Como transformamos o GA4 Assistant em um agente de marketing com RAG, Gemini e análise contextual

Em 2025 publicamos um artigo mostrando a evolução do GA4 Assistant e como estávamos utilizando RAG para transformar consultas ao Google Analytics em algo mais inteligente.

Naquele momento o objetivo era relativamente simples:

permitir que clientes consultassem seus dados do Google Analytics 4 em linguagem natural.

O resultado foi interessante.

Mas logo percebemos que existia uma limitação importante.

A maioria das ferramentas de analytics não responde perguntas.

Pouquíssimas conseguem gerar análise.

E existe uma diferença enorme entre as duas coisas.

O problema dos dashboards tradicionais

Durante anos a indústria de marketing digital se acostumou com dashboards.

• GA4

• Looker Studio

• Power BI

• Tableau.

Todos eles possuem uma característica em comum:

mostram dados.

Mas não explicam o que está acontecendo.

Imagine uma situação comum.

Um cliente entra no dashboard e vê:

• Sessões: -32%

• Usuários: -28%

• Conversões: -14%

A pergunta inevitável é:

"Por quê?"

O dashboard não responde.

Ele apenas mostra o número.

É nesse momento que normalmente entra um analista.

O objetivo deixou de ser consultar métricas

A primeira versão do GA4 Assistant funcionava muito bem para consultas rápidas.

Perguntas como:

• Quantas sessões tivemos este mês?

• Qual foi o canal com mais tráfego?

• Quais páginas receberam mais visitas?

eram respondidas instantaneamente.

Mas isso ainda era apenas uma camada de acesso aos dados.

O sistema sabia responder.

Ainda não sabia analisar.

A mudança de paradigma

Em 2026 decidimos mudar completamente a arquitetura do projeto.

A pergunta deixou de ser:

Como consultar dados do GA4 usando IA?

E passou a ser:

Como criar um agente capaz de interpretar dados de marketing digital?

Essa mudança alterou praticamente tudo.

A chegada do RAG

A principal evolução foi a implementação de uma arquitetura baseada em Retrieval-Augmented Generation (RAG).

Em vez de depender apenas de consultas em tempo real ao Google Analytics, o sistema passou a construir uma base própria de conhecimento para cada cliente.

O fluxo atual funciona assim:

Google Analytics 4
↓
Normalização dos dados
↓
Chunking semântico
↓
Embeddings Vertex AI
↓
Firestore Vetorial
↓
Busca por similaridade
↓
Gemini 2.5 Flash
↓
Análise contextual

Google Analytics 4
↓
Normalização dos dados
↓
Chunking semântico
↓
Embeddings Vertex AI
↓
Firestore Vetorial
↓
Busca por similaridade
↓
Gemini 2.5 Flash
↓
Análise contextual

Google Analytics 4
↓
Normalização dos dados
↓
Chunking semântico
↓
Embeddings Vertex AI
↓
Firestore Vetorial
↓
Busca por similaridade
↓
Gemini 2.5 Flash
↓
Análise contextual

Isso muda completamente a qualidade das respostas.

O nascimento de um agente analítico

A maioria dos chatbots de analytics responde algo parecido com:

Você teve 8.100 sessões em março.

Nosso objetivo era diferente.

Queríamos algo mais próximo de:

O tráfego orgânico cresceu 25% em relação ao mês anterior, mas o tráfego pago caiu 15%. Como o canal pago historicamente possui uma taxa de conversão superior, existe risco de redução na geração de leads caso essa tendência continue.

Isso é muito mais próximo do trabalho realizado por um consultor de marketing.

Banco vetorial aplicado a analytics

Uma das partes mais interessantes da evolução foi abandonar a ideia de armazenar apenas números.

O sistema passou a armazenar contexto.

Hoje os dados são organizados em múltiplos tipos de chunks semânticos:

• canais

• páginas

• eventos

• estados

• cidades

• dias

• meses

• resumos executivos

Ao todo, a plataforma trabalha com nove tipos diferentes de documentos vetoriais.

Isso permite que perguntas complexas sejam respondidas sem necessidade de consultas manuais ao GA4.

