O relatório do GA4 mostra 12.400 sessões na semana. A consulta no BigQuery sobre os dados exportados da mesma propriedade devolve 13.100. O analista que apresenta o número à diretoria precisa decidir qual deles é “o certo”, e a resposta honesta é que nenhum dos dois está errado. Eles respondem a perguntas ligeiramente diferentes, e a diferença tem causas conhecidas e verificáveis. Este roteiro mostra como reconciliar os dois em cinco etapas, sem prometer que as contas vão fechar exatamente.
Por que as duas fontes não coincidem por construção
A interface do GA4 e a exportação para o BigQuery partem do mesmo fluxo de eventos, mas passam por processamentos diferentes. A interface aplica regras de apresentação, como limites de limiar para proteger privacidade, amostragem em explorações grandes e, em algumas configurações, modelagem de dados quando há consentimento limitado. A exportação entrega eventos mais próximos do bruto, e as métricas são calculadas por quem consulta, com a lógica escrita na consulta.
Consequência prática: uma diferença de poucos pontos percentuais entre as duas fontes é esperada, e uma diferença grande indica problema de configuração ou de consulta. Não existe um número padrão de tolerância aceito pelo mercado; a faixa aceitável depende do volume, do tipo de propriedade e do uso do dado, e deve ser definida por você a partir da sua própria série histórica.
Etapa 1: alinhar a definição da métrica
A maior parte das divergências nasce na consulta. Sessão no GA4 é um conceito construído, não um campo pronto: a exportação traz um identificador de sessão e os eventos, e quem consulta precisa combinar usuário e sessão para contar. Quem conta sessões com a mesma fórmula da interface chega perto; quem usa uma aproximação, como contar eventos de início de sessão, pode se afastar.
- Documente a fórmula. Escreva como a interface define a métrica e como você a reproduz na consulta, em uma frase cada.
- Use o mesmo fuso. A interface usa o fuso configurado na propriedade; a exportação armazena a data em formato próprio e a consulta pode usar outro fuso.
- Use o mesmo conjunto de dados. Confira se a consulta cobre os mesmos dias e se inclui as mesmas tabelas, diárias e intradiárias, quando aplicável.
Etapa 2: comparar em um recorte simples
Não comece pelo relatório inteiro. Escolha um dia sem campanha, sem lançamento e sem mudança de site, e compare uma única métrica, por exemplo, número de eventos de visualização de página. Eventos são mais fáceis de conciliar que sessões e usuários, porque não dependem da combinação de identificadores.
Se a contagem de eventos coincide, o problema está na definição de sessão ou de usuário. Se não coincide, o problema está antes: na coleta, no filtro de tráfego interno ou no período processado.
Etapa 3: investigar os mecanismos conhecidos
Com o recorte simples em mãos, passe pelos mecanismos que mais explicam as diferenças, nesta ordem de probabilidade.
- Limiares de privacidade. Em algumas configurações, a interface oculta linhas com poucos usuários. A exportação não aplica esse filtro, o que aumenta o total do BigQuery.
- Amostragem. Explorações que consultam grande volume de eventos podem ser amostradas, e o limite depende do tipo de propriedade. Confira o limite atual na documentação do Google, porque ele muda. Relatórios padrão são em geral dispensados da amostragem.
- Modelagem por consentimento. Se a propriedade usa modo de consentimento, a interface pode incluir dados modelados que não existem na exportação.
- Filtros de dados. Filtros de tráfego interno ou de desenvolvedor aplicados na interface nem sempre se refletem na exportação da mesma forma. Confira a configuração do filtro e o estado dele.
- Latência. Os dados do dia corrente na exportação diária chegam com atraso. Comparações de ontem para hoje trazem diferenças que desaparecem dias depois.
Etapa 4: calcular e acompanhar a diferença
Quando as definições estiverem alinhadas, calcule a diferença percentual semanal entre as duas fontes ao longo de pelo menos oito semanas. Registre o valor em uma planilha simples. A pergunta não é se a diferença é zero, e sim se ela é estável.
| Padrão observado | O que costuma indicar |
|---|---|
| Diferença pequena e estável | Efeito esperado de privacidade, modelagem e latência |
| Diferença que cresce com o tempo | Mudança de configuração, de consentimento ou de filtro |
| Picos isolados | Campanha, amostragem em exploração grande ou falha de coleta |
| BigQuery abaixo da interface | Modelagem, atraso na exportação ou consulta com filtro a mais |
Um exemplo numérico de reconciliação (hipotético)
Considere uma propriedade de e-commerce com valores inventados, apenas para mostrar o raciocínio. Em uma semana, a interface informa 12.400 sessões e a consulta do BigQuery devolve 13.100, uma diferença de 700 sessões, ou cerca de 5,6% sobre o valor da interface.
