Medir não é contar. Neste post, você vai entender a diferença entre métrica e KPI, por que curtidas raramente pagam as contas, como o Google...
Indicador 00 · Abertura
A live que bombou e não matriculou ninguém
Sexta-feira, 22h. A coordenadora de um curso de extensão on-line comemora no grupo da equipe: a live de lançamento passou de 4.800 curtidas, o perfil ganhou 1.200 seguidores e o vídeo virou o mais visto da semana. Na segunda-feira, o relatório da secretaria chega seco: sete matrículas — menos do que a turma anterior, divulgada só por e-mail. Ninguém mentiu. Os números eram verdadeiros. Eles apenas respondiam a uma pergunta que ninguém tinha feito.
Essa cena resume o assunto deste post. Vivemos cercados de contadores — visualizações, alcance, impressões, cliques —, e a tentação é tratar qualquer número que sobe como sinal de sucesso. Métrica sem objetivo é só um contador; ela vira indicador quando está amarrada a uma decisão que alguém precisa tomar. É dessa amarração que tratam os KPIs, o Google Analytics 4, os dashboards, o social listening e, no limite, a hiperpersonalização.
Se você chegou agora à série, vale ler antes Afinal, o que é Comunicação Digital? e Redes sociais: estrutura, algoritmos e economia da atenção, que preparam o terreno para o que vem a seguir.
Indicador 01 · Fundamentos
Dado, métrica, KPI: a pirâmide da decisão
Comece pela base. Um dado é um registro bruto (alguém clicou no botão "Inscreva-se" às 21h47). Uma métrica é uma medida agregada desses registros (312 cliques no botão esta semana). Um KPI (key performance indicator, indicador-chave de desempenho) é a métrica — ou combinação delas — escolhida por estar diretamente ligada a um objetivo estratégico e por indicar o que precisa ser feito para melhorar o desempenho (Parmenter, 2019). Todo KPI é uma métrica; quase nenhuma métrica é um KPI.
Figura 1 — Da base ao topo: dados viram métricas; poucas métricas viram KPIs; KPIs só fazem sentido diante de um objetivo. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
A ideia de amarrar indicadores à estratégia é antiga. Nos anos 1990, Kaplan e Norton propuseram o Balanced Scorecard: em vez de olhar só para o financeiro (que mostra o passado), a organização acompanha indicadores em quatro perspectivas — financeira, clientes, processos internos e aprendizado e crescimento —, encadeados por relações de causa e efeito (Kaplan; Norton, 1997). Mais recentemente, os OKRs (objectives and key results) popularizaram uma fórmula enxuta: um objetivo qualitativo e inspirador, acompanhado de três a cinco resultados-chave mensuráveis que dizem, sem ambiguidade, se ele foi alcançado (Doerr, 2019).
Métricas de vaidade x métricas acionáveis
Eric Ries, ao sistematizar a Startup Enxuta, cunhou a distinção que mais ajuda no dia a dia: métricas de vaidade fazem o gráfico subir e o ego inflar, mas não dizem o que fazer; métricas acionáveis mostram relação clara de causa e efeito e permitem decidir — em geral porque comparam grupos (coortes), canais ou versões de um experimento (Ries, 2019). O total acumulado de seguidores é vaidade; a taxa de matrícula de quem veio da newsletter comparada à de quem veio do Instagram é acionável. O tema foi apresentado aqui no blog em Lean Startup, MVP, Canvas e métodos ágeis.
Figura 2 — Muito brilho, pouco peso: curtidas impressionam; matrículas sustentam o curso. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
Croll e Yoskovitz levam o raciocínio adiante com a OMTM (One Metric That Matters): em cada fase de um projeto, escolha uma única métrica para orientar a equipe, porque foco é escasso e dez "prioridades" equivalem a nenhuma (Croll; Yoskovitz, 2013). Teste seu faro no quadro abaixo.
Teste rápido · Vaidade ou acionável?
Classifique cada métrica do curso de extensão. A resposta aparece logo abaixo do cartão.
