mesmo acontece em períodos de elevada procura, como os saldos, a Black Friday ou o Natal. Uma campanha pode apresentar resultados muito bons porque coincide com um momento em que os consumidores já estão mais predispostos a comprar. Se esse desempenho não for comparado com o que teria acontecido sem a campanha, é fácil confundir um contexto favorável com impacto incremental.
Por isso, a ideia-chave é simples, mas exigente: nem tudo o que é atribuído é incremental. A atribuição pode dizer-nos que anúncio, canal ou plataforma surge associado a uma conversão. A incrementalidade procura responder a uma pergunta mais profunda: que parte desse resultado não teria ocorrido sem a campanha. E essa diferença altera por completo a forma de avaliar o desempenho, defender o investimento e tomar decisões de crescimento.
A miragem das métricas tradicionais
Durante anos, muitas decisões de marketing digital apoiaram-se em métricas que parecem oferecer uma leitura clara do desempenho: ROAS, CPA, CTR, conversões atribuídas, impressões, cliques, engagement ou vendas totais durante o período da campanha. São dados úteis, fáceis de comparar e muito presentes em qualquer relatório. O problema surge quando são interpretados como prova definitiva de valor.
Um ROAS positivo pode indicar que uma campanha gerou receitas superiores ao investimento, mas não demonstra necessariamente que essas receitas sejam novas. Um CPA baixo pode parecer eficiente, mas talvez tenha sido alcançado ao impactar utilizadores que já estavam perto de comprar. Um CTR elevado pode mostrar que a mensagem despertou interesse, mas nem sempre significa que esse interesse se traduz em crescimento real. Até um aumento das vendas durante uma campanha pode estar mais relacionado com a sazonalidade, a promoção ou a procura existente do que com a própria ação publicitária.
Isto não significa que estas métricas não sirvam. Pelo contrário, continuam a ser necessárias para gerir campanhas, detetar problemas, comparar criatividades, otimizar orçamentos e compreender comportamentos dentro de cada canal. Ajudam a responder a perguntas operacionais importantes: que anúncio consegue mais cliques, que audiência converte melhor, que formato tem menor custo ou que plataforma está a gerar mais atividade.
Mas quando a conversa passa do desempenho operacional para o impacto no negócio, estas métricas precisam de contexto. Por si só, não respondem à pergunta mais estratégica: o que teria acontecido se não tivéssemos investido? Sem essa comparação, o marketing corre o risco de confundir atividade com eficácia, eficiência aparente com crescimento real e atribuição com causalidade.
A miragem surge precisamente aí: em dashboards que apresentam resultados positivos, mas não explicam se esses resultados são consequência direta do investimento ou se a campanha se limitou a estar presente num percurso que já iria terminar numa compra. Por isso, a medição moderna não pode limitar-se a acumular indicadores. Precisa de combinar métricas de plataforma com modelos, experiências e perguntas mais exigentes sobre o verdadeiro impacto de cada decisão.
Atribuir não é demonstrar impacto
Um dos grandes desafios da medição atual é diferenciar entre atribuir mérito e demonstrar impacto. A atribuição procura distribuir o crédito de uma conversão entre canais, campanhas ou pontos de contacto. Pode indicar que anúncio recebeu o último clique, que plataforma participou no percurso ou que combinação de impactos surge antes de uma compra. É uma ferramenta útil para organizar a informação, mas nem sempre permite saber se a campanha foi a verdadeira causa do resultado.
A incrementalidade, por outro lado, parte de uma pergunta diferente. Não se limita a saber que canal esteve presente antes da conversão, procurando antes medir o que teria acontecido se esse canal não tivesse intervindo. Por outras palavras, procura aproximar-se da causalidade. Pretende identificar se a campanha gerou um efeito adicional ou se simplesmente ficou com o mérito de uma venda que provavelmente teria acontecido na mesma.
Esta diferença é especialmente importante em contextos em que as plataformas publicitárias têm uma visão parcial do percurso do utilizador e, ao mesmo tempo, incentivos para demonstrar que o investimento nelas funciona. Uma plataforma pode atribuir vendas a uma campanha porque deteta que um utilizador exposto acabou por comprar. Mas essa leitura não prova, por si só, que a exposição criou a venda. Talvez o utilizador já conhecesse a marca, tivesse comparado preços, estivesse à espera de uma promoção ou tivesse uma intenção de compra muito elevada antes de receber o impacto publicitário.
Por isso, uma conversão atribuída não deve ser interpretada automaticamente como uma conversão incremental. A atribuição observa o caminho seguido por uma conversão; a incrementalidade pergunta se essa conversão teria existido sem a campanha. Esta distinção altera a forma de analisar o desempenho, porque desloca a conversa de “que canal surge no relatório” para “que investimento gerou uma mudança real no comportamento do mercado”.
