Um teste mostra um aumento de +3 conversões de %. Parece convincente, até que você verifique os dados no BigQuery. Porque o que os relatórios do GA4 geralmente escondem: O resultado é baseado em usuários modelados, sessões amostradas e métricas suavizadas.
O efeito? Uma aparente vitória no teste que não é uma vitória.
Se você deseja tomar decisões informadas, não pode confiar em painéis pré-digeridos. Em vez disso, você precisa entender o que realmente aconteceu.
A falsa segurança é mais perigosa do que a insegurança!
Tabela de conteúdo
Google Analytics 4 vs. BigQuery
O GA4 e o BigQuery acessam o mesmo conjunto de dados, mas o que eles fazem com eles é fundamentalmente diferente.
O GA4 usa métodos probabilísticos, como o HyperLogLog++, para estimar o número de usuários quando o tráfego é alto. Isso economiza carga de computação, mas faz com que os números-chave, como usuários ou conversões, sejam ligeiramente inflados. A partir de cerca de 12.000 visitantes por variante, os números de usuários e conversões relatados às vezes se desviam visivelmente dos valores reais.
Se o mesmo teste for analisado no BigQuery, surgirá um quadro diferente: o aumento diminui e a significância é reduzida. Por quê? Porque o BigQuery trabalha com os dados brutos reais, não com valores estimados.
| BigQuery | Google Analytics 4 |
|---|---|
|
Salva dados brutos de eventos |
Mostra dados processados e agregados
|
|
Os dados são sempre não amostrados (não baseados em amostras) |
Pode usar amostragem em relatórios
|
|
Os dados são organizados em tabelas diárias, com um esquema de eventos |
Os dados são exibidos em relatórios predefinidos e explorações personalizáveis |
|
O SQL é necessário para consultar e analisar dados |
Usa uma interface gráfica de usuário |
|
Os dados são exportados no dia seguinte (pode levar até 72 horas) |
Os dados podem levar até 48 horas para serem processados
|
|
Gratuito (dentro dos limites predefinidos) |
Gratuito (com upgrade para o GA4 360)
|
Em resumo:
GA4 simplificado - BigQuery esclarecido.
O mais importante é: Não se trata apenas do GA4. Muitas ferramentas de teste A/B também trabalham com dados modelados e suavizados. É exatamente por isso que o princípio se aplica: confie nos dados brutos e examine as superfícies suaves.
Como é fácil cometer um erro: Um exemplo concreto
Este exemplo vem de um teste A/B relacionado a um novo design da Buybox. O objetivo era otimizar a orientação do usuário e aumentar a taxa de conversão. A variante testada é mostrada abaixo.
A diferença entre o GA4 e o BigQuery pode ser vista de forma particularmente clara nesse teste.
Os índices abaixo foram calculados usando Google Analytics 4 e fornecer uma visão geral do desempenho das variantes testadas:
Os índices a seguir foram calculados usando BigQuery analisadas:
Teste o BigQuery com o Varify.io
Gratuito e completo sem SQL
Se você usar o Varify, não precisará lidar com o SQL.
Depois de conectar a Varify ao BigQuery por meio de nossa configuração automática ou selecionando a fonte de dados correta, os dados do experimento são sincronizados automaticamente, incluindo exposições, conversões e atribuições de variantes.
Você pode encontrar mais detalhes nesta postagem do blog:
Conclusão
Uma boa análise de teste não começa com o painel, mas com a questão de saber se você pode confiar nos números. Se quiser tomar decisões bem fundamentadas, é preciso ter clareza sobre a base de dados e controle sobre sua interpretação. O GA4 oferece visualizações rápidas. O BigQuery fornece respostas confiáveis.
Se quiser entender o que realmente importa em uma análise de experimento confiável e como evitar erros típicos, vale a pena dar uma olhada no white paper.
Todos Informações, Exemplos e Modelos podem ser encontradas de forma compacta e prática no white paper completo:
👉 Baixe aqui gratuitamente
Referências individuais
- Analytics‑Toolkit.com (2020): The Perils of Using Google Analytics User Counts in A/B Testing. Published 2020 (updated September 2022 & January 2023). [Accessed on: 21.07.2025]