Total de seguidores no Instagram
Taxa de matrícula de quem assistiu à aula experimental
Visualizações de página totais do mês
Taxa de engajamento por canal (newsletter x redes sociais)
Curtidas na live de lançamento
Custo por matrícula em cada canal de divulgação
Acertos: 0 de 6
O lado escuro: a lei de Goodhart
Há um aviso que todo gestor de indicadores deveria colar no monitor. O economista Charles Goodhart observou que, quando uma medida passa a ser usada como alvo de controle, ela deixa de medir bem — porque as pessoas aprendem a mover o número sem mover a realidade. O historiador Jerry Muller reuniu dezenas de casos dessa "fixação métrica" em escolas, hospitais, polícias e empresas: professores que ensinam para a prova, cirurgiões que recusam pacientes graves para não piorar suas estatísticas (Muller, 2018). Um bom KPI orienta o julgamento; quando passa a substituí-lo, o número começa a ser fabricado.
Indicador 02 · Google Analytics 4
De sessões a eventos: o que mudou no GA4
O Google Analytics nasceu em 11 de novembro de 2005, a partir da compra da Urchin Software, e na primeira semana recebeu tantos cadastros que o Google precisou suspender temporariamente as novas contas (Clifton, 2015). Por quase duas décadas, sua unidade básica foi a sessão: uma visita, com páginas vistas, duração e origem. A geração atual, o Google Analytics 4 (GA4), inverteu a lógica e passou a usar um modelo baseado em eventos, que mede junto site e aplicativo e acompanha a jornada da pessoa em vez da visita isolada (Google, 2026d). Clique nos marcos para ver a trajetória.
2020 · Chega o Google Analytics 4
Em 14 de outubro de 2020, a App + Web é rebatizada como Google Analytics 4: aprendizado de máquina para alertas automáticos, métricas preditivas como probabilidade de abandono e desenho voltado à privacidade (Srinivasan, 2020).
antecedentesGA4anúnciodesligamento
Figura 3 — Do bloco à linha: o Universal Analytics recortava visitas; o GA4 encadeia eventos ao longo da jornada. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
Quadro 1 — Comparação entre o Universal Analytics e o Google Analytics 4
| Aspecto | Universal Analytics (até 2023) | Google Analytics 4 |
|---|---|---|
| Unidade básica | Sessão (visita com acessos a páginas) | Evento (qualquer interação registrada) |
| Plataformas | Site; app em produto separado | Site e aplicativo na mesma propriedade |
| Ação valiosa | Meta (conversão) | Evento-chave |
| Qualidade da visita | Taxa de rejeição (página única) | Taxa de engajamento e de rejeição (sessões não engajadas) |
| Previsões | Não nativas | Métricas e públicos preditivos por aprendizado de máquina |
| Privacidade | Dependia de cookies e armazenava IP | Não armazena IP; modelagem para lacunas de consentimento |
Fonte: elaborado pelo autor com base em Srinivasan (2020), Ketchum (2022) e Google (2026b, 2026c, 2026d).
Sessão engajada, taxa de engajamento e taxa de rejeição
A mudança mais didática do GA4 está em como ele separa a visita que valeu da visita que não valeu. Para o Google, uma sessão engajada é a que cumpre pelo menos uma de três condições: dura mais de 10 segundos, registra um evento-chave ou tem duas ou mais visualizações de página ou tela. A taxa de engajamento é o percentual de sessões engajadas, e a taxa de rejeição passou a ser exatamente o seu complemento — o percentual de sessões não engajadas (Google, 2026b).
Figura 4 — Basta uma das três portas: mais de 10 segundos, um evento-chave ou duas páginas vistas. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
E o que é um evento-chave? É qualquer evento que você marca como especialmente importante para o sucesso do negócio — preencher a inscrição, baixar o edital, concluir a compra. O nome antigo era "conversão"; o Google o trocou para alinhar a medição do Analytics à do Google Ads, onde "conversão" ficou reservada à ação usada para avaliar e otimizar anúncios (Google, 2026c). No GA4, você decide o que conta como sucesso; a ferramenta não sabe sozinha qual clique importa para o seu projeto.