Quando as marcas não fazem esta separação, podem acabar por sobrevalorizar canais que captam procura já existente e subvalorizar ações que criam procura a médio prazo. Também podem otimizar as suas campanhas para os utilizadores mais fáceis de converter, mesmo que esses utilizadores não representem verdadeiro crescimento. Nesse cenário, o marketing parece mais eficiente, mas pode estar a reduzir a sua capacidade de gerar novo valor.
Medir o impacto exige, portanto, ir além da lógica de distribuição de crédito. A atribuição ajuda a compreender percursos; a incrementalidade ajuda a questionar quanto valor adicional foi criado. Ambas as perspetivas podem coexistir, mas não devem ser confundidas. Porque uma campanha pode estar muito bem atribuída e, ainda assim, contribuir menos para o crescimento do que parece.
Como se mede a incrementalidade na prática
Medir a incrementalidade não significa transformar cada campanha num projeto estatístico complexo, mas exige, sim, mudar a forma de encarar a medição. A pergunta já não é apenas quantas conversões foram registadas, mas que diferença existe entre um cenário com campanha e um cenário comparável sem campanha. Essa comparação é a base para nos aproximarmos do impacto real.
Uma das formas mais habituais de o fazer é trabalhar com grupos de teste e de controlo. O grupo de teste recebe o impacto publicitário e o grupo de controlo não o recebe, ou recebe-o em condições diferentes. Se ambos os grupos forem comparáveis, a diferença de comportamento entre eles pode ajudar a estimar que parte do resultado se deve realmente à campanha. Não se trata de observar apenas quem compra, mas de comparar quanto muda a probabilidade de compra quando existe exposição publicitária.
Também podem ser utilizadas experiências com audiências expostas e não expostas. Por exemplo, uma marca pode reservar uma parte da sua audiência para não a impactar durante um período específico e comparar a sua evolução com a de quem viu a campanha. Este tipo de teste ajuda a detetar se a publicidade está a gerar uma diferença significativa ou se apenas está a alcançar pessoas que já tinham intenção de comprar.
Outra opção é o geo-testing, especialmente útil quando a empresa opera em diferentes mercados, cidades ou regiões. Neste caso, a campanha é ativada em algumas zonas e limitada ou excluída noutras. Em seguida, compara-se a evolução dos resultados, tendo em conta fatores como o histórico de vendas, a sazonalidade, o investimento anterior ou as diferenças de comportamento entre territórios. Não é um método perfeito, mas pode ser muito útil quando não é fácil separar audiências ao nível individual.
Os holdout groups funcionam segundo uma lógica semelhante: reserva-se uma parte do público-alvo fora da campanha para poder medir o que acontece sem exposição. Embora por vezes possa parecer uma decisão incómoda, porque implica não impactar utilizadores potencialmente valiosos, esse pequeno sacrifício pode proporcionar uma leitura muito mais clara sobre o efeito real do investimento.
Em contextos mais avançados, também podem ser utilizados modelos contrafactuais, que procuram estimar o que teria acontecido sem a campanha a partir de dados históricos, padrões de comportamento e variáveis externas. De forma complementar, o marketing mix modeling pode ajudar a compreender o efeito de diferentes canais nas vendas agregadas, sobretudo quando é calibrado com experiências reais e não utilizado como uma caixa negra desligada da prática.
O importante é compreender que nem todas as empresas precisam de começar pelo método mais sofisticado. Uma organização pode dar os primeiros passos com testes simples, comparações bem concebidas e melhores hipóteses de partida. O essencial é deixar de medir apenas o que a plataforma atribui e começar a formular perguntas mais rigorosas: o que queremos demonstrar, com que grupo o vamos comparar, durante quanto tempo o vamos medir e que decisão tomaremos consoante o resultado.
A incrementalidade não elimina toda a incerteza, mas obriga a medir com maior disciplina. E essa mudança já representa um avanço importante: passar de aceitar os resultados tal como surgem no dashboard para questionar que parte desses resultados representa verdadeiro crescimento.
Rumo a uma cultura de testing mais rigorosa
Introduzir a incrementalidade no marketing não significa que cada decisão tenha de se transformar numa experiência complexa, lenta ou inacessível. A chave não está em encher a organização de modelos estatísticos, mas em construir uma disciplina de aprendizagem mais rigorosa. Ou seja, passar de medir campanhas apenas para justificar resultados a medi-las também para compreender o que funciona, em que condições e porquê.
O primeiro passo é definir hipóteses antes de ativar uma campanha. Não basta dizer que se pretende vender mais, gerar mais leads ou melhorar o ROAS. Convém especificar o que se espera que aconteça: captar novos clientes, aumentar a frequência de compra, recuperar utilizadores inativos, impulsionar uma categoria específica ou melhorar a conversão num determinado segmento. Quanto mais clara for a hipótese, mais fácil será decidir depois se a campanha trouxe valor real ou se apenas produziu atividade mensurável.
