Taxa de conversão por canal: o melhor canal é real?

Toda operação de marketing educacional monta, ao fim do ciclo, a mesma tabela: canal, leads, matrículas e taxa de conversão por canal. É o relatório mais consultado da operação e também o que mais produz decisão errada de verba, porque a coluna de conversão premia sistematicamente os canais que aparecem no fim do caminho.

O motivo é simples de enunciar e difícil de enxergar na planilha. Um canal em que o candidato digita o nome da instituição converte muito porque ele só recebe quem já decidiu. O mérito é da decisão, e não do canal.

Existe nome para esse tipo de erro. Chama-se variável de confusão, e ele tem uma versão clássica: quem tem o dedo amarelado tem mais câncer de pulmão. A frase é verdadeira, a correlação é forte e lavar a mão do paciente não salva ninguém.

Por que a taxa de conversão por canal engana na tabela?

A taxa de conversão por canal engana porque atribui ao canal um resultado que pertence à intenção do candidato. Canais de fim de jornada recebem quem já decidiu e exibem taxas altas sem criar demanda nova, enquanto canais de descoberta recebem quem nunca ouviu falar da instituição e exibem taxas baixas por construção.

Legenda: a taxa de conversão por canal monta um pódio que premia quem colhe intenção pronta, não quem cria demanda

Veja como o padrão aparece em uma tabela de ciclo. Os números abaixo são ilustrativos e servem só para mostrar a distorção:

Tabela: Exemplo ilustrativo de leitura de conversão por canal em um ciclo de captação, com a coluna de papel real acrescentada.

A ordem da coluna de conversão é quase a ordem inversa do esforço de geração de demanda. O tráfego orgânico de marca lidera, o tráfego pago de descoberta fica no fim, e a tabela sozinha não distingue mérito de posição na jornada.

A decisão errada que isso produz tem sempre o mesmo desenho. Alguém corta a verba do social pago para reforçar a marca, e seis meses depois a busca orgânica cai sem explicação aparente. Foi cortado o canal que criava a demanda que a busca colhia.

A leitura ingênua inverte o sinal do diagnóstico. A taxa de conversão por canal alta em canal de colheita é sintoma de que o topo do funil está funcionando, e não há prova de que aquele canal seja bom.

O que é a variável de confusão por trás da conversão por canal?

Variável de confusão é uma terceira variável que influencia ao mesmo tempo a suposta causa e o suposto efeito, criando entre eles uma correlação que não corresponde a nenhuma relação causal. Na tabela de canais, essa variável é a intenção prévia: ela leva a pessoa a buscar a marca e também a se matricular.

O exemplo canônico do conceito é o dedo amarelado. Entre todas as pessoas, dedo amarelado prevê câncer de pulmão com correlação forte e amostra grande, e a causa comum das duas coisas é fumar. A nicotina mancha o dedo, o alcatrão ataca o pulmão.

O que torna esse erro perigoso é que ele não se anuncia. A correlação espúria passa em teste de significância, sobrevive a qualquer volume de dados e não parece um defeito de método. Ela parece exatamente o achado que a reunião estava esperando.

O conceito nasceu na maior controvérsia estatística do século XX. Em 1950, Richard Doll e Austin Bradford Hill publicaram no British Medical Journal um estudo ligando o cigarro ao câncer de pulmão, e em 1951 começaram a acompanhar cerca de 40 mil médicos britânicos.

Ronald Fisher, um dos fundadores da estatística moderna, respondeu com a “hipótese constitucional”: uma causa genética comum produziria ao mesmo tempo o gosto pelo cigarro e a suscetibilidade ao câncer. Na lógica dele, o cigarro seria o dedo amarelado e o gene seria o cigarro.

Jerome Cornfield encerrou a discussão em 1959 com um movimento que vale copiar. Em vez de negar a possibilidade do confundidor, ele mediu o tamanho que esse fator escondido precisaria ter para explicar tudo sozinho, e nenhum gene plausível chegava perto.

Fisher estava certo sobre a lógica e completamente errado sobre a conclusão. Daí a lição prática para quem discute verba: o argumento do confundidor é forte demais e serve para investigar, não para vetar. Quem levanta a hipótese tem de nomear a variável e aceitar medir o tamanho dela.

Como separar o canal que cria demanda do que colhe demanda?

O teste básico é a estratificação: separe a base em subgrupos homogêneos e veja se a associação sobrevive dentro de cada pedaço. Se a vantagem de um canal existe no agregado e desaparece dentro dos grupos, a diferença era composição, e não desempenho.

Em captação de alunos, os cortes mais úteis são curso, campus, modalidade, turno e período de ingresso. São eles que separam públicos com comportamento distinto e que a média junta indevidamente.

A estratificação tem um limite honesto. Ela só funciona se a variável de confusão estiver no dado, e um fator que nunca virou coluna não é revelado por análise nenhuma. O confundidor oculto sai de quem conhece a operação, e não do arquivo.