Agora é com você. O painel-laboratório abaixo reproduz a conta do GA4 para o curso de extensão do início. Mexa nos controles e repare: as curtidas da live não mudam nada no que importa.
Painel-laboratório · Do tráfego à matrícula
Conta usada: sessões × taxa de engajamento = sessões engajadas; sessões engajadas × taxa de matrícula = eventos-chave. Valores ilustrativos.
Previsões e privacidade
Dois recursos completam o retrato. O primeiro são as métricas preditivas: com aprendizado de máquina, o GA4 estima, por exemplo, a probabilidade de um usuário abandonar o serviço, o que ajuda a direcionar esforços de retenção (Srinivasan, 2020) — assunto que conversa com Aprendizado de máquina e computação evolucionária. O segundo é o modo de consentimento: ele repassa às ferramentas do Google a escolha que o visitante fez no banner de cookies. Na implementação básica, nada é enviado até a pessoa aceitar; na avançada, enquanto o consentimento está negado, seguem apenas sinais sem cookies, e o Google usa modelagem para estimar o que ficou de fora (Google, 2026a).
Figura 5 — Antes de medir, perguntar: o modo de consentimento faz a ferramenta respeitar a escolha do visitante. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
Indicador 03 · Dashboards
Dashboard é para bater o olho, não para garimpar
A palavra vem do painel de instrumentos do carro, e a analogia é exata. Stephen Few, referência em visualização de informação, define o dashboard como uma exibição visual das informações mais importantes para atingir um ou mais objetivos, organizada numa única tela para ser acompanhada de relance (Few, 2004). Cada termo da definição elimina um vício: "mais importantes" exclui o resto; "objetivos" exige saber para que serve; "única tela" proíbe a rolagem infinita; "de relance" exige que o problema salte aos olhos.
Em seu livro, Few aponta os erros mais comuns: excesso de dados, falta de contexto para os números, medidores decorativos que ocupam espaço e dizem pouco, cores usadas sem significado e destaque igual para tudo — o que equivale a não destacar nada (Few, 2013). Um número sozinho não informa: 99 matrículas é bom ou ruim? Só a comparação com a meta, com o período anterior ou com outro canal dá sentido ao dado. Por isso o painel-laboratório acima mostra a barra da meta e muda de cor.
Figura 6 — A árvore de Natal e o painel de bordo: menos gráficos, mais decisão. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
Cole Nussbaumer Knaflic acrescenta a camada narrativa: antes de escolher gráficos, defina quem vai ler, o que essa pessoa precisa saber e o que deve fazer em seguida; depois, elimine a desordem visual e use cor e posição para dirigir a atenção ao ponto principal (Knaflic, 2019). Em termos práticos, um bom dashboard de comunicação cabe numa frase: "estamos a X% da meta, o canal Y está puxando para baixo, e a ação é Z".
Indicador 04 · Social listening
Escutar a rede: do monitoramento ao sentido
O GA4 mede o que acontece dentro da sua casa — o site, o aplicativo. Mas a maior parte da conversa sobre uma marca, um curso ou uma instituição acontece fora dela, nas redes. E a escala no Brasil é grande, como mostra a Tabela 1.
Tabela 1 — População, usuários de internet, identidades em redes sociais e conexões móveis — Brasil — out. 2025
| Indicador | Total (milhões) | Em relação à população (%) |
|---|---|---|
| População | 213 | 100,0 |
| Usuários de internet | 185 | 86,9 |
| Identidades de usuários em redes sociais | 150 | 70,4 |
| Conexões de telefonia móvel | 217 | 102,0 |
Fonte: elaborado pelo autor com base em Kemp (2025), que compila dados da ONU, Kepios e GSMA Intelligence.Nota: identidades em redes sociais não equivalem a pessoas únicas (uma pessoa pode ter várias contas); conexões móveis superam a população porque há quem tenha mais de um chip.