Também é importante acordar desde o início o que se pretende demonstrar. Muitas vezes, os problemas de medição surgem porque o objetivo é redefinido depois de se conhecerem os resultados. Se uma campanha não melhora as vendas, destacam-se os cliques. Se não melhora o ROAS, fala-se de notoriedade. Se não gera novos clientes, insiste-se no engagement. Todas estas métricas podem ter valor, mas não devem ser usadas para alterar o critério de sucesso a posteriori. Uma cultura de testing exige honestidade antes, durante e depois da campanha.
Para isso, é útil separar as métricas de diagnóstico das métricas de negócio. As primeiras ajudam a compreender se a campanha foi executada corretamente: alcance, frequência, CTR, visualizações, custo por clique ou interação. As segundas permitem avaliar se a ação contribuiu para um objetivo mais relevante: vendas incrementais, novos clientes, margem, valor de vida do cliente, quota de mercado ou crescimento de uma categoria. Confundir ambos os níveis pode levar a celebrar campanhas muito ativas, mas pouco transformadoras.
Outra prática essencial é documentar as aprendizagens. Um teste isolado pode trazer informação, mas o seu verdadeiro valor surge quando a organização acumula conhecimento. Que audiências responderam melhor, que mensagens geraram mais impacto, que canais contribuíram para o crescimento incremental, que promoções distorceram os resultados ou que períodos não foram adequados para comparar. Sem documentação, cada campanha começa quase do zero. Com documentação, a medição transforma-se em memória estratégica.
Comparar resultados entre campanhas também ajuda a evitar interpretações precipitadas. Uma única experiência pode ser condicionada pelo contexto, pela sazonalidade, pela pressão promocional ou pelo comportamento da concorrência. Mas, quando se observam padrões ao longo do tempo, as decisões começam a apoiar-se em evidências mais consistentes. A cultura de testing não procura uma verdade absoluta em cada teste, mas sim uma melhoria progressiva da qualidade das decisões.
Por isso, a abordagem “test and learn” é cada vez mais relevante. Não se trata apenas de verificar se uma campanha funcionou, mas de aprender que condições fazem com que funcione melhor. Esta aprendizagem pode coexistir com modelos de atribuição, marketing mix modeling e incrementality testing, desde que cada ferramenta seja utilizada para responder à pergunta adequada. A atribuição ajuda a compreender percursos, o MMM oferece uma visão agregada do efeito dos canais e as experiências permitem uma maior aproximação à causalidade.
O objetivo final não é medir por medir, nem usar os testes para confirmar decisões que já tinham sido tomadas. Uma cultura de testing rigorosa ajuda a decidir melhor: onde investir, o que deixar de fazer, o que escalar, o que rever e que aprendizagens incorporar na campanha seguinte. Nesse sentido, a incrementalidade não é apenas uma técnica de medição. É uma forma de exigir ao marketing uma relação mais honesta com os seus próprios resultados.
Conclusão
A incrementalidade não elimina a incerteza do marketing. Nenhum método o faz por completo. Haverá sempre variáveis externas, comportamentos difíceis de isolar, efeitos de marca a longo prazo e decisões de compra que não se explicam apenas a partir de um dashboard. Mas introduz uma forma mais honesta de olhar para os resultados: não perguntar apenas o que uma campanha pode reivindicar, mas o que realmente criou.
Esta mudança é importante porque obriga a ir além da aparência de desempenho. Uma campanha pode acumular cliques, conversões atribuídas, ROAS positivo e bons gráficos sem gerar necessariamente novo crescimento. Também pode ter um efeito relevante que não surge de forma clara numa leitura imediata da plataforma. Por isso, medir melhor não consiste apenas em acrescentar mais indicadores, mas em formular melhores perguntas.
A pergunta central não é se uma campanha surge associada a uma venda, mas se essa venda teria ocorrido sem a campanha. A partir daí, o marketing deixa de se apoiar apenas em métricas superficiais e começa a construir uma relação mais séria com a causalidade, a aprendizagem e a tomada de decisões baseada em evidência.
Nesse sentido, a incrementalidade não deve ser entendida como uma métrica isolada nem como uma moda metodológica. É um sinal de maturidade. Ajuda a distinguir entre captar procura existente e gerar valor adicional, entre justificar o investimento e aprender com ele, entre otimizar campanhas e construir crescimento real.
O passo seguinte é aceitar que nenhuma ferramenta de medição resolve este desafio por si só. A atribuição, o marketing mix modeling e as experiências têm pontos fortes e limitações. A chave está em saber como combiná-los num ecossistema imperfeito, em que medir bem não significa ter uma única resposta, mas construir uma visão mais completa do impacto. É aí que começa a conversa seguinte: como fazer coexistir modelos diferentes sem perder de vista a questão essencial do negócio.
Quantas das suas decisões de investimento continuariam a ser as mesmas se tivesse de demonstrar impacto incremental?
Fontes:
Comentários