Se você já somou as conversões que o Google Ads, o Meta e o seu analytics reportam e percebeu que os números não fecham, saiba que não é erro de configuração. É como o sistema foi feito. Cada plataforma conta conversão de um jeito, e entender por quê é o primeiro passo para parar de tomar decisões sobre dados que se contradizem.
O problema fica maior porque, somadas, as plataformas costumam reivindicar bem mais conversões do que a receita real que entrou. Duas ferramentas olham para a mesma venda e as duas dizem que foram elas que a geraram. O resultado é um relatório inflado que engana quem confia nele.
A boa notícia é que dá para organizar esse caos. Mas antes é preciso entender as três razões que fazem os números divergirem.
Cada plataforma usa um modelo diferente
Como explicou a Search Engine Land, a lógica de distribuição de crédito muda de plataforma para plataforma. O Google costuma usar atribuição orientada por dados, que espalha crédito fracionado por várias interações ao longo de uma janela. O Meta tende a trabalhar com um modelo de toque único. A mesma jornada, avaliada por regras diferentes, gera números diferentes. Não é que uma esteja certa e a outra errada, é que elas medem coisas distintas.
Some a isso o fato de que cada plataforma só enxerga o que acontece dentro dos próprios muros. O Google Ads rastreia o Google Ads. O Meta rastreia o Meta. Essa visão isolada garante que cada uma reivindique o crédito que consegue ver, ignorando o resto da jornada.
O problema das conversões modeladas
A privacidade adicionou uma camada nova. Com regras mais rígidas e sinais de rastreamento mais limitados, as plataformas perderam parte da capacidade de medir diretamente. Para preencher a lacuna, passaram a usar conversões modeladas, que são estimativas estatísticas do que elas não conseguem observar. Duas plataformas olhando para a mesma campanha podem chegar a contagens muito diferentes, dependendo de como cada modelo interpreta os dados incompletos.
É por isso que, empilhadas, as plataformas frequentemente somam bem mais do que a receita real. Não é bug de nenhuma delas, é uma característica estrutural de medir sem uma camada de reconciliação. Esse tema conversa diretamente com o que já discutimos sobre como a medição precisa se adaptar quando novos canais viram vitrine de venda.
Como organizar a medição
O caminho não é escolher a plataforma que dá o número mais bonito, é criar uma fonte única de verdade. Na prática, isso significa usar um analytics central, como o GA4, e idealmente uma camada de reconciliação que compare o que cada plataforma reivindica com a receita real do negócio. Os relatórios das plataformas viram então um sinal de tendência, não a verdade absoluta.
Três atitudes ajudam: definir qual métrica manda na hora de decidir orçamento, comparar sempre o total reportado com a receita real e documentar as janelas e modelos de cada plataforma para saber o que está lendo. Quem trata medição como base, e não como detalhe, evita cortar o que funciona só porque um painel mostrou um número menor. É a mesma disciplina de dados que aplicamos ao levar feeds e resultados reais para as campanhas.
Perguntas frequentes
Por que Google e Meta mostram números de conversão diferentes?
Porque usam modelos de atribuição distintos. O Google costuma distribuir crédito fracionado por várias interações, enquanto o Meta tende a usar toque único. A mesma jornada, avaliada por regras diferentes, gera números diferentes.
O que são conversões modeladas?
São estimativas estatísticas que as plataformas usam para preencher o que não conseguem medir diretamente, sobretudo por causa das restrições de privacidade. Modelos diferentes podem chegar a contagens muito diferentes para a mesma campanha.
Por que a soma das plataformas passa da receita real?
Porque cada plataforma só enxerga o que acontece dentro dos próprios muros e reivindica o crédito que vê. Sem uma camada de reconciliação, as contagens se sobrepõem e o total ultrapassa a receita que de fato entrou.
Como organizar a medição de conversões?
Criando uma fonte única de verdade, com um analytics central como o GA4 e, de preferência, uma camada de reconciliação. Defina qual métrica manda nas decisões e compare sempre o total reportado com a receita real.