O analista aplica o roteiro. Na etapa 2, compara eventos de visualização de página em um dia comum: a interface mostra 41.800 e o BigQuery 41.790. A diferença é de dez eventos, desprezível, o que indica que a coleta está alinhada e o problema está na definição de sessão. Na etapa 1, ele descobre que a consulta contava sessões distintas por identificador de sessão isolado, sem combinar com o identificador do usuário. Como o identificador de sessão pode se repetir entre usuários diferentes, a contagem ficava em desacordo. Corrigida a consulta, a diferença cai para 1,8%.
O resíduo de 1,8% é então atribuído, com o apoio da etapa 3, ao efeito de limiares e de latência, e não a erro. O analista registra esse percentual, acompanha por oito semanas e verifica que ele oscila entre 1,5% e 2,2%. Resultado: a diferença está estável, e a explicação para a diretoria fica em uma frase. Repare que o ganho veio de corrigir a consulta, não de mexer na configuração do GA4, o que é comum.
Os erros que mais consomem tempo
Alguns equívocos se repetem em quase todo projeto de reconciliação, e conhecê-los economiza dias.
- Comparar períodos de fechamentos diferentes. Dados recentes ainda estão sendo processados; compare períodos fechados há pelo menos dois dias.
- Misturar fusos. Um dia que termina às 21h em um fuso e à meia-noite em outro move eventos de um dia para o outro e distorce a comparação diária.
- Ignorar o filtro de tráfego interno. Se a equipe navega no site durante testes, a diferença entre fontes pode mudar de acordo com quando o filtro foi ativado.
- Usar exploração para conciliar. Explorações amostradas são a pior base de comparação; use relatórios padrão ou consulte um período menor.
- Confiar em memória. Mudanças de configuração, de tag ou de consentimento passam despercebidas. Mantenha um registro datado de qualquer alteração na propriedade.
O último item merece ênfase. A maior parte das discrepâncias “misteriosas” se explica por uma mudança feita semanas antes por alguém que esqueceu de avisar. Um histórico simples, com data e responsável, resolve metade dos casos.
Etapa 5: escolher a fonte da verdade por uso
Depois da reconciliação, defina qual fonte responde a cada tipo de pergunta, e escreva isso. Para acompanhamento rápido de tendência, a interface é suficiente e mais ágil. Para análise que exige junção com dados de CRM, de vendas ou de custos, o BigQuery é a escolha, porque permite controle total da lógica. Para relatórios de diretoria, escolha uma única fonte e mantenha-a, mesmo que o número varie um pouco em relação ao que o analista vê na interface.
O que importa na prática é que a empresa não alterne de fonte conforme o resultado agrade mais. Com uma fonte definida e um registro da diferença histórica, a explicação para uma divergência passa a levar minutos, e a discussão sai da pergunta “qual número está certo” e vai para “o que mudou”.
Como explicar a diferença para quem decide
Diretoria e clientes não querem uma aula sobre exportação de eventos; querem saber se podem confiar no número. Uma explicação eficaz cabe em três frases: qual fonte o relatório usa e por quê, qual é a diferença habitual entre as fontes e a causa principal dela, e o que seria sinal de alerta. Por exemplo: “Os relatórios usam o BigQuery porque cruzam com vendas. A interface do GA4 costuma mostrar entre 1% e 3% a menos, por privacidade e latência. Se passar de 5%, investigamos.”
Essa formulação transforma uma dúvida recorrente em um acordo explícito, com um critério de investigação. Ela também protege o analista: quando o número muda, a conversa gira em torno do critério combinado, não da reputação de quem calculou. Os percentuais do exemplo são ilustrativos; a faixa da sua empresa deve sair da sua própria série histórica, observada por algumas semanas antes de ser formalizada.
Revise o critério a cada trimestre ou sempre que houver mudança relevante no site, nas tags ou no consentimento. Um critério velho dá falsa segurança.
Perguntas frequentes
A exportação para o BigQuery é gratuita?
A ativação da exportação diária é gratuita para propriedades padrão, e o custo vem do armazenamento e das consultas no BigQuery. Os limites e as condições mudam, então vale consultar a documentação atual do Google.
Qual fonte devo usar para atribuição de conversão?
Depende do objetivo. Se a atribuição precisa seguir o modelo da interface, use a interface. Se você quer testar outros modelos ou cruzar com dados de CRM, use o BigQuery, sabendo que os números vão diferir.
É possível zerar a diferença?
Em geral, não, e tentar costuma consumir mais tempo do que o ganho de precisão justifica. O objetivo realista é entender a diferença e mantê-la estável.
Deixe um comentário