Seus dados estão certos? O que verificar antes de tomar qualquer decisão
Por Jonatha Braga e Marlon Rodrigues
Nos dois artigos anteriores, falamos sobre como analisar dados com mais profundidade: entender os níveis de análise, ler métricas em conjunto e parar de confiar cegamente na média. Mas existe uma camada que precede tudo isso e que raramente recebe a atenção que merece.
De nada adianta aplicar o método certo em dados errados.
Uma decisão tomada com base em dados corrompidos, incompletos ou mal estruturados não é uma decisão analítica. É uma decisão intuitiva com aparência de rigor. E essa combinação é mais perigosa do que a intuição pura, porque cria uma falsa sensação de segurança.
Este artigo trata da qualidade da base de análise: o que os dashboards estruturalmente omitem, como identificar sinais de que seus dados não são confiáveis e o que auditar antes de escalar qualquer decisão.
O que dashboards fixos estruturalmente não mostram
O primeiro lugar onde essa falsa segurança nasce é o próprio dashboard. Dashboards são ferramentas de acompanhamento, não de análise. Eles foram construídos para responder perguntas que alguém fez no passado, não as perguntas que você precisa fazer hoje.
O problema não é o dashboard em si. É confundir a ausência de um alerta com a presença de tudo bem.
Todo dashboard fixo tem pelo menos três limitações estruturais que você precisa conhecer.
A primeira é o viés de seleção das métricas. Quando um dashboard é construído, alguém decide o que vai aparecer nele. Esse conjunto de métricas reflete as prioridades de quem o construiu, no momento em que o construiu. Com o tempo, o negócio muda, as campanhas mudam, o mercado muda. O dashboard, na maioria das vezes, não.
A segunda é a agregação temporal. A maioria dos dashboards mostra períodos fixos: últimos 7 dias, último mês, último trimestre. Essa visão agrega comportamentos diferentes em um único número e esconde variações relevantes dentro do período. Uma semana com performance excelente e outra com performance crítica podem resultar em um mês com número “dentro do normal”.
A terceira, e a que abre a porta para o próximo ponto, é a ausência de contexto comportamental ao longo do tempo. Dashboards mostram o estado atual. Eles raramente mostram como um grupo específico de clientes ou leads se comportou desde o primeiro contato com a marca. Para isso, você precisa de análise de cohort.
Análise de cohort para entender comportamento ao longo do tempo
Cohort é um grupo de pessoas que compartilha uma característica em um período específico. No marketing de performance, o exemplo mais comum é agrupar os leads ou clientes adquiridos em um determinado mês e acompanhar o comportamento desse grupo ao longo do tempo.
Por que isso importa? Porque a análise agregada mistura grupos com comportamentos completamente diferentes e produz médias que não representam nenhum deles.
Exemplo prático: uma operação de marketing analisa a taxa de conversão de leads em clientes e encontra 12% no agregado. Parece um número sólido. Mas ao separar por cohort de aquisição, descobre que os leads captados via campanha de Google Ads em março convertem a 22%, enquanto os leads captados via campanha de Meta em maio convertem a 4%. A média de 12% esconde uma diferença de desempenho que deveria estar guiando completamente a alocação de orçamento.
A análise de cohort também revela degradação ao longo do tempo. Se os leads captados há seis meses tinham taxa de conversão de 18% e os captados no último mês têm 8%, algo mudou na qualidade da captação, no processo comercial ou no perfil do público. Esse padrão é invisível na análise agregada e aparece claramente na análise por cohort.
Você não precisa de uma ferramenta sofisticada para começar. Uma planilha com a data de entrada de cada lead, o canal de origem e a data de conversão já permite fazer uma análise de cohort básica, capaz de revelar padrões que nenhum dashboard fixo vai mostrar.
Sinais de alerta de que seus dados não são confiáveis
A análise de cohort resolve um problema de visão. Mas ela só funciona se a base por trás dela for confiável, e isso não pode ser assumido. Antes de qualquer análise, existe uma verificação básica que poucas equipes fazem de forma sistemática. Identificar que os dados têm problemas não é sinal de fraqueza operacional. É o primeiro passo para não tomar decisões erradas com confiança.
Leia mais: Acompanhar dado não é analisar dado
Estes são os sinais mais comuns de que algo está errado na base.
Números perfeitos demais. Taxas de conversão exatamente iguais por semanas seguidas, volumes de leads sem nenhuma variação, CPLs estáveis demais em mercados que são naturalmente voláteis. Dados reais têm ruído. Quando não há ruído, geralmente há um problema de coleta.
Discrepâncias entre plataformas. O Google Ads reporta 340 conversões no mês. O CRM registra 180 leads no mesmo período. Essa diferença pode ter explicações legítimas, como janelas de atribuição diferentes, mas precisa ser investigada e documentada. Quando ninguém na equipe sabe explicar a diferença, os dados de pelo menos uma das fontes não são confiáveis.
