Como ir além dos limites da interface do Google Analytics e escalar suas análises

Desde que o Google Analytics se tornou a ferramenta padrão de mercado, nos deparamos não apenas com novos recursos, mas com uma nova forma de processar e visualizar os dados. Antes de achar que o GA está entregando números imprecisos, precisamos entender que a ferramenta mudou a sua lógica de funcionamento.

O Google Analytics evoluiu para acompanhar um cenário de maior preocupação com a privacidade dos usuários, grandes volumes de dados e uma lógica de mensuração baseada em eventos. Dependendo do volume de dados, da configuração e do tipo de análise, algumas características da plataforma podem impactar a granularidade ou a disponibilidade das informações nos relatórios. 

Confira abaixo alguns pontos de atenção no uso do Google Analytics, como lidar com cada um deles e quais boas práticas adotar conforme a necessidade da análise. 

1. O "(not set)" e a governança de tagueamento 

É comum nos depararmos com o valor "(not set)" nos relatórios de atribuição de campanhas ou eventos. Esse valor aparece quando o Google Analytics não recebe a informação necessária para preencher determinada dimensão. Por isso, sua ocorrência pode ser um importante sinal para avaliar a implementação, a configuração e a governança dos dados.

Isso pode acontecer, por exemplo,  pela ausência de parâmetros UTM nos links de campanhas, por questões de implementação ou por cenários relacionados ao consentimento à disponibilidade dos dados.

Boas práticas:

• Estabeleça um processo de validação de URLs e envio de UTMs para todas as campanhas.
• Mantenha auditorias técnicas e de qualidade de dados para garantir o disparo correto das tags e do Consent Mode.
• Garanta a vinculação correta e ativa entre as ferramentas de mídia e a propriedade do GA.
• O (not set) também surge quando você tenta cruzar dimensões e métricas incompatíveis nos relatórios personalizados. Por exemplo: cruzar "Visualizações de página" com "ID da transação".Como essas informações são coletadas em contextos diferentes, a combinação pode não retornar o nível de detalhe esperado e resultar em (not set). Por isso, a construção dos relatórios deve respeitar a lógica de coleta e o escopo das dimensões e métricas utilizadas. .

2. O agrupamento "(outros)" 

Esse agrupamento ocorre com frequência em contas que lidam com alto volume de dados e dimensões com muitas variações, o que chamamos de alta cardinalidade. Imagine um e-commerce com 50 mil produtos. Ao gerar um relatório detalhado pelo ID de cada item, estamos lidando com uma dimensão de alta cardinalidade, que exige maior capacidade de processamento. Nesses cenários, o Google Analytics pode exibir os valores mais relevantes e agrupar os demais em uma única linha chamada “(outros)”. Como consequência, parte da granularidade pode não ficar disponível diretamente na interface.  

Boas práticas:

• Priorize dimensões adequadas à pergunta de negócio e evite níveis de detalhamento excessivos em dimensões de alta cardinalidade quando eles não forem necessários para a análise. .
• Estruture a estratégia de tagueamento para evitar o envio de valores excessivamente distintos quando esse nível de detalhe não for relevante para a análise. 
• Se possuir o GA 360, utilize os conjuntos de dados expandidos quando houver necessidade de maior detalhamento nos relatórios.  
• Quando a análise exigir maior granularidade e flexibilidade nos cruzamentos, a exportação para o BigQuery amplia as possibilidades de exploração dos dados. 

3. Limites Mínimos de Dados e Proteção de Privacidade

Se você tentar cruzar dados demográficos com segmentos de tráfego muito pequenos, o relatório pode exibir um alerta de que "um limite foi aplicado". Isso não representa um erro de coleta, mas um mecanismo de proteção de privacidade utilizado pelo Google Analytics para reduzir o risco de identificação individual.

Boas práticas:

• Amplie a janela de tempo da análise.Com um volume maior de usuários e eventos, a incidência desses limites pode ser reduzida. 
• Simplifique a tabela removendo dimensões puramente demográficas como idade, gênero ou interesses, quando elas não forem essenciais para responder à sua dúvida de negócio.

