Antes de escalar investimento, faça essa simulação.
Por Jonatha Braga e Bianca Ferrari
Aumentar verba é a decisão mais comum em marketing e uma das mais mal fundamentadas.
A lógica parece simples: a campanha está funcionando, então investe mais e o resultado cresce proporcionalmente. Na prática, raramente é assim. Escala traz saturação de público, aumento de CPCs, queda de qualidade de lead e pressão no processo comercial. O que funcionava com R$ 20.000 por mês não necessariamente funciona da mesma forma com R$ 80.000.
A diferença entre uma decisão de escala bem fundamentada e uma aposta é a simulação. Não uma previsão perfeita do futuro, mas um exercício estruturado que torna as premissas explícitas, identifica onde o modelo é mais sensível e reduz o espaço de surpresa quando a escala acontece.
Projeção de leads e vendas com base em dados históricos
Toda simulação começa com o histórico. Não como garantia do futuro, mas como a melhor evidência disponível sobre como a operação se comporta.
O ponto de partida é construir as taxas de conversão de cada etapa do funil com base nos últimos três a seis meses de dados, segmentadas por canal. Uma taxa agregada esconde variações importantes entre canais e períodos que vão distorcer qualquer projeção construída sobre ela.
Com as taxas em mãos, a projeção segue uma lógica simples de encadeamento: dado um investimento, qual o volume esperado de cliques com base no CPC histórico? Desse volume de cliques, qual o volume esperado de leads com base na taxa de conversão histórica da landing page? Desse volume de leads, qual o volume esperado de oportunidades e clientes com base nas taxas do funil comercial?
Exemplo base para usar ao longo do artigo:
Uma operação com histórico de três meses apresenta os seguintes dados médios por R$ 10.000 investidos em Google Ads: CPC de R$ 4,50, gerando 2.220 cliques. Taxa de conversão de clique em lead de 7,5%, gerando 166 leads. Taxa de lead em oportunidade de 22%, gerando 36 oportunidades. Taxa de fechamento de 18%, gerando 6,5 clientes. CAC resultante de R$ 1.538.
Esse é o modelo base. Antes de projetar qualquer escala, você precisa ter confiança nesse modelo, o que significa verificar se as taxas são estáveis entre os meses, se não há anomalias que distorcem a média e se os dados estão completos e confiáveis, seguindo os critérios de auditoria discutidos no artigo 6 desta série.
Leia mais: Fim da métrica de followers? Os afiliados vão matar a publicidade?
Simulação de cenários: conservador, base e otimista
Projetar um único número é falso rigor. O futuro tem incerteza, e uma boa simulação torna essa incerteza explícita ao invés de escondê-la em uma previsão pontual.
O modelo de três cenários é a forma mais prática de fazer isso. Cada cenário aplica um conjunto diferente de premissas sobre como as variáveis do funil vão se comportar com o aumento de investimento.
O cenário conservador assume que a escala vai degradar a performance. CPCs mais altos por conta de maior competição no leilão, taxas de conversão menores por conta de públicos menos qualificados à medida que o alcance se expande e maior pressão no processo comercial por volume. É o cenário que responde: se as coisas ficarem mais difíceis, o resultado ainda justifica a escala?
Aplicando ao exemplo: com investimento triplicado para R$ 30.000, o cenário conservador assume CPC 25% maior (R$ 5,63), taxa de clique em lead 15% menor (6,4%) e taxa de fechamento 10% menor (16,2%). O resultado projetado é 17 clientes com CAC de R$ 1.765.
O cenário base mantém as taxas históricas sem degradação nem melhoria. É a projeção linear que a maioria das equipes faz, e que raramente se confirma com precisão, mas serve como referência central. Com R$ 30.000 e taxas constantes, o resultado projetado é 19,5 clientes com CAC de R$ 1.538.
O cenário otimista assume que a escala vai trazer eficiências. Volume maior pode reduzir o CPC por conta de melhor score de qualidade, dados mais ricos permitem otimizações mais precisas e o processo comercial pode melhorar com mais volume de prática. Com CPC 10% menor (R$ 4,05) e taxa de conversão 10% maior (8,3%), o resultado projetado é 24 clientes com CAC de R$ 1.250.
O valor dos três cenários não está em saber qual vai acontecer. Está em entender o range de resultado possível antes de tomar a decisão. Nesse exemplo, a escala para R$ 30.000 pode gerar entre 17 e 24 clientes com CAC entre R$ 1.250 e R$ 1.765. Essa informação permite uma decisão muito mais fundamentada do que uma projeção linear de 19,5 clientes.