Métricas que não se conectam logicamente. O volume de cliques cresceu 40%, mas o volume de sessões no site cresceu apenas 8%. O número de leads subiu, mas o volume de oportunidades no CRM ficou estável. Quando métricas que deveriam se mover juntas não se movem, ou há um problema de rastreamento ou há uma quebra no processo que precisa ser investigada.
Dados que somem ou aparecem retroativamente. Campanhas com resultados que mudam significativamente depois de alguns dias, conversões que aparecem com atraso grande ou relatórios que mostram números diferentes dependendo de quando você os puxa. Isso pode indicar problemas de janela de atribuição, tags mal configuradas ou integrações com falha.
Como auditar uma base antes de escalar qualquer análise
Reconhecer esses sinais é o começo, não o fim. O passo seguinte é transformá-los em rotina. Auditar não precisa ser um processo complexo. É uma verificação estruturada que responde a quatro perguntas antes de qualquer decisão de escala.
A primeira pergunta é: a coleta está funcionando corretamente? Verifique se as tags de conversão estão disparando nos eventos certos, se as integrações entre plataformas estão ativas e se os dados chegam com a granularidade necessária. Uma auditoria de tag básica no Google Tag Manager, ou equivalente, já resolve a maioria dos problemas de coleta.
A segunda pergunta é: os dados são completos? Identifique períodos com lacunas, campanhas sem dados de conversão registrados e campos obrigatórios vazios no CRM. Dados incompletos são tão problemáticos quanto dados errados, porque a ausência de informação em uma parte da base distorce qualquer análise que depende do conjunto.
A terceira pergunta é: as definições são consistentes? O que é uma conversão para o Google Ads é o mesmo que uma conversão para o time comercial? O que é um lead qualificado no formulário do site é o mesmo que um lead qualificado no CRM? Inconsistências de definição são a causa mais comum de discrepâncias entre plataformas e de análises que chegam a conclusões diferentes sobre os mesmos dados.
A quarta pergunta é: os dados são comparáveis entre períodos? Mudanças de configuração, troca de plataforma, alteração na janela de atribuição ou mudança na definição de uma métrica ao longo do tempo tornam comparações diretas entre períodos inválidas. Antes de concluir que a performance melhorou ou piorou, verifique se você está comparando a mesma coisa nos dois períodos.
Dado confiável não é dado perfeito
Nenhuma operação de marketing tem dados perfeitos. Rastreamento tem limitações, atribuição é sempre uma simplificação da realidade e plataformas diferentes medem as mesmas coisas de formas diferentes.
O objetivo não é eliminar toda imperfeição. É conhecer as limitações da sua base de dados antes de usar essa base para tomar decisões. Um dado imperfeito que você entende é muito mais útil do que um dado aparentemente perfeito que você não questiona.
A diferença entre uma operação que escala com método e uma que escala com sorte muitas vezes está aqui: uma sabe o que seus dados medem e o que eles não medem. A outra assume que o dashboard está certo e segue em frente.
Por trás do dashboard: o ciclo de engenharia que sustenta a qualidade
Tudo o que discutimos até aqui são verificações que o analista faz depois que o dado já chegou. Elas são necessárias, mas têm um limite: dependem de alguém lembrar de fazê-las e precisam ser refeitas a cada análise.
Existe uma camada anterior, invisível para quem consome o dashboard, onde a qualidade é decidida de verdade: o ciclo de engenharia de dados, o caminho que o dado percorre da origem até a tela onde alguém toma uma decisão.
Esse ciclo garante qualidade em três frentes principais.
Transformação em camadas. O dado entra bruto, exatamente como veio da origem, e é refinado em etapas: primeiro limpo e padronizado (datas no mesmo formato, leads deduplicados), depois modelado para responder perguntas de negócio. Preservar o dado original e separar as etapas permite rastrear em qual ponto um problema nasceu, em vez de tratar o pipeline como caixa-preta.
Validação automatizada. Os sinais de alerta descritos antes viram testes que rodam a cada atualização da base: o volume de leads está dentro da faixa esperada? O dado foi atualizado nas últimas 24 horas? Existem duplicados? Campos obrigatórios estão preenchidos? A diferença é estrutural: a auditoria manual responde “os dados estão certos hoje?”. A validação automatizada responde “os dados continuam certos todos os dias, e alguém é avisado no momento em que deixam de estar”.
Definições centralizadas. A regra de cálculo de cada métrica vive em um único lugar, documentada, e todos os relatórios consomem a mesma definição. “Lead qualificado” deixa de ter três significados em três relatórios, não porque as pessoas combinaram em uma reunião, mas porque só existe uma definição possível de consumir.
Nada disso elimina a responsabilidade analítica. O que muda é o ponto de partida: a desconfiança vira processo, e o tempo do analista migra da verificação para a análise. Se a sua operação ainda não tem nada disso, comece pequeno: um teste de volume e um de atualização nas duas ou três fontes mais críticas. Assim como na análise de cohort, você não precisa de uma ferramenta sofisticada para começar. Precisa de método.