Com 150 milhões de identidades em redes sociais (Kemp, 2025), ninguém lê tudo. Daí o social listening (escuta social). Em estudo publicado na Revista de Administração Contemporânea, Siedschlag e colegas descrevem o monitoramento de mídias sociais como o acompanhamento contínuo e estruturado, por métricas, das interações que uma organização recebe — reações, compartilhamentos e comentários — e defendem que ele sirva à organização inteira, não só ao marketing (Siedschlag et al., 2023). Na prática, monitora-se o nome da marca e suas variações, produtos, hashtags, palavras associadas, menções por localização e concorrentes, para identificar apoiadores, detratores e ativistas e acompanhar a reação do público ao longo do tempo.
Figura 7 — Escutar é filtrar: do rio de menções saem sinais de sentimento positivo, neutro e negativo. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
Vale distinguir dois níveis. O monitoramento conta e alerta: subiu o volume de menções, apareceu uma reclamação viral. A escuta propriamente dita interpreta: por que as pessoas reclamam, que expectativas revelam, que linguagem usam. Esse segundo nível se aproxima da netnografia, a adaptação da etnografia às comunidades on-line proposta por Robert Kozinets, que exige imersão, contexto cultural e cuidado ético com os participantes (Kozinets, 2014). A análise de sentimento automática ajuda a triar volume, mas tropeça em ironia, gíria e contexto — e "adorei esperar 40 minutos na fila" não é elogio.
Quadro 2 — O que monitorar em um projeto de escuta social e que pergunta cada item ajuda a responder
| O que monitorar | Pergunta que ajuda a responder |
|---|---|
| Nome da marca e variações (inclusive erros de grafia) | Quanto e como falam de nós? |
| Produtos, cursos e serviços | Qual oferta gera elogio e qual gera queixa? |
| Hashtags e palavras associadas | Com que temas e valores somos ligados? |
| Menções por localização | Onde a reputação é melhor ou pior? |
| Concorrentes | O que o público valoriza neles e sente falta em nós? |
| Perfis mais ativos | Quem são os apoiadores, detratores e ativistas? |
Fonte: elaborado pelo autor com base em Siedschlag et al. (2023).
Quem quiser ver essas métricas no mundo dos influenciadores encontra o tema em Creator economy, marketing de influência, comunidades e social commerce.
Indicador 05 · Hiperpersonalização
Da segmentação ao "segmento de uma pessoa só"
Medir bem leva a uma tentação natural: se sei o que cada pessoa faz, por que não falar com cada uma de um jeito? É a escada da personalização, que vai da comunicação de massa à hiperpersonalização.
Figura 8 — Quatro degraus: da massa ao segmento de uma pessoa só. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
Kotler, Kartajaya e Setiawan situam esse movimento no que chamam de Marketing 5.0: o uso de tecnologias como inteligência artificial, sensores e análise de dados para imitar o que um bom vendedor humano faz — conhecer o cliente, antecipar o que ele vai querer e agir no momento certo —, com a ressalva de que a tecnologia deve servir às pessoas, e não o contrário (Kotler et al., 2021). A diferença entre personalização e hiperpersonalização está na granularidade e na velocidade: em vez de "alunos de Direito de Brasília", o alvo é "esta pessoa, agora, que abriu o edital três vezes e parou no item de valores".
Os números explicam o entusiasmo. Uma pesquisa da McKinsey encontrou que 71% dos consumidores esperam interações personalizadas e 76% se frustram quando elas não acontecem; a personalização costuma elevar a receita entre 10% e 15%, e as empresas que crescem mais rápido obtêm dela 40% a mais de receita do que as concorrentes mais lentas (Arora et al., 2021).
Gráfico 1 — Expectativas dos consumidores em relação à personalização — Estados Unidos — 2021
Fonte: elaborado pelo autor com base em Arora et al. (2021).Nota: a publicação não informa o tamanho da amostra; as percentagens referem-se a consumidores pesquisados pela McKinsey.
Onde a hiperpersonalização encontra a lei
O mesmo dado que permite a mensagem certa permite a manipulação certeira — o caso Cambridge Analytica, discutido em Privacidade Hackeada, é a prova. No Brasil, a Lei Geral de Proteção de Dados (LGPD) estabelece dois limites diretamente ligados ao tema. Primeiro, dados usados para formar o perfil comportamental de uma pessoa identificada podem ser considerados dados pessoais para os fins da lei. Segundo, o titular tem direito de pedir a revisão de decisões tomadas unicamente por tratamento automatizado que afetem seus interesses, inclusive as que definem seu perfil pessoal, profissional, de consumo e de crédito (Brasil, 2018). O tema foi aprofundado em Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância.