4. Amostragem 

Em determinadas análises com grandes volumes de dados, o Google Analytics pode recorrer à amostragem para processar e apresentar os resultados com mais agilidade. Em vez de ler 100% dos dados, a ferramenta analisa uma parcela representativa e projeta os resultados finais. No dia a dia corporativo, nem toda pergunta de negócio exige necessariamente a análise de 100% dos dados disponíveis.  Para analisar tendências, identificar padrões de comportamento e otimizar campanhas, a amostragem responde às nossas perguntas com total confiabilidade e com a agilidade necessária.

Boas práticas:

• Reduza o período analisado, olhando intervalos de datas menores.
• Priorize os relatórios padrão da ferramenta, pois eles raramente sofrem com amostragem.
• Em propriedades Google Analytics 360, quando a análise exigir maior precisão, recursos como “Resultados mais detalhados” podem aumentar o tamanho da amostra utilizada. 

5. Cotas de API e performance de Dashboards 

Em dashboards conectados diretamente ao Google Analytics, podem ocorrer erros de carregamento quando as cotas de API são atingidas.A API do Google Analytics possui cotas de uso que variam de acordo com o tipo de propriedade e de requisição. Dashboards com grande volume de consultas, maior complexidade ou muitos acessos simultâneos podem atingir essas cotas e apresentar erros ou indisponibilidade temporária.  Para contas com volume baixo, isso não chega a ser um problema, mas se você está enfrentando isso mesmo sendo cliente do GA 360, há formas de evitar.

Boas práticas:

• Em cenários de maior volume ou complexidade, avalie utilizar uma camada de dados entre o Google Analytics e os dashboards. Uma das estratégias é utilizar o BigQuery como camada de dados para alimentar os dashboards, reduzindo a dependência de consultas diretas à API do Google Analytics e ampliando a flexibilidade das análises.  
• Caso a conexão direta com o GA ainda seja mantida em alguns relatórios, é fundamental monitorar o consumo de tokens pela ferramenta para detectar se a conta está se aproximando do limite. Isso permite otimizar e simplificar o dashboard antes que ele quebre na tela do usuário.

6. Retenção e Processamento De Dados

O GA tem um limite de período para análises muito detalhadas usando os relatórios da seção “Explorar” ou “Análises”: a retenção padrão de eventos e dados de usuários é de 2 meses. Isso pode ser ajustado nas configurações para até 14 meses no caso de contas Standard, ou para até 50 meses em contas 360. Além disso, é importante considerar os tempos naturais de processamento da plataforma.  Dependendo do tipo e do volume de dados, o processamento e a consolidação das informações podem levar de 24 a 48 horas. Por isso, análises de períodos muito recentes podem apresentar dados ainda em processamento e sujeitos a atualizações. 

Boas práticas:

• Avalie configurar o período de retenção adequado às necessidades de análise da empresa, considerando também as diretrizes de privacidade, jurídico e compliance. 
• Para análises de consolidação e auditoria no GA, sempre espere que a janela de processamento dos dados seja concluída.

Cultura de Dados e BigQuery 

Esses pontos não reduzem o papel do Google Analytics na análise de dados. A plataforma continua atendendo a uma ampla variedade de necessidades de mensuração e análise. Dentro do GA é perfeitamente possível responder a uma ampla variedade de perguntas utilizando os recursos nativos da plataforma. Além disso, a interface do GA aplica modelagens comportamentais e deduplicação do usuário, tornando a análise do GA complementar ao BQ.

A interface visual do GA é o ponto de partida, não a linha de chegada. Como consultoria estratégica, sabemos que conforme o negócio escala, as necessidades e as perguntas ficam mais complexas, exigindo um nível de granularidade muito maior. É nesse momento que o BigQuery passa a fazer todo o sentido.

Para análises que exigem maior granularidade, cruzamentos personalizados ou uma estratégia mais ampla de armazenamento histórico, a exportação nativa para o Google BigQuery amplia significativamente as possibilidades de uso dos dados. No BigQuery, os dados podem ser explorados com maior granularidade e flexibilidade, sem depender das mesmas regras de apresentação da interface do Google Analytics, ampliando as possibilidades de cruzamento, modelagem e armazenamento histórico. 

À medida que a complexidade das análises cresce, ter uma estratégia de mensuração e uma arquitetura de dados bem estruturada faz toda a diferença. 

A DP6 apoia empresas a evoluir o uso do Google Analytics, da implementação e governança às análises mais avançadas e integrações com outras camadas de dados. Fale com nossos especialistas.

‍