Hugo Carvalho Site

Tag: orçamento

  • Por que a consistência de UTMs entre campanhas é mais importante do que parece

    A consistência de UTMs entre campanhas é mais importante do que parece à primeira vista. Em muitos casos, o que parece ser apenas uma disciplina de nomenclatura vira o elo que prende a verdade sobre a performance: se os parâmetros não são padronizados, GA4, Google Ads, Meta e o seu CRM começam a “falar” línguas diferentes. O resultado é um mosaico de dados que não fecha: cliques que não se conectam a conversões, cadastros que aparecem em um canal diferente do que gerou o lead, e relatórios que parecem subestimar o impacto real de cada criativo. No dia a dia de quem gerencia R$ 10k a R$ 200k por mês em mídia, esse ruído não é apenas irritante — é dinheiro que pode ser desperdiçado porque a visão de aquisição está desalinhada com a receita. Quando UTMs não são consistentes, o efeito dominó atinge atribuição, planejamento orçamentário e auditoria com clientes.

    Neste artigo, vamos direto ao ponto: você vai entender por que padronizar UTMs importa tanto, quais são as armadilhas comuns e como estruturar uma convenção prática que resista a mudanças de criativos, plataformas e estruturas de funil. A tese é simples: com uma convenção de UTMs bem definida e um processo de validação ativo, é possível conectar investimento em anúncios à receita com menos ruído, reduzir a dependência de janelas de atribuição frágeis e encurtar o ciclo de diagnóstico quando dados não batem. No fim, você terá um roteiro claro para diagnosticar, ajustar e manter uma estrutura de UTMs que realmente sustente decisões técnicas e de negócio.

    Por que a consistência de UTMs é decisiva para a veracidade da atribuição

    O que a consistência realmente protege: integridade entre GA4, GTM, anúncios e CRM

    UTMs são o identificador compartilhado entre o clique (o toque no anúncio) e a conversão (a ação final). Se um mesmo objetivo de campanha usa utm_source diferente entre anúncios, criativos ou plataformas, o relatório de GA4 pode fragmentar o mesmo usuário em várias sessões atribuídas a fontes distintas. Em um cenário típico com WhatsApp Business API, CRM e GTM Web, a falta de consistência impede que o ecossistema de dados crie uma trilha contínua até a conversão offline. Não é apenas sobre nomenclatura bonita; é sobre manter uma trilha única que as ferramentas possam seguir para vincular o clique à receita, dentro de uma janela de atribuição comum e de uma visão unificada no BigQuery ou no Looker Studio.

    UTMs consistentes são o fio que conecta cliques, eventos em GA4 e conversões offline sem depender de janelas de atribuição instáveis.

    O efeito cascata da inconsistência: decisões que parecem corretas, mas não entregam resultado

    Quando UTMs variam, o algoritmo de otimização pode interpretar sinais conflitantes. Em campanhas com várias fontes (Google Ads, Meta, tráfego orgânico) e pontos de contato subsequentes (WhatsApp, formulário web, ligação). a leitura de performance pode apontar para canais diferentes do que realmente gerou a venda. Em cenários com consumer journey longo, os leads que fecham 7, 14 ou 30 dias depois do clique precisam de um mapa claro entre o toque de entrada e o fechamento. Sem uma convenção estável, você tende a sobrevalorizar ou subvalorizar canais com janelas de conversão diferentes, o que atrapalha o planejamento orçamentário, a alocação de criativos e a governança entre equipes de mídia e CRM.

    Sem consistência, a atribuição fica sujeita a ruídos de ordens, de criativos e de plataformas, elevando o risco de decisões baseadas em dados parciais.

    Sinais de que as UTMs estão quebradas (e o que fazer)

    Observe inconsistências repetidas: UTMs com variações de maiúsculas/minúsculas (utm_source=”Google” vs “google”), espaços em branco acidentais, ou uso de utm_content para identificar criativos diferentes sem uma convenção central. Outros sinais comuns incluem gclid perdido em redirecionamentos, parâmetros de campanha que são substituídos por parâmetros dinâmicos de plataforma, ou UTMs que aparecem apenas em parte da trajetória (por exemplo, apenas no tráfego pago, não no caminho de remarketing). Em campanhas com SPA (Single Page Applications), é comum ver UTMs que se perdem após o primeiro carregamento se a implementação de GTM não captura atualizações de URL em mudanças de rota. Esses cenários geram dados “incompletos” que dificultam a reconciliação de GA4 com BigQuery e com o CRM, comprometendo a integridade de toda a cadeia de atribuição.