Para o que a planilha não resolve, existem experimentos. Três desenhos dão resposta causal em marketing e cabem em uma operação de instituição de ensino:

• Holdout: manter um grupo de controle sem exposição a um canal e comparar o resultado final dos dois grupos.
• Geo-lift: pausar ou intensificar o canal em algumas praças e usar as demais como controle.
• Uplift modeling: modelar o efeito incremental do contato, e não a probabilidade de conversão de quem já ia converter.

Nenhum dos três é caro em relação à verba que costuma ser realocada com base na tabela. Um holdout geográfico de quatro semanas em tráfego pago responde melhor do que um trimestre de discussão sobre modelo de atribuição.

Enquanto o experimento não roda, vale uma regra de bolso conservadora. Canal de descoberta é avaliado por volume qualificado gerado e por efeito na busca de marca nas semanas seguintes, e não pela conversão do próprio clique.

O mesmo corte vale dentro do próprio orgânico. Separe as consultas de marca das genéricas antes de avaliar o trabalho de SEO: as genéricas medem o que a otimização conquistou, e as de marca medem o efeito acumulado de tudo que roda fora dela.

Que outros erros de leitura aparecem na análise de canais?

Além da intenção prévia, quatro distorções reaparecem nos relatórios de captação: o eixo de comparação entre ciclos, o mix de curso, o custo por lead isolado do resultado e o viés de seleção da base. Todas têm em comum a aparência de rigor, e é por isso que passam.

O eixo de comparação carrega uma hipótese silenciosa. Comparar “dia 30 de campanha deste ano” com o mesmo dia do ano passado parece mais correto do que comparar data com data, porque corrige o fato de a campanha não começar sempre no mesmo dia.

Só que o dia de campanha mede o esforço acumulado da instituição, e não o comportamento do candidato. Quem move o volume é o prazo, porque o candidato se inscreve na véspera. O eixo real costuma ser quantos dias faltam para o fechamento das inscrições.

Enquanto a campanha entra no ar sempre à mesma distância do prazo, dia de campanha funciona como proxy da urgência. No ano em que a data se mexe, o proxy quebra, e ninguém percebe porque a tabela continua saindo bonita.

O mix de curso é a distorção mais silenciosa. Suponha que 75% dos matriculados sejam mulheres e que o time proponha reescrever todas as peças para esse público. A pergunta correta vem antes: isso é perfil da marca ou composição da oferta?

Se cursos majoritariamente femininos no país inteiro pesam mais na base, o agregado vira 75% sem que nada tenha mudado no candidato. Basta um curso com distribuição equilibrada aparecer na mesma base para a hipótese de persona cair.

O mix também contamina receita, porque o ticket varia muito entre cursos. Quando ele muda, “melhorou a conversão” e “aumentou a receita” deixam de ter qualquer relação com o que a campanha fez.

O custo por lead esconde a qualidade da origem. Mil leads a R$ 1,75 formam um número bonito, mas custo por lead mede gasto, e não resultado. Um canal vinte vezes mais caro por lead e quarenta vezes melhor em conversão entrega mais matrículas pelo mesmo dinheiro.

A base já chega filtrada. Se quase todos os leads vêm de quem já orbita a instituição, analisar por que o lead não converte só entre quem atendeu o telefone é uma análise viciada na origem. Quem ficou de fora da planilha também tem opinião sobre o resultado.

Esse conjunto de armadilhas explica por que captar e reter alunos com dados depende menos de volume de relatório e mais de disciplina na leitura. Para o Marketing Educacional o efeito é maior, porque o ciclo é longo e o erro só aparece dois semestres depois.

Paradoxo de Simpson: quando a conversão total inverte o sinal?

O paradoxo de Simpson é o caso extremo da distorção: um canal pode ter taxa de conversão maior que outro em todos os cursos e, ainda assim, converter pior no total. Basta que ele traga mais leads dos cursos que convertem menos, porque o peso de cada grupo muda o agregado sem que a performance mude.

O exemplo histórico é a admissão de pós-graduação em Berkeley, em 1973. No agregado, a universidade parecia rejeitar mulheres, e ao separar os dados por departamento o viés desaparecia. As candidatas se inscreveram mais nos departamentos mais concorridos.

Na operação de uma instituição de ensino, “departamento” se traduz em curso, campus, modalidade e turno. É onde o paradoxo mora, e o motivo pelo qual a estratificação precisa vir antes da conclusão.

Vale distinguir três termos vizinhos que costumam ser usados como sinônimos. A variável de confusão aparece quando você deixou de controlar algo que deveria. O viés de colisor é o oposto, quando você controla algo que não deveria e cria correlação onde não havia. O viés de seleção acontece quando a amostra já chegou filtrada.

Por que a IA amplifica o erro de atribuição de canais?