Figura 9 — O fiel da balança: relevância para quem recebe, privacidade para quem é medido. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.
A pergunta ética da hiperpersonalização não é "conseguimos saber isso?", mas "a pessoa esperaria que soubéssemos — e ficaria confortável com o uso?". Uma mensagem que lembra o prazo da inscrição ajuda; uma que revela saber demais assusta e corrói a confiança que a personalização queria construir. A mesma lógica vale para sistemas de recomendação, tratados em Busca aplicada: recomendação, planejamento e otimização, e para a produção de conteúdo em escala com IA, discutida em Fluxos de produção de conteúdo assistido por IA.
Indicador 06 · Aplicação
Seu primeiro painel em seis passos
Para um curso, um blog, um projeto de extensão ou uma pequena empresa, o roteiro abaixo transforma o conteúdo do post em prática. Marque os itens à medida que avançar.
0 de 6 passos concluídos
Indicador 07 · Vocabulário
Glossário de métricas e analytics
Digite um termo para filtrar a lista.
- Análise de sentimento
- Classificação automática de textos (posts, comentários) como positivos, neutros ou negativos; útil para triar volume, frágil diante de ironia e gírias.
- Balanced Scorecard (BSC)
- Modelo de Kaplan e Norton que equilibra indicadores em quatro perspectivas: financeira, clientes, processos internos e aprendizado e crescimento.
- Coorte
- Grupo de pessoas que compartilham uma característica num mesmo período (ex.: inscritos em março). Comparar coortes é a base das métricas acionáveis.
- Dashboard (painel)
- Exibição visual, em uma única tela, das informações mais importantes para atingir objetivos, feita para ser lida de relance.
- Dimensão
- Atributo que descreve os dados e permite recortá-los (canal de origem, cidade, dispositivo). Métricas são os números; dimensões, os recortes.
- Evento
- No GA4, qualquer interação registrada: visualizar página, rolar, clicar, assistir a vídeo, enviar formulário.
- Evento-chave
- Evento marcado como especialmente importante para o sucesso do negócio; nome atual do que antes se chamava conversão no GA4.
- Funil
- Sequência de etapas até uma ação final (visita → interesse → inscrição), usada para descobrir em que etapa as pessoas desistem.
- Google Analytics 4 (GA4)
- Geração atual da ferramenta de análise do Google, baseada em eventos, que mede site e aplicativo juntos e oferece métricas preditivas.
- Hiperpersonalização
- Personalização em tempo real e em nível individual, combinando dados de comportamento e inteligência artificial para antecipar necessidades.
- KPI (indicador-chave de desempenho)
- Métrica escolhida por estar diretamente ligada a um objetivo estratégico e por orientar ações de melhoria.
- Lei de Goodhart
- Observação de que uma medida usada como alvo de controle tende a perder valor como medida, porque as pessoas passam a otimizar o número.
- Métrica
- Medida quantitativa agregada de dados brutos (ex.: número de cliques na semana).
- Métrica acionável
- Métrica que mostra relação de causa e efeito e permite decidir o que fazer, em geral por comparar grupos, canais ou versões.
- Métrica de vaidade
- Número que impressiona e costuma só crescer (seguidores, curtidas, pageviews totais), mas não orienta decisões.
- Métrica preditiva
- Estimativa, feita por aprendizado de máquina, de um comportamento futuro, como a probabilidade de abandono ou de compra.
- Modo de consentimento
- Recurso que repassa às ferramentas do Google a escolha do visitante no banner de cookies e ajusta a coleta conforme essa escolha.
- Netnografia
- Adaptação da etnografia ao estudo de comunidades e culturas on-line, com imersão e cuidado ético (Kozinets).