Variáveis críticas que mais impactam o resultado
Nem todas as variáveis do funil têm o mesmo peso na projeção. Algumas, quando mudam, têm impacto marginal no resultado final. Outras, quando mudam, comprometem toda a lógica da escala.
Identificar quais são as variáveis críticas do seu modelo é o que permite focar o monitoramento nos pontos certos durante a escala e reagir rápido quando algo sai do esperado.
A forma mais direta de identificar essas variáveis é a análise de sensibilidade: variar cada parâmetro do modelo individualmente em um intervalo razoável e observar o impacto no CAC final. A variável que mais move o CAC é a mais crítica.
No exemplo base, aplicando uma variação de 20% para cima e para baixo em cada variável:
Uma variação de 20% no CPC move o CAC entre R$ 1.230 e R$ 1.846. Uma variação de 20% na taxa de clique em lead move o CAC entre R$ 1.282 e R$ 1.923. Uma variação de 20% na taxa de fechamento move o CAC entre R$ 1.282 e R$ 1.923.
As duas variáveis com maior impacto nesse funil são a taxa de conversão de clique em lead e a taxa de fechamento. Isso significa que durante a escala, essas são as duas métricas que precisam de monitoramento mais frequente. Uma deterioração nelas é o primeiro sinal de que a escala está saindo dos parâmetros esperados.
Esse exercício também revela onde vale investir esforço de otimização antes de escalar. Se a taxa de clique em lead é a variável mais sensível, melhorá-la antes de aumentar o investimento tem impacto desproporcional no resultado da escala.
Leia mais: Você testa, mas não aprende. O que está errado no seu processo?
Limitações do modelo e como trabalhar com incerteza
Uma simulação bem construída não elimina o risco. Ela o torna visível e gerenciável.
Todo modelo de projeção tem limitações que precisam ser conhecidas por quem usa os resultados para tomar decisão.
A primeira limitação é a suposição de linearidade. O modelo assume que as taxas de conversão vão se comportar de forma proporcional ao aumento de investimento. Na prática, escalas grandes raramente são lineares. Dobrar o investimento em um público finito vai saturá-lo mais rápido do que dobrar em um público com muito espaço de crescimento. O modelo não captura essa dinâmica automaticamente.
A segunda limitação é a dependência do histórico. O modelo é tão bom quanto os dados que o alimentam. Um histórico de três meses em um período atípico, como um lançamento, uma sazonalidade ou uma mudança de mercado, vai gerar premissas que não refletem o comportamento normal da operação. Antes de usar o histórico como base, vale questionar se o período é representativo.
A terceira limitação é a ausência de variáveis externas. O modelo não considera mudanças no comportamento do mercado, movimentos de concorrentes, sazonalidade não histórica ou mudanças de algoritmo das plataformas. Esses fatores podem invalidar premissas sólidas de forma rápida e imprevisível.
A forma mais honesta de trabalhar com essas limitações é comunicar as premissas junto com a projeção. Não apresentar o resultado como previsão, mas como o que acontece se as premissas se confirmarem. Essa distinção muda a postura de quem decide: em vez de esperar que o número se confirme, passa a monitorar se as premissas estão se sustentando.
Uma prática útil é definir, antes da escala, os gatilhos de revisão: quais métricas, em quais valores, vão indicar que o modelo precisa ser revisado ou que a escala precisa ser pausada. Por exemplo: se o CPC superar R$ 6,50 na segunda semana, revisar a segmentação antes de continuar. Se a taxa de clique em lead cair abaixo de 6%, pausar o aumento e investigar antes de prosseguir.
Esses gatilhos transformam a simulação de um exercício pré-decisão em um sistema de monitoramento ativo durante a execução da escala.
Simular não é garantir. É decidir melhor.
A maioria das decisões de escala que dão errado não dão errado por falta de dados. Dão errado porque as premissas nunca foram tornadas explícitas, os cenários alternativos nunca foram considerados e os gatilhos de revisão nunca foram definidos.
Uma simulação estruturada não elimina a incerteza. Mas transforma uma aposta em uma decisão informada, com range de resultado conhecido, variáveis críticas monitoradas e critérios claros para saber quando agir.
Crescer com método não significa crescer sem risco. Significa crescer sabendo quais riscos você está assumindo e com um plano para quando eles se materializam.