    Arquitetura de UTMs para campanhas multicanal: o que padronizar e como aplicar

    Nomenclatura padronizada: os campos obrigatórios e opcionais que realmente importam

    Adote uma convenção de UTMs que priorize cinco campos: utm_source, utm_medium, utm_campaign, utm_content e utm_term. O que entra em cada um deve ser claro para todos os times: utm_source identifica o canal (google, facebook, linkedin), utm_medium descreve o tipo de tráfego (cpc, cpa, email), utm_campaign nomeia a promoção ou a temporada (promo_q2, black_friday_2024), utm_content distingue criativos ou variações de anúncio (banner_a, video_b), e utm_term registra termos pagos específicos quando pertinente (palavra-chave de busca). Evite variações como source=”Google” vs “google” ou campaign=”Black Friday” vs “Black_Friday” — padronização envolve exatamente a forma de escrita, sem exceções. Em GA4, essa consistência facilita cruzar relatórios entre canais e facilita a descoberta de padrões de conversão transversais a plataformas.

    Campos adicionais: quando e por quê usar utm_content e utm_term

    utm_content ajuda a separar criativos e formatos sem inflar a dimensão de campanha. Em um conjunto com anúncios de diferentes criativos dentro da mesma campanha, utm_content funciona como um rótulo de variação sem criar novas campanhas. utm_term é valioso quando você também compra palavras-chave pagas ou termos de busca específicos. Em cenários com tráfego de WhatsApp via links diferenciados ou com campanhas que promovem landing pages diferentes, esse nível extra de granularidade evita que conversões fiquem presas a uma única linha de campanha, mantendo a clareza na cadeia de aquisição.

    Exemplos práticos de implementação em GA4, GTM Server-Side e BigQuery

    Em GTM Web, crie templates de URL com UTMs padronizados que alimentem URLs de saída para todos os criativos, incluindo parâmetros adicionais obrigatórios, como gclid quando disponível. No GTM Server-Side, utilize regras de reescrita de URL para manter UTMs intactos ao atravessar proxies ou camadas de processamento e assegure que as UTMs não sejam substituídas por parâmetros próprios da plataforma de entrega. Em BigQuery, mantenha as UTMs como colunas persistentes nas tabelas de eventos para facilitar join com dados offline (CRM, ERP) ou com conversões via canal de atendimento. Esse acúmulo facilita auditorias cruzadas entre dados de cliques, eventos no site, e conversões offline, reduzindo a variabilidade de atribuição entre GA4 e Looker Studio.

    Riscos reais de inconsistência (e como evitá-los)

    Mismatch entre GA4, Google Ads e CRM: o que observar

    GA4 analisa eventos com parâmetros de URL, incluindo UTMs, enquanto o Google Ads pode adicionar seus próprios parâmetros de rastreamento (gclid) que, se não mapeados, podem criar duplicidade de sessões atribuídas. Quando o CRM recebe dados de conversões offline (por exemplo, conversas no WhatsApp) sem o mapeamento de UTMs, a linha entre a fonte da conversão e o crédito de mídia pode se desconectar. Em cenários de integração com dados first-party, é comum que UTMs não passem adequadamente para o CRM se a interface entre o site e o CRM não está padronizada para capturar UTMs do primeiro contato. O resultado é uma visão fragmentada da jornada e decisões desalinhadas com a realidade de receita.

    GCLID perdido, redirecionamentos e SPAs

    Fluxos com redirecionamentos ou SPAs podem degradar UTMs quando a URL não é preservada ao longo da navegação. Em campanhas com fins de conversão via WhatsApp, a etapa de redirecionamento pode apagar UTMs, o que impede a associação de uma conversão offline com o clique original. Implementações que não capturam corretamente a passagem de UTMs entre GTM Web e GTM Server-Side tendem a gerar um viés de atribuição, especialmente quando se usa dados de conversão offline enviados por meio de upload manual ou integração com plataformas de CRM.

    Checklist de validação e passo a passo de configuração

    1. Defina a convenção de nomes e documente-a de forma clara para o time de mídia, criativos, data science e CRM.
    2. Implemente modelos de URL com UTMs padronizados em todos os criativos e campanhas, incluindo um formato fixo para ordem dos parâmetros.
    3. Assegure que todas as plataformas (Google Ads, Meta Ads, LinkedIn, etc.) gerem UTMs consistentes, especialmente quando usados criativos dinâmicos ou URLs de landing page diferentes.
    4. Configure GTM Web para preservar UTMs ao passar por redirecionamentos e ao acionar eventos (page_view, form_submit, click).
    5. Valide a passagem de UTMs para GA4 e para o CRM: compare relatórios de GA4 com dados de conversão offline e com o CRM para confirmar que a jornada está conectada.
    6. Crie auditorias regulares (semanais ou quinzenais) para identificar variações de UTMs, duplicidades ou UTMs ausentes em campanhas recentes.
    7. Estabeleça governança: defina responsável (p. ex., Analytics Lead), fluxo de aprovação de mudanças, e um processo de rollback caso ocorram inconsistências.

