Públicos semelhantes (lookalike): como escalar a partir de quem já é seu cliente

Todo gestor de mídia paga conhece a mesma tensão. De um lado, o remarketing: gente que já visitou, já colocou no carrinho, já demonstrou interesse. Converte bem, mas é um público pequeno e finito — você não escala uma operação inteira remarketando para as mesmas milhares de pessoas todos os dias. Do outro lado, o público frio amplo: milhões de pessoas, alcance de sobra, mas nenhuma garantia de que se parecem com quem realmente compra de você.

O público semelhante — o famoso lookalike — é a ponte entre esses dois mundos. Ele parte de quem já é bom para você e pede à plataforma que encontre, no oceano frio, as pessoas mais parecidas com esse grupo. Em vez de descrever manualmente quem você quer atingir por interesses e comportamentos, você entrega um molde — os seus melhores clientes — e deixa o algoritmo fazer o trabalho de reconhecimento de padrões.

É uma das ferramentas mais poderosas do arsenal de aquisição, e também uma das mais mal utilizadas. A diferença entre um lookalike que escala e um que queima orçamento quase nunca está no percentual escolhido ou na criatividade do anúncio: está na fonte. Este artigo é sobre isso.

Se você quer entender o cardápio completo de formas de segmentar campanhas — interesses, comportamentos, dados demográficos, remarketing —, temos um artigo dedicado a segmentação de públicos. Aqui o foco é estreito de propósito: apenas o lookalike, de ponta a ponta.

Como um público semelhante funciona#

O mecanismo é conceitualmente simples. Você fornece à plataforma uma lista de pessoas — a fonte, também chamada de seed ou público-semente. Pode ser sua lista de clientes, quem instalou o app, quem gerou uma conversão específica. A plataforma analisa os traços comuns desse grupo: comportamento de navegação, dados demográficos, padrões de consumo, sinais que ela captura mas que você nunca vê explicitamente. A partir desse perfil, ela varre sua base de usuários e monta um novo público com as pessoas mais parecidas com a fonte.

O ponto que precisa ficar cristalino desde já: a qualidade do resultado é uma função direta da qualidade da fonte. O algoritmo não inventa qualidade que não existe no molde. Se você entrega como semente um grupo de pessoas que se parecem com bons compradores, ele procura mais bons compradores. Se você entrega um grupo genérico, misturado, cheio de curiosos, ele procura mais curiosos. Lookalike não transforma dado ruim em resultado bom — ele amplifica o que você deu. Amplifica sinal e amplifica ruído com a mesma eficiência.

Por isso, antes de mexer em qualquer configuração, a pergunta certa não é "de quantos por cento eu faço o lookalike?" e sim "qual é a melhor lista que eu consigo entregar como fonte?".

A regra de ouro: a qualidade da fonte manda#

Se houver uma única coisa para levar deste texto, é esta. Nem todas as fontes valem o mesmo. Existe uma hierarquia bastante consistente de quão informativo é cada tipo de semente.

• Fonte de compradores costuma superar fonte de leads. Quem pagou passou pela barreira mais difícil que existe — tirar o cartão do bolso. Um público modelado sobre compradores carrega os sinais de quem efetivamente converte, não apenas de quem levanta a mão.
• Fonte de leads costuma superar fonte de visitantes. Deixar um e-mail ou um telefone já é um filtro; visitar uma página é o sinal mais fraco de todos, porque inclui quem chegou por engano, quem só comparava preço e quem fechou a aba em três segundos.
• Fonte de valor — seus top gastadores, clientes recorrentes, contas de LTV alto — tende a superar uma fonte genérica de "qualquer cliente". Modelar sobre os 10% que mais valem produz um semelhante que persegue o cliente premium, não o cliente médio.

Há ainda a questão do tamanho mínimo saudável. Uma fonte muito pequena não dá ao algoritmo material suficiente para reconhecer um padrão estável — o resultado fica instável ou raso. Como referência de mercado, costuma-se falar em algo na casa de mil pessoas ou mais como piso confortável, embora o número exato varie entre plataformas e ao longo do tempo; trate isso como ordem de grandeza, não como lei. O princípio permanece: fonte grande demais e vaga dilui o sinal; fonte pequena demais não tem sinal para dar.

