Marketing analytics: fundamentos

O que é (e o que não é) marketing analytics

A confusão de vocabulário é parte do problema. Em muitas empresas, marketing analytics é tratado como sinônimo de "olhar GA4" ou de "fazer dashboard no Looker Studio". As duas práticas fazem parte, mas estão longe de cobrir a disciplina.

Marketing analytics tem como objeto a conexão entre três planos: o que se investe (orçamento por canal, tempo de equipe, custo de produção), o que acontece no canal (impressões, alcance, cliques, abertura, conversão na página) e o que acontece no negócio (oportunidades de venda, receita, retenção, valor do cliente no tempo). A diferença entre olhar GA4 e fazer marketing analytics é que o GA4 sozinho responde "o que aconteceu no site" — não responde "o que aconteceu no negócio por causa do site". Conectar essas camadas é o trabalho.

Diferença para web analytics. Web analytics é o subconjunto que mede comportamento no site, app ou plataforma digital. GA4, Adobe Analytics, Plausible, Hotjar, Mixpanel são ferramentas de web analytics. São insumo para marketing analytics, mas não cobrem o todo — marketing analytics inclui canais offline (mídia tradicional, eventos, vendas físicas), CRM (oportunidades, receita), e dimensões financeiras (custo, margem) que não vivem no web analytics.

Diferença para BI corporativo. BI corporativo consolida indicadores financeiros, operacionais e gerenciais para uso transversal — produção, logística, finanças, comercial, RH. Marketing analytics é o recorte específico de marketing, com vocabulário próprio (atribuição, incrementalidade, LTV, CAC, ROAS), questões específicas (mix de canal, frequência ótima, fadiga de campanha) e ferramentas específicas. BI e marketing analytics se sobrepõem na grande empresa, onde a stack analítica costuma ser compartilhada e a camada semântica unifica definições.

Diferença para data science. Data science aplica métodos estatísticos e de aprendizado de máquina avançados — modelos preditivos, segmentação automatizada, recomendação, churn modeling, MMM Bayesiano. Marketing analytics usa data science como ferramenta quando a pergunta exige, mas a maior parte do trabalho do dia a dia é descritivo e diagnóstico (entender o que aconteceu e por quê), não preditivo nem prescritivo.

As três camadas da prática

Operação madura de marketing analytics organiza-se em três camadas com responsabilidades distintas. Confundir camadas é a fonte mais comum de problema.

Camada 1: coleta. Captura dos dados em todos os canais relevantes. Tags no site (Google Tag Manager), eventos no app (SDKs), pixels de plataformas (Meta, Google, LinkedIn, TikTok), UTMs padronizadas em todos os links, importação de custos de mídia via APIs, integração com CRM para receita atribuída. Aqui mora a "qualidade do dado" — sem coleta limpa, todo o resto é ruído. Inclui também a camada de consentimento (LGPD, Consent Mode v2 do Google), que define o que pode e o que não pode ser coletado.

Camada 2: modelo. Como os dados crus viram informação acionável. Padronização de definições (o que conta como "sessão"? quando "lead" vira "lead qualificado"?), integração entre fontes (juntar comportamento no site com oportunidade no CRM com custo de mídia), criação de métricas compostas (CAC por canal, LTV por coorte, ROAS por campanha), modelos de atribuição (último clique, primeiro clique, atribuição multi-toque, MMM). Em empresa pequena, vive em planilha; em média, em data warehouse simples ou Looker Studio Data Studio com fontes conectadas; em grande, em warehouse com camada semântica (dbt) e ferramentas de BI corporativas.

Camada 3: decisão. Como o resultado da análise vira ação. Rituais (reunião semanal de marketing analytics, revisão mensal de pipeline, planejamento trimestral de mídia), formato de entrega (dashboard, relatório, recomendação), governança (quem aprova mudança de orçamento, quem decide pausa de campanha). Sem essa camada, dashboards bonitos não viram decisão. Empresas que confundem "ter analytics" com "ter dashboard" tipicamente investem só nas camadas 1 e 2.

Os quatro tipos de pergunta que marketing analytics responde

Categorização clássica (Gartner, Avinash Kaushik) organiza as perguntas em quatro níveis de sofisticação crescente.