Decomposição automática de perguntas

Outro avanço importante foi a capacidade de decompor perguntas complexas.

Por exemplo:

Compare o tráfego do Pará e de São Paulo por canal nos últimos três meses

Compare o tráfego do Pará e de São Paulo por canal nos últimos três meses

Compare o tráfego do Pará e de São Paulo por canal nos últimos três meses

Essa consulta envolve:

• geografia

• aquisição

• período

• comparação

O sistema divide automaticamente a pergunta em múltiplas consultas vetoriais e depois consolida o resultado.

Comparações automáticas

Uma das funcionalidades mais utilizadas pelos clientes é a comparação entre períodos.

Perguntas como:

• compare esta semana com a anterior

• compare março com fevereiro

• compare o trimestre atual com o anterior

não exigem configuração específica.

O sistema identifica automaticamente a intenção analítica e executa múltiplos retrievals antes de gerar a resposta.

Cache inteligente

Modelos generativos são poderosos.

Mas também possuem custo.

Por isso implementamos uma camada de cache semântico que responde instantaneamente perguntas recorrentes.

Na prática:

• menos custo

• menor latência

• melhor experiência

Alertas proativos

Outra mudança importante foi sair do modelo reativo.

Tradicionalmente o usuário precisa perguntar.

Agora o sistema também monitora métricas automaticamente.

Quando uma queda significativa é identificada, alertas podem ser disparados sem intervenção humana.

Isso aproxima o projeto do conceito moderno de agentes de IA.

Gemini em vez de apenas GPT

Embora o projeto tenha começado utilizando Custom GPTs como interface, a camada de inteligência passou a utilizar Gemini 2.5 Flash via Vertex AI.

Os motivos incluem:

• menor custo operacional

• integração nativa com Google Cloud

• desempenho em análise de contexto

• facilidade de integração com embeddings

Multi-tenant desde a origem

Uma decisão arquitetural importante foi eliminar qualquer dependência de clientes específicos.

Hoje o sistema identifica automaticamente a empresa informada pelo usuário e recupera a configuração correta sem instruções hardcoded.

Isso transforma o projeto em uma plataforma potencialmente escalável.

Segurança e governança

À medida que o projeto cresceu, segurança deixou de ser opcional.

A arquitetura atual inclui:

• JWT HttpOnly

• HSTS

• Fernet

• Rate Limiting

• OAuth por cliente

• isolamento lógico entre contas

Tudo pensado para operar com dados reais de clientes.

O que aprendemos

Talvez a principal conclusão seja que dados não são o problema.

O mercado já possui excesso de dashboards.

O problema é transformar dados em decisão.

É exatamente aí que agentes especializados começam a gerar valor.

O futuro do projeto

Os próximos passos já estão sendo desenvolvidos.

Entre eles:

Integração com Google Ads

Análises cruzadas entre tráfego e mídia paga.

Integração com Meta Ads

Comparação entre canais pagos.

BigQuery

Processamento de volumes maiores de dados.

Relatórios automáticos

Geração autônoma de análises periódicas.

Expansão SaaS

Disponibilização da plataforma para outras agências e operações.

O que isso representa para a Ad Rock

Mais do que um projeto interno, o GA4 Assistant representa nossa visão sobre o futuro do marketing digital.

Acreditamos que dashboards continuarão existindo.

Mas cada vez mais serão complementados por agentes capazes de:

• interpretar dados

• encontrar padrões

• explicar tendências

• sugerir ações

A IA não substitui o estrategista.

Mas reduz drasticamente o tempo gasto coletando informações e procurando respostas.

Isso permite que profissionais se concentrem no que realmente gera valor:

estratégia, criatividade e tomada de decisão.

Leia também

Evolução do GA4 Assistant: RAG, IA e análise de dados em linguagem natural

https://adrock.com.br/blog/evolucao-ga4-assistant-bot-rag

Conclusão

O GA4 Assistant deixou de ser uma interface conversacional para o Google Analytics.

Hoje ele funciona como um agente especializado em marketing digital, capaz de combinar dados históricos, recuperação semântica, IA generativa e análise contextual para transformar métricas em recomendações.

E isso é apenas o começo.