E vale repetir de outro ângulo: fonte suja gera semelhante ruim. Uma lista contaminada com testes internos, fraudes, trocas indevidas, contatos comprados ou eventos de conversão mal configurados ensina o algoritmo a caçar as pessoas erradas. Limpar a semente é trabalho de bastidor invisível que decide o teto de tudo o que vem depois.

Percentuais: de 1% a 10%#

Depois de escolher a fonte, você define o tamanho do público semelhante, geralmente expresso como um percentual da população do país. A escala vai tipicamente de 1% a 10%, e cada extremo troca uma coisa por outra.

• 1% é o público mais parecido possível com a fonte. É o menor em volume, o mais preciso e, em geral, o de maior custo por pessoa, porque você está disputando um grupo estreito e disputado. É onde a semelhança é mais fiel ao molde.
• 10% é o mais amplo. Inclui gente bem menos parecida com a semente, entrega muito mais alcance, costuma sair mais barato por pessoa e, em compensação, é menos preciso — a densidade de "clientes ideais" ali dentro é menor.

Como escolher? Pense em dois eixos.

1. Objetivo — precisão contra alcance. Se a prioridade é eficiência e o produto tem público estreito, comece perto de 1%. Se a prioridade é volume, o funil já converte bem e você precisa de escala, faixas mais largas fazem sentido.
2. Tamanho do país. Em um país populoso, 1% já é um público enorme em números absolutos — há alcance de sobra sem sair da faixa mais fiel. Em um país pequeno, 1% pode ser estreito demais para sustentar a entrega, e abrir a faixa passa a ser necessidade, não opção.

A leitura mental mais útil: percentual menor = mais parecido, mais caro, menor; percentual maior = mais amplo, mais barato, menos preciso. Não existe faixa "certa" no abstrato — existe a faixa certa para o seu objetivo e o seu mercado.

Lookalike de eventos de valor#

Um refinamento que costuma render bastante: em vez de modelar sobre o simples fato de que uma conversão aconteceu, modelar sobre o valor dessa conversão.

A diferença é sutil e importante. Um lookalike de "quem comprou" trata todos os compradores como iguais — o cliente de um pedido de R$ 30 pesa o mesmo que o de R$ 3.000. Um lookalike baseado em valor de conversão ou em LTV informa à plataforma não só que a pessoa converteu, mas quanto ela vale. O algoritmo então prioriza padrões associados aos clientes de maior valor.

O motivo pelo qual isso costuma performar melhor é direto: aquisição não busca "mais clientes", busca mais receita. Ao empurrar o sinal de valor para dentro do modelo, você orienta a busca para quem tende a gastar mais, não apenas para quem tende a clicar em "comprar". Quando a plataforma oferece a opção de semear com valor, quase sempre vale a pena testá-la contra o lookalike de evento simples.

Empilhar faixas e cuidar da sobreposição#

Lookalike não é uma escolha única — é um conjunto de hipóteses a testar. Uma estrutura comum é empilhar faixas e deixar cada uma competir:

• um público 1%, o mais fiel;
• uma faixa 1–3%, ampliando um pouco;
• uma faixa 3–5%, mais larga ainda.

Testar faixas em paralelo mostra onde está o ponto de equilíbrio entre precisão e volume para o seu caso — que raramente é onde a intuição apontaria.

Mas há uma armadilha técnica que engole muita gente: a sobreposição. As faixas se aninham. Um público 1–3% frequentemente contém o 1% dentro dele, dependendo de como a plataforma constrói as camadas; e todos os lookalikes tendem a se sobrepor ao seu remarketing, já que quem se parece muito com seus clientes muitas vezes já interagiu com você. Quando isso acontece:

• seus próprios conjuntos disputam leilão entre si, inflando custo;
• fica impossível ler qual faixa realmente entregou o resultado, porque elas se canibalizam;
• você paga por incremento que não existe — alcançando gente que converteria de qualquer jeito pelo remarketing.

A disciplina que resolve: excluir os públicos quentes (remarketing, compradores recentes) dos conjuntos de lookalike, e excluir as faixas mais estreitas das mais largas quando quiser medi-las separadas. Assim você mede o incremento real — quanto de resultado novo o lookalike trouxe que você não teria de outra forma. Sem exclusão, os números parecem bons e mentem.