Descritiva: o que aconteceu? Métricas históricas, dashboards, relatórios. "Quantos visitantes tivemos no site no último mês?". "Qual canal trouxe mais leads?". É o nível básico, onde toda operação começa. A maior parte dos dashboards corporativos para por aqui — e às vezes para nas perguntas erradas, gerando vaidade (visualizar muitos dados que não viram decisão).

Diagnóstica: por que aconteceu? Análise de causa. "Por que o CAC subiu em julho?". "Qual campanha quebrou a média do mês?". Exige integração entre fontes e capacidade de drilling — descer do agregado para o detalhe. Aqui muitos times param: têm o "o que" mas não conseguem chegar ao "por quê" sem trabalho manual exaustivo.

Preditiva: o que vai acontecer? Projeção com base em padrões históricos e modelos. "Quanto este lead provavelmente vai gastar?". "Qual a probabilidade de cancelamento deste cliente nos próximos 90 dias?". Exige base de dados consolidada, ciência de dados aplicada e validação contínua. Operação avançada.

Prescritiva: o que devemos fazer? Recomendação automatizada de ação. "Aumentar investimento em canal X em Y por cento gera incremento esperado de Z por cento na receita". Exige modelos de Marketing Mix Modeling, otimização matemática, validação experimental. Estado da arte em empresas que investem pesado em analytics.

Operação saudável avança gradualmente: domina descritivo antes de tentar diagnóstico, diagnóstico antes de preditivo. Tentar pular etapas costuma terminar em modelos sofisticados rodando em cima de dados ruins — pior que não ter modelo.

O papel do gestor de marketing: dono do problema, não usuário passivo

O erro mais caro em marketing analytics é o gestor de marketing tratar a função como caixa-preta: "o time de dados cuida disso". Resultado: analytics produz dashboards que ninguém usa, responde perguntas que ninguém faz, e quando vem decisão difícil, ninguém confia.

Gestor de marketing dono do problema faz três coisas. Primeiro, define as perguntas-chave para decisão: "preciso saber qual canal me dá melhor LTV/CAC para realocar orçamento no próximo trimestre" — sem isso, analytics produz tudo e nada simultaneamente. Segundo, valida definições e qualidade do dado: o que conta como lead qualificado? como o sistema diferencia visitante orgânico de pago? quando o time de dados vem perguntando, o gestor tem opinião e a defende. Terceiro, usa o que o analytics produz: muda alocação, encerra campanhas, lança hipóteses. Sem uso real, o time de analytics perde motivação e o investimento vira folclore.

Em empresa média e grande, isso costuma se traduzir em estrutura formal: analytics reporta tecnicamente a tecnologia/dados (para padrão e qualidade) e funcionalmente a marketing (para priorização). Comitê semanal alinha agenda. Reuniões mensais revisam progresso.

Stack mínima viável versus stack avançada

Ferramental cresce em camadas. Não há ferramenta única que resolve tudo — combinação coerente que resolve.

Stack mínima viável (empresa pequena ou média começando): Google Analytics 4 (gratuito), Google Tag Manager (gratuito), Looker Studio antes Data Studio (gratuito), CRM com integração nativa (RD Station, HubSpot, Pipedrive), planilha Excel ou Google Sheets para consolidação eventual. Custo: R$ 0-3.000/mês. Limitação: atribuição limitada ao último clique, integração trabalhosa entre fontes, perguntas diagnósticas exigem trabalho manual.

Stack intermediária (empresa média madura): camada de coleta com GA4 + GTM + Server-side GTM, automação de marketing robusta (RD Station Marketing, HubSpot Professional, Marketo), CRM (Salesforce, HubSpot, RD Station CRM), Looker Studio ou Power BI conectado a dados via APIs ou conectores intermediários (Funnel.io, Supermetrics, Hightouch). Eventual warehouse simples (BigQuery). Custo: R$ 30.000-150.000/mês. Permite diagnóstico aprofundado, atribuição multi-toque básica, segmentação avançada.

