Facebook questiona eficácia de suas próprias métricas de publicidade

A pesquisa interna do Facebook revela que a atribuição padrão de anúncios da plataforma pode inflar as conversões incrementais em até três vezes ou mais. Isso levanta uma questão central para o marketing digital: o que estamos de fato mensurando? O estudo distingue entre estudos de lift randomizados, que oferecem evidências causais claras e são considerados a 'verdade', e a mensuração modelada ou atribuída, que serve mais como telemetria operacional do que como prova de eficácia. Essa discrepância é um alerta para qualquer profissional que baseia suas estratégias em dados e IA, pois confunde correlação com causalidade.

Essa discussão ecoa em outras matérias do CEVIU News. Em 6 de junho de 2026, abordamos como a proposta de padrão do W3C poderia reforçar esse problema. Também em 1 de julho de 2026, mostramos como dados incompletos e modelos de atribuição únicos sabotam decisões de marketing, algo que testes de incrementalidade podem corrigir. A transparência na mensuração é crucial para validar o ROI e otimizar campanhas, desde o posicionamento de marca até a mídia e automação.

Desde o estudo original de 2019, replicado em 2023, a complexidade da mensuração de anúncios só aumentou. As mudanças de privacidade, como a depreciação de identificadores e as políticas de consentimento de sistemas operacionais, removeram uma grande parcela das conversões observadas. Para preencher essa lacuna, as plataformas passaram a incorporar um número crescente de conversões modeladas nos relatórios. Isso significa que, mesmo em estudos randomizados, a variável de resultado pode ser parcialmente sintética, dificultando ainda mais a distinção entre dados observados e estimativas, uma preocupação que já discutimos no CEVIU News em 13 de maio de 2026, ao analisar por que os números do Google Ads, GA4 e CRM nunca coincidem.

Para um profissional de marketing digital, entender a diferença entre