Como padronizar métricas entre equipes e ferramentas (GA4, CRM, Ads e BigQuery)

A ausência de padronização de métricas é um dos maiores causadores de:

• divergências entre relatórios

• conflitos entre equipes

• erros de interpretação

• decisões ruins baseadas em números incorretos

E no GA4, onde mesma métrica pode ter 4 valores diferentes dependendo do relatório, padronizar métricas deixou de ser recomendação — virou obrigação técnica.

Este conteúdo mostra como criar uma fonte única da verdade (“Single Source of Truth”), usando GA4, BigQuery e CRM.

1. O problema: cada ferramenta mede um número diferente

Sem padronização, é comum ver situações como:

• GA4 mostra 820 conversões

• Google Ads mostra 660

• CRM mostra 504 leads válidos

• Financeiro mostra 87 clientes

• BigQuery mostra outro número diferente

Quando isso acontece, não existe “número correto”.

Existe número mal-definido.

O erro não está nos dados.

Está na definição das métricas.

2. Métrica ≠ Evento

Muitos gestores confundem o evento enviado ao GA4 com a métrica final.

Exemplo clássico:

generate_lead é enviado no formulário.

Mas o lead válido pode ser:

• quem preencheu e confirmou e-mail

• quem chegou no CRM

• quem foi aprovado e marcado como “qualificado”

• quem virou MQL ou SQL

Ou seja: uma métrica real precisa de regra de negócio, não apenas evento.

3. O Framework ESSENCIAL: Business Metric Framework (BMF)

Você constrói sua fonte única de verdade definindo três níveis:

Nível 1 — Eventos brutos (GA4 / App / Server-Side)

Ex:

• page_view

• sign_up

• add_payment_info

• purchase

• generate_lead

Nível 2 — Métricas derivadas (BigQuery)

Criadas a partir de regras claras:

• leads válidos

• leads qualificados

• conversões limpas (deduplicadas)

• clientes recorrentes

• LTV

• CAC

Nível 3 — Métricas executivas (Dashboards)

Público-alvo: diretores / C-level:

• Receita

• Custo por aquisição

• Crescimento

• ROAS real

• Engajamento real

• Consumo de produto

4. Tabela oficial de padronização

5. O papel do BigQuery na padronização

O BigQuery é o único ponto onde você consegue:

1. Deduplicar sessões e eventos

Resolvem-se problemas como:

• eventos disparados mais de uma vez

• sessões criadas por reengajamento

• cookieless pings duplicados

2. Regras fortes para métricas derivadas

Exemplo:

SELECT 
  user_pseudo_id,
  COUNT(*) AS valid_leads
FROM events
WHERE event_name = 'generate_lead'
AND event_params.email IS NOT NULL
AND event_params.email NOT LIKE '%test%'

3. Cruzamento com Ads + CRM

Resolve divergências:

• Ads mostra clique → GA4 não mostra sessão

• CRM mostra lead → GA4 não mostra evento

• GA4 mostra conversão → CRM não mostra venda

4. Congelar definições (“definitions layer”)

Essa camada impede que “mudanças de mente” alterem retroativamente seus números.

6. Como documentar métricas para eliminar conflitos

Crie um documento oficial (Notion / Drive / GitHub) contendo:

• nome da métrica

• objetivo

• fórmula

• fonte dos dados

• regras de deduplicação

• data de criação

• responsável pelo dado

Um exemplo real (use como template):

Métrica: Lead Válido

Fonte: GA4 + CRM

Fórmula:

Leads onde email é válido E telefone é válido

Regras:

Ignorar UTMs de teste, leads duplicados e e-mails descartáveis

Owner: Marketing Ops

Uso: Reports operacionais, CAC, funil

Isso resolve discussões como:

“Por que no meu relatório deu 220 leads e no seu deu 198?”

7. O que nunca deve ser comparado entre ferramentas

Lista dos erros mais comuns:

Comparar sessões do GA4 com cliques do Ads

Não são métricas equivalentes.

Comparar conversões do Facebook com conversões do GA4

Facebook usa last-click interno + modelos próprios.

Comparar leads do CRM com eventos brutos do GA4

CRM tem validações. GA4 não.

Usar “Purchase” do GA4 como receita real

GA4 não tem impostos, cancelamentos, reembolsos, parcelamento.

Misturar relatórios diferentes do GA4

O mesmo evento pode ter contagem diferente em 4 relatórios distintos.

8. Recomendações práticas para padronização

1) Eleja o BigQuery como fonte única da verdade

Toda reconciliação deve acontecer ali.

2) Trate UTMs como contrato — não como “etiqueta”

UTMs precisam de governança.

3) Adote Channel Grouping Customizado

Nunca use Default Channel Group.

4) Estabeleça regras de versão (“v1”, “v2”)

Quando uma métrica muda, ela não substitui a antiga.

Ela vira outra versão.

5) Crie tabelas de apoio

Ex: utm_rules, channel_mapping, events_clean.

9. Conecte este post a outros conteúdos do blog

👉 Como corrigir tráfego não atribuído
👉 A forma correta de agrupar canais no GA4
👉 Como reduzir o tráfego direto
👉 GA4 Reporting Identity

10. Conexão com os posts anteriores da série

👉 Post 1 — Como construir dados confiáveis
👉 Post 2 — Padronização e naming conventions
👉 Post 3 — Unificação GA4 + Ads + CRM
👉 Post 4 — Limpeza e dedupe de conversões
👉 Post 5 — Pipelines confiáveis com BigQuery
👉 Post 6 — Modelagem e inferência
👉 Post 7 — Auditoria técnica
👉 Post 8 — Sistema Oficial de Métricas

11. Referências oficiais

👉 GA4 Event Export Schema
👉 Attribution models
👉 Consent Mode
👉 Best practices UTM