- OKR
- Objetivos e resultados-chave: um objetivo qualitativo acompanhado de poucos resultados mensuráveis que indicam se ele foi atingido.
- OMTM
- One Metric That Matters: a única métrica escolhida para orientar a equipe em determinada fase do projeto.
- Perfil comportamental
- Conjunto de dados sobre hábitos e preferências de uma pessoa; pela LGPD, pode ser considerado dado pessoal quando a pessoa é identificada.
- Segmentação
- Divisão do público em grupos com características comuns para receber mensagens diferentes.
- Sessão
- Período em que um usuário interage com o site ou aplicativo.
- Sessão engajada
- No GA4, sessão que dura mais de 10 segundos, ou tem um evento-chave, ou tem duas ou mais visualizações de página ou tela.
- Social listening (escuta social)
- Monitoramento contínuo e interpretação das conversas sobre uma marca, tema ou instituição nas redes sociais.
- Taxa de engajamento
- Percentual de sessões engajadas em relação ao total de sessões.
- Taxa de rejeição
- No GA4, percentual de sessões não engajadas; é o complemento da taxa de engajamento.
- Teste A/B
- Experimento que compara duas versões (de página, e-mail, anúncio) em grupos equivalentes para ver qual tem melhor desempenho.
Nenhum termo encontrado.
Indicador 08 · Leituras da casa
Para continuar no Brasil Acadêmico
- Afinal, o que é Comunicação Digital? — o mapa geral da área.
- A cibercultura da Web 1.0 à web das IAs — de onde vêm os rastros que hoje medimos.
- Redes sociais: estrutura, algoritmos e economia da atenção — por que o engajamento virou moeda.
- Lean Startup, MVP, Canvas e métodos ágeis — métricas de vaidade e aprendizado validado.
- Design thinking, experimentação e MVP aplicados à comunicação digital — testes que produzem dados úteis.
- Tecnologias emergentes na comunicação — IA, vestíveis e imersão como novas fontes de dados.
- Creator economy, marketing de influência, comunidades e social commerce — métricas no mundo dos criadores.
- Fluxos de produção de conteúdo assistido por IA — a escala que torna a personalização possível.
- Busca aplicada: recomendação, planejamento e otimização — como os sistemas escolhem o que mostrar a cada pessoa.
- Aprendizado de máquina e computação evolucionária — os modelos por trás das métricas preditivas.
- Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância — os limites legais da coleta.
- Privacidade Hackeada: o escândalo da Cambridge Analytica — quando a hiperpersonalização vira manipulação.
Fechamento do relatório
O número certo para a pergunta certa
Volte à coordenadora da sexta-feira. O problema nunca foi falta de dados — ela tinha curtidas, seguidores, visualizações. Faltava a pergunta ("quantas matrículas, vindas de onde, a que custo?"), o KPI que a respondesse, o evento-chave configurado para medi-lo, o painel que mostrasse a distância até a meta e a escuta que explicasse por que a live encantou e não convenceu. A hiperpersonalização seria o passo seguinte — e, com ela, a responsabilidade de não saber demais.
Fica a pergunta-síntese: no projeto em que você trabalha hoje, qual é o número que você comemora — e ele mudaria alguma decisão se caísse pela metade amanhã?
Nota do autor: as definições de sessão engajada, taxa de engajamento, taxa de rejeição, evento-chave e modo de consentimento seguem a Central de Ajuda do Google Analytics consultada em outubro de 2026; como essas páginas são atualizadas sem data de versão, foram registradas com o ano da consulta. As páginas da Ajuda foram consultadas em inglês e as definições são traduções livres do autor. Os dados da Tabela 1 referem-se a outubro de 2025 e somam fontes diferentes (ONU, Kepios e GSMA Intelligence), por isso o percentual de conexões móveis supera 100%. As percentagens do Gráfico 1 vêm de pesquisa com consumidores dos Estados Unidos e não devem ser tomadas como retrato do Brasil. O caso da live é uma ilustração didática composta, não um episódio real. A atribuição da lei de Goodhart e seus exemplos seguem a síntese de Muller (2018).
