Planejar testes e interpretar resultados inconclusivos

Um teste bem desenhado ajuda a estimar o que muda quando uma condição é alterada. Comparar duas peças responde a uma pergunta diferente de comparar exposição à mídia com ausência dessa exposição. Escolha o desenho conforme a decisão que precisa tomar.

Incrementalidade é o efeito adicional estimado em relação ao que ocorreria sem a intervenção. A/B compara variações; estudos de lift buscam mudanças em percepção ou conversão. Nenhum teste elimina toda incerteza: desenho, amostra, duração e interferências condicionam o que pode ser concluído.

Antes de começar, escreva a hipótese, a métrica principal, o prazo e a regra de leitura. Um resultado com intervalo amplo pode ser inconclusivo mesmo quando a média parece favorável. Isso pede cautela e revisão do desenho; não autoriza declarar vitória nem provar ausência de efeito.

Todo teste começa por uma hipótese escrita com causa, efeito e métrica: trocar o conceito do anúncio aumenta o SQL por lead na camada 3. As variáveis possíveis são público, oferta, conceito, formato e configuração, uma por vez. O A/B nativo do Campaign Manager compara anúncio, público, posicionamento ou otimização.

Desenho bom controla sobreposição e diferenças externas. Se a mesma pessoa cai nos dois grupos, a diferença some, então um teste montado à mão exclui um grupo do outro. Feriado, mudança de preço ou ação de vendas que atinge só um lado também contaminam a leitura.

Amostra e duração decidem se o resultado significa alguma coisa. O A/B nativo pede no mínimo 14 dias, recomenda 21 e vai até 90, com orçamento mínimo de US$ 700 no total ou US$ 20 por dia e público recomendado de 300 membros por conjunto. A documentação da API recomenda US$ 5.000 e 3 semanas, com a otimização de orçamento da campanha desligada.

Resultado prematuro é o risco mais comum. Nos primeiros dias, poucos eventos fazem uma variação parecer muito melhor, e a vantagem encolhe quando a amostra cresce. Fixe duração e métrica antes de começar e não abra o placar para decidir no meio do caminho.

Brand Lift mede percepção de marca com pesquisa entre expostos e não expostos. Não tem custo próprio, mas exige orçamento acumulado mínimo, por exemplo US$ 60.000 para uma pergunta, subindo com mais perguntas, e público recomendado de 1 milhão, com mínimo sugerido de 300 mil. O LinkedIn pede ainda 30 respostas por grupo.

Desde junho de 2026 o Brand Lift saiu da metodologia frequentista para a bayesiana e passou a mostrar a "probabilidade de lift". Probabilidade alta diz que o efeito provavelmente existe; não diz de que tamanho. Leia a probabilidade junto com a faixa do efeito.

Conversion Lift compara conversões de um grupo exposto com as de um grupo de controle, cujas conversões o LinkedIn modela. A nota oficial de 31 de março de 2026 e o post de 18 de junho levaram o teste do nível de conta ao de campanha, com medição de iOS e metodologia bayesiana. Segundo o LinkedIn, num caso citado no post, a audiência exposta ficou 26 por cento mais propensa a converter.

Os requisitos pesam: Conversions API ou Insight Tag; 30 a 90 dias; orçamento acumulado mínimo de US$ 80.000; qualquer formato de Sponsored Content; 2 a 4 semanas entre testes. Conjuntos de CTV entram na medição, em beta, quando cumprem as mesmas exigências. Tráfego sem consentimento continua fora, e o resultado oscila até 7 dias após o fim.

Na interface atual, o teste mora em Measure (Medir), na opção Test. O botão Create test abre três escolhas: A/B test, Brand Lift test e Conversion Lift test, este com o selo New. A conta precisa de ao menos uma conversão ativa; sem ela, a tela pede Set up data source antes de mostrar qualquer campo.

Os resultados ficam na mesma página Test, no botão View results ao lado do teste. Espere 7 dias depois do fim antes de tratar o número como final. A visão geral traz três métricas: aumento absoluto, as conversões incrementais; aumento relativo, em percentual; e custo por aumento, o gasto dividido pelas conversões incrementais.

Desde junho de 2026, o Conversion Lift também segue a metodologia bayesiana e mostra a probabilidade de aumento. Cada linha dos detalhamentos por evento e por atributo recebe um selo: Statistically significant lift indica 90 por cento ou mais de confiança, e Directional lift indica 80 por cento ou mais. Linha sem selo não sustenta decisão de verba.

Um aviso de contaminação no topo do resultado indica que parte do grupo de controle viu anúncios do teste ou de outra conta. Entre 2 e 5 por cento, o resultado vale com cautela, porque o efeito tende a sair subestimado; acima de 5 por cento, o LinkedIn recomenda usá-lo só como direção. Antes de lançar, pause nas outras contas da empresa as campanhas para o mesmo público.

Desde a nota de 31 de dezembro de 2025, o A/B nativo traz insights com IA que explicam por que a variação vencedora venceu. A explicação é uma hipótese plausível, gerada depois do fato, sem prova própria. Leve-a ao registro de decisões como candidata ao próximo teste, com a variável isolada.

Armadilha comum: encerrar o teste no dia em que uma variação passa na frente. Com poucas conversões, a liderança troca de lado várias vezes antes do prazo, e o processo que para no primeiro sinal escolhe o ruído. É por isso que o LinkedIn fixa mínimo de dias e de conversões por grupo.

No A/B nativo do quinto mês, a Vértice comparou o conceito de calendário da transição com o de risco de autuação. O teste apontou o calendário como vencedor por CPL, R$ 198 contra R$ 231. No CRM, o risco de autuação tinha 26 por cento de SQL contra 17, e custo por SQL de R$ 888 contra R$ 1.165. Ficou o risco de autuação.

Para o Conversion Lift, a Vértice não se qualifica. Com R$ 45.000 por mês, 90 dias somam R$ 135.000, abaixo dos US$ 80.000 exigidos no câmbio do período. A saída foi um holdout de contas: das 600 contas da camada 2, 300 sorteadas ficaram fora de toda mídia do LinkedIn por 90 dias, por exclusão de lista de empresas.

No exercício hipotético, os dois grupos recebem a mesma cadência comercial e são medidos pelo mesmo CRM. O sorteio reduz o risco de diferenças sistemáticas, mas não garante equilíbrio perfeito. Antes da análise, confira características iniciais, exclusões e possíveis contatos com a mídia fora do desenho previsto.

O grupo exposto teve 18 por cento mais SQL por conta, com intervalo de 6 a 30 por cento. O intervalo inteiro fica acima de zero, então o efeito é provavelmente positivo; o tamanho é incerto. O plano projeta retorno pela ponta baixa, 6 por cento, e os 18 por cento só aparecem com o intervalo ao lado.

Um intervalo que inclua efeitos negativos e positivos, como o exemplo de menos 4 a 40 por cento, não permite uma conclusão firme. A incerteza pode resultar de amostra insuficiente, variabilidade ou desenho inadequado. Defina uma nova etapa de avaliação antes de ampliar prazo, público ou mudar a métrica; não continue até aparecer uma resposta desejada.

Proponha um teste viável para a decisão atual e confira seus requisitos vigentes na conta. Se precisar ampliar a amostra ou o prazo depois de uma leitura inconclusiva, trate isso como uma nova etapa planejada. Não interrompa ou prolongue repetidamente a observação só para obter um resultado favorável.