- Define uma métrica principal antes da promoção, compara com uma referência (baseline) e lê o resultado depois de os efeitos de antecipação de compra se terem estabilizado.
- A referência mais limpa é um grupo de holdout: uma parte dos visitantes que não vê a oferta. O ano anterior e as semanas antes da promoção funcionam como uma segunda perspetiva.
- Seis métricas cobrem a maioria das questões: receita, encomendas, valor médio da encomenda, margem, proporção de novos clientes e devoluções.
- O guia termina com um modelo de relatório que podes copiar. A Black Friday de 2026 é sexta-feira, 27 de novembro, e a Cyber Monday é segunda-feira, 30 de novembro.
Para medir se uma campanha de Black Friday funcionou, define uma métrica objetivo antes da promoção, compara com uma referência que mostre o que teria acontecido sem a campanha, e lê o resultado apenas depois de os efeitos de antecipação de compra se terem estabilizado. A referência mais forte é um grupo de holdout: uma pequena parte dos visitantes que não vê a oferta. As comparações ano a ano e semana a semana são mais fáceis de configurar, mas também mais fáceis de interpretar mal.
A Black Friday de 2026 é sexta-feira, 27 de novembro, e a Cyber Monday é segunda-feira, 30 de novembro. Este guia aborda a definição de sucesso, as seis métricas que importam, três formas de comparar, os efeitos de antecipação de compra, uma configuração de holdout com Varify e um modelo de relatório. Para a qualidade dos dados de um teste A/B em si, consulta o guia ligado na secção sobre holdout.
Define o sucesso antes da promoção
Uma campanha não pode ser avaliada depois do facto se ninguém tiver definido o que significa sucesso. Acorda estes pontos antes de a promoção começar:
- Uma métrica principal. Escolhe o número que decide: por exemplo, receita por visitante, margem de contribuição ou novos clientes. Uma campanha que aumenta a receita e reduz a margem pode parecer boa numa métrica e má na outra.
- Métricas de salvaguarda (guardrail). Identifica os números que não podem piorar, como a taxa de devoluções ou a proporção de encomendas com código de desconto.
- A comparação. Decide qual referência vais usar (ver abaixo) antes de veres quaisquer dados.
- A janela temporal. Fixa o início, o fim e a data da leitura final. Regista quem é responsável pelo relatório.
Escreve a definição num parágrafo e partilha-a com todos os que gerem parte da campanha. Uma definição fixa evita o hábito de escolher, mais tarde, a métrica que parece melhor. Acrescenta uma regra de decisão em linguagem simples, por exemplo: se o grupo da campanha superar o holdout na métrica principal e as salvaguardas se mantiverem, repetimos o formato no próximo ano; se a margem cair, mudamos a oferta.
As métricas que importam
Seis métricas cobrem a maioria das questões sobre a Black Friday. Define cada uma da mesma forma em todos os relatórios.
- Receita. Valor total dos pedidos no período. Decide se inclui envio e impostos e mantém essa escolha.
- Pedidos. O número de pedidos concluídos. Conta cada pedido uma vez.
- Valor médio do pedido. Receita dividida pelos pedidos. Mostra se as ofertas alteraram o tamanho do carrinho.
- Margem. Receita menos os custos dos produtos, envio e descontos, como valor e como percentagem da receita. Mostra se a receita extra compensa.
- Percentagem de novos clientes. Pedidos de clientes que compraram pela primeira vez, divididos por todos os pedidos. Mostra se a campanha alcançou novas pessoas.
- Devoluções. Pedidos ou itens devolvidos como percentagem dos pedidos. As devoluções chegam semanas depois, por isso repete a leitura após o período de devolução.
A receita por visitante é uma ponte útil entre tráfego e vendas: receita dividida por visitantes. Permite comparar períodos e grupos com tráfego diferente.
Escolhe a comparação certa
Cada comparação responde a uma questão ligeiramente diferente. A tabela lista as três mais comuns.
| Método de comparação | Vantagem | Desvantagem |
|---|---|---|
| Mesmo período do ano passado | Cobre a mesma época e o mesmo calendário, incluindo a própria Black Friday. | A loja, o mix de tráfego, os preços e o mercado diferem do ano passado. A diferença contém muito mais do que a campanha. |
| As semanas antes da promoção | Próximas no tempo e na configuração da loja. Fáceis de extrair do teu analytics. | Semanas normais não têm procura de Black Friday, por isso todo o pico parece um efeito da campanha. |
| Grupo de controlo (holdout) | Mesmos dias, mesmo mercado, mesma loja. A única diferença é a oferta, por isso a diferença mostra o efeito da campanha. | Precisa de uma configuração antes do início. Um grupo pequeno significa uma margem de erro maior, e alguns visitantes nunca veem a oferta. |
A resposta honesta a «funcionou?» é a diferença em relação a uma base de referência. Comparações ano a ano e antes-depois são boas como segunda perspetiva. Um grupo de controlo é a única das três que separa a campanha de tudo o resto que mudou nesses dias.