Referências
- ARORA, Nidhi et al. The value of getting personalization right—or wrong—is multiplying. [S. l.]: McKinsey & Company, 12 nov. 2021. Disponível em: https://www.mckinsey.com.br/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying. Acesso em: 19 out. 2026.
- BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União: seção 1, Brasília, DF, p. 59, 15 ago. 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 19 out. 2026.
- CLIFTON, Brian. Google Analytics is 10 years old: what has changed? Brian Clifton, [s. l.], 10 nov. 2015. Disponível em: https://brianclifton.com/blog/2015/11/10/google-analytics-is-10-what-has-changed/. Acesso em: 19 out. 2026.
- CROLL, Alistair; YOSKOVITZ, Benjamin. Lean analytics: use data to build a better startup faster. Sebastopol: O'Reilly, 2013.
- DOERR, John. Avalie o que importa: como o Google, Bono Vox e a Fundação Gates sacudiram o mundo com os OKRs. Rio de Janeiro: Alta Books, 2019.
- FEW, Stephen. Dashboard confusion. Intelligent Enterprise, [s. l.], 20 mar. 2004. Disponível em: https://www.perceptualedge.com/articles/ie/dashboard_confusion.pdf. Acesso em: 19 out. 2026.
- FEW, Stephen. Information dashboard design: displaying data for at-a-glance monitoring. 2. ed. Burlingame: Analytics Press, 2013.
- GOOGLE. About consent mode. [S. l.]: Google, 2026a. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/10000067?hl=en. Acesso em: 19 out. 2026.
- GOOGLE. Dimensions and metrics. [S. l.]: Google, 2026b. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/12195621?hl=en. Acesso em: 19 out. 2026.
- GOOGLE. Events and key events. [S. l.]: Google, 2026c. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/13965727?hl=en. Acesso em: 19 out. 2026.
- GOOGLE. [UA→GA4] What's happening with Google Analytics? [S. l.]: Google, 2026d. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/13467533?hl=en. Acesso em: 19 out. 2026.
- KAPLAN, Robert S.; NORTON, David P. A estratégia em ação: balanced scorecard. Rio de Janeiro: Campus, 1997.
- KEMP, Simon. Digital 2026: Brazil. DataReportal, [s. l.], 8 nov. 2025. Disponível em: https://datareportal.com/reports/digital-2026-brazil. Acesso em: 19 out. 2026.
- KETCHUM, Russell. Prepare for the future with Google Analytics 4. The Keyword, [s. l.], 16 mar. 2022. Disponível em: https://blog.google/products/ads-commerce/prepare-for-future-with-google-analytics-4/. Acesso em: 19 out. 2026.
- KNAFLIC, Cole Nussbaumer. Storytelling com dados: um guia sobre visualização de dados para profissionais de negócios. Rio de Janeiro: Alta Books, 2019.
- KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 5.0: tecnologia para a humanidade. Rio de Janeiro: Sextante, 2021.
- KOZINETS, Robert V. Netnografia: realizando pesquisa etnográfica online. Porto Alegre: Penso, 2014.
- MULLER, Jerry Z. The tyranny of metrics. Princeton: Princeton University Press, 2018.
- PARMENTER, David. Key performance indicators: developing, implementing, and using winning KPIs. 4. ed. Hoboken: Wiley, 2019.
- RIES, Eric. A startup enxuta: como usar a inovação contínua para criar negócios radicalmente bem-sucedidos. Rio de Janeiro: Sextante, 2019.
- SIEDSCHLAG, Djeison et al. Curtir, compartilhar e reagir: captura de tweets para pesquisas e decisões corporativas. Revista de Administração Contemporânea, Rio de Janeiro, v. 27, n. 2, e220008, 2023. DOI: 10.1590/1982-7849rac2023220008.por. Disponível em: https://doi.org/10.1590/1982-7849rac2023220008.por. Acesso em: 19 out. 2026.
- SRINIVASAN, Vidhya. Introducing the new Google Analytics. The Keyword, [s. l.], 14 out. 2020. Disponível em: https://blog.google/products/ads-commerce/new_google_analytics/. Acesso em: 19 out. 2026.
Comentários