Planejar orçamento entre canais e separar crédito de causa

Com custo e crédito na mesma tela, chega a pergunta do diretor financeiro: se eu tirar R$ 10.000 da Meta e colocar no Google Ads, quantos pedidos a mais? Atribuição responde quem levou o crédito. Ela não responde o que aconteceria sem a campanha, e essa é a pergunta de quem assina o orçamento.

Confundir as duas perguntas custa caro nos dois sentidos. A campanha de Pesquisa com termo de marca recebe crédito por compras de gente que já ia comprar, e o corte dela derruba menos do que o painel prometia. A campanha de vídeo da Meta recebe pouco crédito por clique e alimenta a busca de marca que vem depois, e o corte dela derruba mais do que o painel mostrava.

Ao terminar, a pessoa sabe o que o cross-channel budgeting do Analytics projeta e o que ele não faz, lê uma projeção pelo intervalo e não pela linha, e desenha um experimento com controle e métrica de proteção. A Verde Vivo rodou um teste geográfico de quatro semanas e descobriu que a Meta causava 90 pedidos por mês, e não os 470 que o painel reivindicava nem os 165 que o modelo creditava.

Planejamento com dados começa pelo histórico: pelo menos alguns meses de custo, evento-chave e receita por canal, na mesma régua do capítulo anterior, com as datas de campanha, promoção e quebra de site anotadas. Sazonalidade entra como comparação com o período equivalente, e saturação entra como pergunta: nos meses em que o canal gastou mais, o custo por compra subiu?

Cross-channel budgeting (o planejamento de orçamento entre canais, dentro da seção Advertising) está em beta desde 16 de janeiro de 2026 e oferece dois tipos de plano. O plano de projeção (projection plan) acompanha o desempenho real contra a projeção, com faixas de confiança. O plano de cenário (scenario plan) sugere uma alocação de orçamento entre canais e compara o retorno esperado, e só pode começar em data futura.

Os requisitos limitam quem consegue usar: seção Advertising configurada, Google Ads vinculado ou outras integrações de mídia, conversões configuradas, histórico suficiente e, para o plano de cenário, atribuição orientada por dados. A interface só existe na versão desktop. O modelo baseado em atribuição orientada por dados está em beta; o modelo baseado em Meridian está em alpha e só para Analytics 360. A página oficial avisa que o recurso pode não estar disponível para a propriedade.

Projeções e intervalos pedem uma leitura específica. A faixa de confiança diz onde o resultado tende a cair; a linha central é só o meio dela. Uma campanha cujo resultado real está dentro da faixa, ainda que abaixo da linha, está fazendo o que o histórico previa. Uma que sai da faixa por duas semanas seguidas mudou de comportamento, e é essa a informação que vale a reunião.

Cenários são hipóteses, e o plano não altera o orçamento em nenhuma conta conectada. Quando o cenário sugere mover 20 por cento da Meta para a Pesquisa, ele está dizendo que, pela atribuição orientada por dados do histórico, essa alocação teria rendido mais. Ele não sabe o que a Meta causa fora do que a tag viu, e por isso a sugestão vira a hipótese do experimento, não a decisão.

Atribuição contra causalidade é a distinção que o capítulo inteiro defende. Atribuição divide o crédito das vendas que aconteceram entre os toques observados. Causalidade pergunta quantas dessas vendas não aconteceriam sem o toque. A busca paga pelo termo "verde vivo" recebe crédito por quase toda compra em que aparece; parte dessas pessoas clicaria no resultado orgânico logo abaixo se o anúncio sumisse.

Experimentos respondem à pergunta de causa com cinco peças. Hipótese: "pausar a Meta reduz os pedidos em pelo menos 10 por cento". Controle: um grupo que não recebe a mudança e serve de comparação. Amostra: pedidos suficientes nos dois grupos para que uma diferença de 5 por cento não seja ruído; quanto menor a diferença esperada, maior a amostra. Métrica de proteção: um número que não pode piorar, como pedidos orgânicos e diretos. Duração: tempo bastante para cobrir o ciclo de compra.

Testes geográficos são a forma de experimento que uma loja nacional consegue rodar sem mexer na tag. A mídia é ligada ou pausada num conjunto de regiões e mantida noutro, e a diferença de pedidos entre os dois conjuntos, comparada com a diferença histórica, estima o efeito. O Analytics fornece a leitura por região; o desenho, o pareamento dos grupos e a conta ficam com a equipe.

Marketing Mix Modeling (MMM, a modelagem estatística que relaciona gasto agregado por canal com resultado ao longo do tempo) responde à mesma pergunta sem cookie e sem identificador, e por isso enxerga canais que a tag não vê, como TV e rádio. Ela exige anos de histórico com variação de gasto e devolve estimativa com incerteza, não venda por venda.

Meridian é o modelo de MMM do Google, e ele entrou no Analytics 360 por anúncio de 20 de maio de 2026. O blog oficial disse "em breve"; a imprensa especializada relatou disponibilidade global em todos os idiomas dentro do 360, com canais como Google Ads (Performance Max, Demand Gen e Pesquisa), Meta, TikTok, Pinterest e Snap, e uma interface em linguagem natural para cenários.

O exemplo publicado, um orçamento de US$ 100 mil gerando US$ 300 mil incrementais, é uma ilustração do Google, e não um resultado esperado.

Para uma propriedade padrão como a da Verde Vivo, Meridian dentro do Analytics não existe, e o cross-channel budgeting pode ou não aparecer. O que sobra é o que sempre valeu: experimento desenhado pela equipe, leitura por região no Analytics e a exportação para o BigQuery como base para um modelo próprio, quando houver histórico e gente para isso.

Armadilha comum: ler o plano de cenário como promessa e reduzir o orçamento de um canal no dia seguinte, sem grupo de controle. Quando os pedidos caem, ninguém sabe se foi o corte, a sazonalidade ou o concorrente, e o canal volta ao orçamento antigo com um mês perdido. Cenário gera hipótese; experimento gera decisão.

Na Verde Vivo, o teste rodou de 24 de agosto a 20 de setembro. Os quatro estados de teste tinham 412 pedidos por mês em média nos seis meses anteriores; os de controle, 405. Durante o teste, o grupo de teste fechou 389 pedidos e o de controle 411, uma diferença de 5,4 por cento além da diferença histórica. Aplicada aos 1.650 pedidos do mês, a Meta causava cerca de 90 pedidos, e os pedidos orgânicos e diretos não caíram.

A decisão saiu do experimento, e não do painel: a Meta ficou com R$ 15.000, concentrados em remarketing para quem já visitou o site, e R$ 9.000 foram para a Pesquisa B2B, onde cada orçamento vale R$ 6.000 esperados. O plano de cenário, quando apareceu na propriedade em setembro, sugeriu um movimento na mesma direção, e a equipe leu isso como confirmação, não como fonte.

Escolha o canal pago em que a diferença entre crédito e reivindicação é maior na sua tabela do capítulo anterior e escreva a hipótese de um teste geográfico com grupos pareados e métrica de proteção. Se a diferença esperada for menor do que 5 por cento, o teste precisa de mais semanas ou mais regiões antes de começar. O próximo capítulo leva esses números para dentro do Analytics, num painel que o diretor abre sem pedir planilha.