Público lookalike bom não é sobre tamanho. É sobre a base que gerou ele

Uma dúvida recorrente de quem gerencia tráfego pago é: "por que meu lookalike de 5% não performa tão bem quanto o de 1%, mesmo tendo mais alcance?" A resposta geralmente não está no percentual escolhido — está na qualidade da base original usada pra gerar aquele público, algo que costuma receber muito menos atenção do que merece.

Público lookalike bom não é definido pelo tamanho da base de origem. É definido por quão bem essa base representa especificamente o comportamento que você quer replicar na audiência nova.

Por que tamanho sozinho não garante qualidade

A lógica intuitiva sugere que mais dado sempre gera resultado melhor — quanto maior a base, mais preciso o algoritmo consegue ser ao encontrar pessoas parecidas. Mas isso só é verdade se a base for consistente no comportamento que representa. Uma base de dez mil pessoas que inclui qualquer visitante do site, independente de intenção ou engajamento, é uma base ruidosa: o algoritmo aprende um padrão médio diluído, que não representa bem nenhum comportamento específico.

Uma base de mil clientes que efetivamente compraram, com padrão de comportamento consistente entre si, ensina ao algoritmo um sinal muito mais claro do que ele está tentando replicar — mesmo sendo dez vezes menor.

O que faz uma base pequena performar melhor

Especificidade é o fator decisivo. Uma base composta só por clientes de maior valor, ou só por quem completou uma ação específica de alto comprometimento (comprou mais de uma vez, por exemplo), carrega um sinal mais forte e mais fácil de replicar do que uma base ampla e heterogênea. O algoritmo de lookalike funciona encontrando padrões — quanto mais nítido o padrão na base de origem, mais preciso o público gerado a partir dele.

Isso explica por que, em muitos testes, um lookalike de 1% baseado numa base pequena e qualificada supera um lookalike de 5% baseado numa base grande e genérica, mesmo tendo alcance potencial menor.

Comprador versus visitante como base de origem

Base de quem comprou tende a ser mais forte como sinal do que base de quem só visitou o site, porque compra representa uma decisão real e específica, enquanto visita pode incluir curiosidade sem intenção nenhuma. Mas essa hierarquia não é absoluta — depende do objetivo da campanha. Pra geração de lead, uma base de leads que efetivamente avançaram no funil pode ser mais representativa do comportamento desejado do que uma base de compradores de um produto completamente diferente.

O critério central pra escolher a base não é "qual ação é objetivamente mais valiosa", é "qual base representa melhor o comportamento específico que eu quero que o lookalike replique".

Por que misturar bases diferentes costuma diluir o resultado

Combinar clientes de produtos muito diferentes, ou leads de campanhas com objetivos distintos, numa única base de origem tende a diluir a especificidade que faz o lookalike funcionar bem. O algoritmo passa a aprender uma média entre comportamentos diferentes, ao invés de um padrão nítido e replicável.

Geralmente funciona melhor gerar lookalikes separados por tipo de base — um a partir de compradores de produto A, outro a partir de leads de campanha B — e comparar a performance de cada um isoladamente, em vez de assumir que uma base combinada vai automaticamente representar melhor os dois grupos.

Mantendo a base atualizada

O perfil de cliente ideal muda com o tempo — seja por mudança de mercado, ajuste de posicionamento, ou simplesmente evolução natural do produto. Uma base de origem desatualizada gera lookalike baseado num comportamento que talvez já não reflita quem realmente é o cliente mais valioso hoje. Revisar e atualizar periodicamente a base de origem evita replicar um perfil que já ficou defasado.

Um exemplo prático de comparação de bases

Uma loja online testando lookalike pode comparar três bases diferentes: todos os visitantes do site nos últimos 90 dias, todos que adicionaram algo ao carrinho, e só quem comprou mais de uma vez. Em geral, a terceira base — menor, mas mais específica — tende a gerar público com taxa de conversão mais alta, mesmo exigindo mais tempo pra acumular volume suficiente de dado antes de gerar o lookalike.

O ponto central

Antes de aumentar o tamanho da base achando que isso automaticamente melhora o lookalike, vale perguntar: essa base representa de forma nítida e consistente o comportamento que eu quero replicar? Base pequena e específica quase sempre performa melhor do que base grande e genérica — porque o algoritmo de lookalike depende da clareza do padrão que recebe, não do volume bruto de dado. Vale notar que isso não contradiz o argumento de que público amplo demais não é preguiça de segmentar: uma coisa é a especificidade da base que alimenta o algoritmo, outra é a amplitude do público final que ele entrega — a primeira precisa ser nítida, a segunda pode, e muitas vezes deve, ser deixada mais aberta.