Quando o lookalike perde para o público amplo#

Aqui entra uma verdade que contraria o hábito. Durante anos, o lookalike foi quase sinônimo de "segmentação inteligente". Com o amadurecimento dos algoritmos de entrega, isso mudou.

Plataformas modernas de otimização são muito boas em encontrar convertedores por conta própria, desde que recebam bons sinais de conversão — um pixel bem instalado, eventos de valor bem configurados, volume suficiente para aprender. Nesse cenário, um público amplo (com pouca ou nenhuma restrição de segmentação) às vezes iguala ou supera o lookalike, porque você deixa o algoritmo explorar todo o espaço em vez de amarrá-lo a um molde definido no passado.

Isso não aposenta o lookalike. Significa que ele deve ser tratado como hipótese a testar, não como dogma. Rode lookalike contra público amplo, com o mesmo criativo e o mesmo objetivo, e deixe o resultado decidir. Em algumas contas o lookalike ganha com folga; em outras, o amplo com bons sinais faz o mesmo trabalho mais barato. Quem assume de antemão que "lookalike é sempre melhor" está deixando dinheiro na mesa em uma boa parte das contas.

Manutenção: a fonte envelhece#

Um erro silencioso e caro: montar o lookalike uma vez e esquecê-lo. A semente precisa ser atualizada.

Um público semelhante estático foi modelado sobre a fotografia de uma base num momento específico. Conforme sua base cresce e muda — novos produtos, novos perfis de cliente, sazonalidade —, aquele molde vai ficando desatualizado. Ele continua perseguindo o cliente que você tinha, não o que você tem.

A rotina saudável é refrescar a semente periodicamente: reprocessar a fonte com os dados mais recentes, incorporar os compradores novos, remover o que ficou obsoleto. Muitas plataformas atualizam listas dinâmicas automaticamente, mas vale confirmar como cada uma se comporta e não presumir que o público de origem se mantém vivo sozinho. Uma fonte fresca mantém o lookalike alinhado com quem realmente é seu cliente hoje.

Erros comuns#

Concentrando as armadilhas que mais aparecem no dia a dia:

• Fonte pequena ou suja. Semente abaixo do piso saudável não dá padrão estável; semente contaminada por testes, fraude ou eventos mal configurados ensina o algoritmo a errar. Limpe e dimensione antes de escalar.
• Empilhar faixas sem excluir. Rodar 1%, 1–3% e 3–5% juntos sem exclusões faz os conjuntos se canibalizarem — custo sobe, leitura corrompe.
• Achar que 1% é sempre melhor. 1% é o mais parecido, não o mais lucrativo por definição. Em país grande ou funil que já converte, faixas mais largas podem entregar melhor custo total. É teste, não crença.
• Não excluir compradores e público quente. Deixar o remarketing dentro do lookalike infla o resultado aparente e esconde o incremento real. Exclua o quente para medir o novo.
• Esquecer consentimento e origem dos dados. A fonte é dado de gente real. Use apenas listas com base legal e consentimento adequados, respeitando as regras de privacidade da sua jurisdição e as políticas de cada plataforma. Lista de origem duvidosa é risco jurídico e reputacional, não atalho.

Fechando#

O público semelhante é, no fundo, um multiplicador. Ele pega o melhor sinal que você tem sobre quem é um bom cliente e o projeta sobre o público frio, ocupando exatamente o espaço entre o remarketing esgotável e o amplo indiscriminado. Bem usado, é uma das rotas mais eficientes para sair do teto do quente sem cair no escuro do frio total.

Mas ele obedece a uma lógica implacável: entra molde, sai amplificação. A energia do gestor de mídia deve estar menos na busca pelo percentual mágico e mais em três disciplinas pouco glamourosas — construir a melhor fonte possível (compradores, valor, LTV, base limpa), medir o incremento real com exclusões honestas, e tratar cada faixa como hipótese que precisa vencer o público amplo no teste, não na conversa. Faça essas três coisas bem e o lookalike deixa de ser um botão que você aperta na esperança e passa a ser uma alavanca de aquisição que você entende.