Atenção aos efeitos de antecipação de compra
Um efeito de antecipação de compra (pull-forward) acontece quando a campanha antecipa compras no tempo. Clientes que comprariam em outubro ou dezembro compram na Black Friday, normalmente com desconto. A promoção parece então maior do que o seu efeito líquido. Esta é uma hipótese para a tua loja verificar, porque a dimensão varia consoante a categoria e a base de clientes.
Três verificações tornam isto visível:
- Compara os totais numa janela mais longa. Olha para a receita do início de outubro ao fim de dezembro, em comparação com a mesma janela na tua base de referência. Um ganho na Black Friday associado a uma queda posterior aponta para antecipação de compra.
- Olha para os clientes recorrentes. Verifica se os clientes que compraram na Black Friday teriam comprado nas semanas seguintes.
- Olha para a percentagem de descontos. Se os pedidos de clientes existentes com código de desconto aumentam enquanto os pedidos a preço total caem, os descontos podem ter substituído pedidos a preço total.
Planeia a leitura final após a janela escolhida, por exemplo em janeiro, e apresenta a primeira leitura na Cyber Monday como resultado preliminar.
Mede com um grupo de controlo usando o Varify
Um grupo de retenção (holdout) é uma parte dos visitantes que vê a loja normal enquanto todos os outros veem a campanha. Compara os dois grupos nos mesmos dias e vês o efeito da campanha em si. A Varify pode criar isto com um teste A/B ou com personalização e uma divisão de tráfego desigual. Se é possível sequer executar um teste na semana de pico está explicado em A/B testing during Black Friday.
- Configura a divisão. Cria os elementos da campanha como a variante: banner, preços, selos (vê como testar banners de Black Friday sem um programador). Com Prompt-Based Experimentation (PBX), descreve-os em linguagem simples no Visual Editor (“Ask AI”), e a IA cria a variante, escreve o código e configura a experiência, sem um programador. Vê os exemplos de PBX e a documentação de PBX. Atribui uma pequena parte do tráfego ao original. Essa parte é o teu grupo de retenção. Qual a percentagem certa depende do teu tráfego, por isso planeia-o com a calculadora de duração de teste.
- Direciona os visitantes certos. Com a segmentação de público por URL query (UTM), referrer ou geografia, o grupo de retenção pode aplicar-se a visitantes de um e-mail ou anúncio específico. Vê segmentação de público.
- Mede. Liga o GA4 e lê a receita, encomendas e valor do cesto por grupo. Para dados em bruto, a Varify oferece a avaliação BigQuery e a exportação CSV (vê exportar os resultados), e as estatísticas Bayes mostram a duração restante. O guia sobre ferramentas de Black Friday para lojas online lista a configuração de analytics e gravação a verificar antecipadamente.
- Verifica primeiro. Usa o link de pré-visualização e o modo QA para confirmar que os objetivos disparam para ambos os grupos (vê garantia de qualidade).
A Varify não define cookies e guarda a atribuição de grupo no localStorage, pelo que um visitante que regressa permanece no mesmo grupo. Quais visitantes a tua ferramenta de analytics consegue contar depende da tua configuração de consentimento, o que é uma questão para o teu encarregado de proteção de dados. Para o lado dos dados de um teste A/B, lê GA4 ou BigQuery: em que números um teste A/B pode confiar.
O teu modelo de relatório pós-Black Friday
Copia este esquema para um documento. Preenche-o na Cyber Monday como primeira leitura, e novamente após o período que escolheres.
- Definição do objetivo e métrica antes da venda, com a data da leitura final
- Período, canais e as ofertas que estiveram ativas, com horas de início e fim
- Resultados da métrica principal: grupo da campanha, baseline, diferença e margem de erro
- Resultados das outras cinco métricas e das métricas de proteção (guardrail)
- Comparação com a segunda visão (ano passado ou as semanas anteriores)
- Verificação de pull-forward: totais ao longo da janela mais longa
- O que funcionou, o que não funcionou e o que faremos de forma diferente no próximo ano
- Pontos em aberto: devoluções ainda por vir, lacunas de dados, responsáveis e datas
Adiciona as capturas de ecrã ou exportações que sustentam cada número, e indica a fonte de dados junto a cada valor.
Mede a tua campanha de Black Friday com um holdout.
Varify.io: PBX, integração com GA4, Campaign Booster. Compara o grupo que viu a oferta com o grupo que não viu.