Um modelo de machine learning é, no fundo, uma máquina de encontrar correlação. Ele não distingue o canal que convence do canal que colhe, então usa o que prevê melhor no dado de treino. Na literatura técnica o fenômeno tem nome: aprendizado por atalho, ou shortcut learning.

A escala não resolve o problema, porque mais dados do mesmo mundo enviesado deixam o atalho mais confiável, e o modelo fica mais seguro de estar certo sobre a coisa errada.

Quatro casos viraram referência fora do marketing, e a estrutura deles é idêntica à da tabela de canais. Veja como o mesmo erro aparece em contextos diferentes:

Tabela: Quatro casos clássicos de aprendizado por atalho, em que o modelo acertava a previsão olhando a variável errada.

Em nenhum dos quatro casos houve descuido: os dados estavam certos e a acurácia era real.

O caso do raio-X é o mais bem documentado. Um estudo publicado na PLOS Medicine em 2018 mostrou que o desempenho do modelo despencava ao mudar de hospital, porque hospitais com pacientes mais graves usavam aparelhos portáteis, e o algoritmo tinha aprendido o aparelho.

Outra forma comum do problema é a variável proxy, que é o confundidor disfarçado de coluna legítima. CEP carrega renda, nome carrega gênero e histórico de gastos carrega acesso.

O exemplo mais citado é um algoritmo de saúde nos Estados Unidos que usava custo médico histórico como medida de necessidade de cuidado. Ele subestimava a gravidade de quem gastava menos por ter menos acesso, e não por estar menos doente.

Na captação, o risco específico é o lead scoring que se autoconfirma. O modelo aprende que quem vem do tráfego direto converte, passa a priorizar esse canal, o time atende menos os demais e os demais convertem ainda menos.

Quando o modelo é retreinado com esse histórico, ele fica ainda mais convencido, e a distorção da tabela vira política da casa.

Nada disso significa que a IA seja inútil na análise de dados no ensino superior. Significa que ela vai encontrar, e reforçar com muita confiança, exatamente os vieses que já estão na planilha. Alguém humano precisa nomear a variável oculta.

Quais perguntas fazer antes de cortar a verba de um canal?

Cinco perguntas resolvem a maior parte dos casos, e elas levam cerca de noventa segundos. A finalidade não é desconfiar de tudo e travar a operação, é gastar um minuto e meio antes de um número virar decisão de verba. Use a lista como filtro fixo, sempre na mesma ordem:

1. Esse canal criou a demanda ou colheu? Tráfego direto, marca e retargeting aparecem no caminho de quem já ia converter. Se a resposta for “colheu”, a conversão alta dele não é mérito.
2. Isso é uma média de coisas diferentes? Quebre por curso, campus, modalidade, turno e período. Se o número muda muito entre os pedaços, o agregado não descreve ninguém.
3. O que mais mudou no mesmo período? Preço, bolsa, data de prova, prazo de matrícula, time de atendimento, concorrente e feriado. Liste os suspeitos antes de creditar o resultado à campanha.
4. Estou comparando gente comparável? Duas campanhas rodadas em públicos, cursos ou momentos diferentes não formam uma comparação, e sim duas histórias lado a lado.
5. Quem ficou de fora da base? Quem não respondeu, quem não foi atendido e quem desistiu antes do formulário. O que sobrou na planilha já passou por um filtro, e o filtro tem opinião.

Para que essas perguntas tenham resposta, o dado precisa chegar à granula, com as colunas de contexto e com um registro em texto do que aconteceu no período. Relatório consolidado só confirma o que ele já dizia, porque a agregação destrói justamente a informação que revelaria a distorção.

Esse é também o argumento prático para manter origem, oferta e histórico de interação no mesmo lugar. Uma operação com dados centralizados em uma plataforma única estratifica em minutos, enquanto uma operação com dados espalhados discute a planilha em vez de discutir a decisão.

Perguntas frequentes sobre taxa de conversão por canal

Por onde começar a corrigir a leitura de conversão por canal?

Comece acrescentando uma coluna à tabela que você já tem: papel do canal, com três valores possíveis, cria, colhe ou nutre. Essa coluna sozinha muda a conversa da reunião, porque impede que canais com funções diferentes sejam ranqueados pela mesma métrica. É uma mudança de dez minutos.

O segundo passo é escolher um canal de descoberta e rodar um holdout de quatro semanas nele. O custo é uma fração da verba que costuma ser realocada no chute, e o resultado responde à pergunta que a tabela nunca respondeu.

O terceiro é adotar as cinco perguntas como ritual antes de qualquer decisão de verba. Nenhuma ferramenta encontra o que não está no arquivo, então quem sabe que a data do vestibular mudou é você, e não o dashboard.

Se o próximo passo for transformar isso em rotina de planejamento, comece pelas metas. O post sobre como aplicar metas SMART mostra como definir objetivos específicos e mensuráveis, que é a condição para saber, no fim do ciclo, se o número melhorou por causa da campanha ou por causa de outra coisa.