Stack avançada (empresa grande): data warehouse (Snowflake, BigQuery, Redshift), ingestão automatizada (Fivetran, Stitch, Airbyte), camada semântica (dbt), BI corporativo (Looker, Tableau, Power BI), ferramentas específicas de atribuição (Northbeam, Triple Whale para B2C; Bizible, Dreamdata para B2B), MMM (Meridian do Google, Robyn do Meta, ou desenvolvimento próprio), reverse ETL (Hightouch, Census) para ativar dados de volta nas plataformas. Custo anual: R$ 500.000-15.000.000.

LGPD, Consent Mode v2 e o futuro pós-cookie

Restrição estrutural que reorganiza a prática. Três frentes a entender:

LGPD (Lei Geral de Proteção de Dados). Em vigor desde 2020 e fiscalizada pela ANPD, exige base legal para processar dados pessoais. Para marketing analytics, isso significa: consentimento explícito do usuário para coleta de dados de comportamento que possam identificá-lo (cookies de terceiros, IPs, identificadores únicos), aviso claro em política de privacidade sobre uso dos dados, mecanismo simples para o usuário negar consentimento ou revogar a qualquer momento, e contrato com fornecedores que processam dados (operadores) garantindo conformidade.

Consent Mode v2 do Google. Mecanismo técnico exigido por Google para que ferramentas como Google Analytics, Google Ads e Floodlight reflitam o status de consentimento do usuário. Sem implementação adequada, plataformas reduzem dados disponíveis (modelagem por amostragem) e algumas funcionalidades (audiências, otimização baseada em conversão) ficam limitadas. Implementação técnica costuma envolver plataforma de gerenciamento de consentimento (CMP) integrada ao Google Tag Manager.

Pós-cookie e Privacy Sandbox. Cookies de terceiros estão sendo descontinuados em navegadores (Safari, Firefox já bloqueiam por padrão; Chrome anuncia transição gradual). Privacy Sandbox do Google propõe APIs alternativas (Topics, Protected Audiences, Attribution Reporting) que tentam preservar funcionalidades de publicidade sem rastreamento individualizado. Implicação prática: atribuição que dependia de cookies de terceiros está virando atribuição modelada (estatística) e baseada em dados próprios (first-party data). Empresas que dependiam pesadamente de redirecionamento e segmentação baseada em cookies de terceiros precisam migrar.

Conclusão prática: dados próprios (first-party data) ganharam valor estratégico. Empresas que constroem base autenticada de clientes e prospects, com consentimento explícito, têm vantagem competitiva sobre quem dependeu de plataformas terceiras para recheio.

Erros comuns que destroem o investimento em analytics

Confundir tracking com analytics. Instalar GA4 e Meta Pixel e considerar que "tem analytics". Tracking é a camada 1 (coleta); analytics é o todo. Empresa com pixel em tudo mas sem ninguém analisando o dado não tem analytics — tem mais dados do que sabe o que fazer.

Terceirizar a pergunta. Agência ou consultoria define o que medir; empresa não desenvolve capacidade própria. Quando muda a agência, perde a memória da operação. Resultado: dependência crônica e custo crescente.

Dashboard como produto final. Dashboard bonito que ninguém usa para decidir. Sintoma: time de analytics produz cada vez mais relatórios e gestores cada vez mais não os olham. Cura: cortar dashboards que não viram decisão, focar nas 3-5 visões que efetivamente mudam ação.

Definições não padronizadas. Marketing diz que "lead" é uma coisa; vendas diz outra; produto diz uma terceira. Cada dashboard puxa de uma definição diferente. Reuniões viram debate sobre "qual número é o certo" em vez de decisão. Cura: camada semântica (dbt na grande empresa; planilha-mestre na pequena) que padroniza.

Investir em ferramenta sem investir em time. Empresa compra licença de Tableau, contrata fornecedor para instalar, e espera resultado. Sem analista para usar, ferramenta vira investimento parado. Regra prática: gasto com pessoas precisa ser pelo menos 2x o gasto com ferramentas.

Pular etapas de maturidade. Empresa que ainda não responde bem o descritivo tenta saltar para modelo de atribuição multi-toque ou MMM. Modelo sofisticado em cima de dado ruim entrega ilusão de precisão.

Ignorar LGPD e governança. Coletar dados sem base legal clara, sem consentimento adequado, sem política de retenção. Risco regulatório e reputacional cresce com o tempo.