    Ao implementar essa checklist, você reduz a probabilidade de que UTMs sejam a fonte do ruído entre GA4, BigQuery e CRM, o que facilita a captura de conversões offline e a alocação de orçamento com base em dados mais estáveis.

    Decisão prática: quando manter UTMs consistentes, e quando considerar mudanças estratégicas

    Quando manter UTMs client-side (GTM Web / GTM Server-Side) faz sentido

    Se o seu pipeline depende fortemente de dados em tempo real para dashboards operacionais, e o seu funil é predominantemente online com poucas conversões offline, manter UTMs consistentes no client-side pode oferecer maior visibilidade imediata. No entanto, se você usa GTM Server-Side para evitar perda de parâmetros em redirecionamentos ou SPAs, é fundamental que o servidor preserve os UTMs e passe para o GA4, sem substituição indevida. Em termos de LGPD e Consent Mode v2, também há ganhos de controle de consentimento quando a captura de UTMs é consistente entre cliente e servidor, reduzindo ruídos por consentimento incompleto.

    Quando migrar para server-side e integração de UTMs com BigQuery

    Considere server-side quando a confiança na data layer estiver comprometida por SPA ou múltiplas fontes de tráfego, ou quando você precisa de uma camada extra de confiabilidade para UTMs que atravessam redirecionamentos complexos. A migração facilita manter UTMs intactos até o momento de envio para GA4 e para o CRM, além de simplificar a validação cruzada em BigQuery. Contudo, a mudança envolve custo, tempo de implementação e cuidado com a privacidade — especialmente em ambientes com LGPD, CMP e Consent Mode v2. Em setups com dados de receita provenientes de conversões offline, o uso de server-side pode justamente reduzir a perda de atribuição entre o clique e a venda.

    Como escolher entre as abordagens: árvore de decisão prática

    Se a sua necessidade é manter visibilidade quase em tempo real e a maior parte das conversões acontece online, comece pelo client-side com GTM bem estruturado e UTMs padronizados. Se você enfrenta perda de UTMs em redirecionamentos, SPAs ou fluxos de offline que exigem alta fidelidade de dados, avalie rapidamente uma camada server-side para preservar UTMs durante a coleta e enviar para GA4/BigQuery. Em qualquer cenário, priorize a consistência de UTMs antes de expandir para soluções mais complexas como a integração com dados offline no BigQuery, para não carregar o time com correções posteriores.

    Erros comuns com correções práticas (foco técnico)

    Erro: UTMs definidos apenas em alguns anúncios ou apenas em landing pages específicas. Correção: padronize a implementação para que todas as variações de criativos e landing pages usem a mesma convenção de UTMs, mantendo a mesma ordem dos parâmetros.

    Erro: GCLID que some no caminho de navegação. Correção: capture o GCLID no initial URL e disponibilize-o nos eventos subsequentes até a última ação de conversão, especialmente quando há redirecionamento entre páginas.

    Casos de uso do ecossistema Funnelsheet (quando a consistência faz diferença real)

    Em cenários de negócios que utilizam WhatsApp como canal de fechamento, a consistência de UTMs garante que a jornada de primeira interação até a venda seja rastreável, mesmo com interações offline. Em contextos com Looker Studio, a capacidade de cruzar UTMs com o CRM, com dados de atendimento e com as conversões offline aumenta a confiabilidade das métricas de canal, ajudando a justificar investimentos com dados auditáveis. A implementação de UTMs padronizados também facilita a integração com o Google Ads (UTM templates e parâmetros de URL), com a conformidade de Consent Mode v2 e com as plataformas de anúncios que exigem parâmetros de rastreamento transparentes para manter a precisão da atribuição.

    Fontes oficiais e guias para fundamentar a prática

    Para apoiar a prática de UTMs consistentes, vale consultar fontes oficiais que detalham padrões e limitações de rastreamento. A documentação oficial do Google Analytics orienta sobre o uso de UTMs e a forma como eles alimentam a atribuição de dados nos relatórios. Além disso, as diretrizes de desenvolvimento e integração do GA4 ajudam a entender como preservar parâmetros de URL ao longo da coleta de eventos, especialmente ao trabalhar com GTM e BigQuery. Em paralelo, guias de configuração de anúncios do Google Ads explicam como os parâmetros de URL podem ser usados para rastrear campanhas sem interferir na coleta de dados. Consulte estas referências para fundamentar decisões técnicas e evitar armadilhas comuns:

    Guia de UTMs no Google Analytics (PT-BR)

    GA4: Coleta de dados e configuração de eventos (PT-BR)

    Parâmetros de URL no Google Ads (PT-BR)

    Para aprofundar ainda mais a prática em contexto de dados de marketing, pense em complementar com materiais de Think with Google sobre boas práticas de tagging e mensuração para campanhas digitais, mantendo o foco na confiabilidade de dados em ambientes complexos com múltiplos touchpoints.

    Ao terminar de ler, o próximo passo é conduzir a auditoria de UTMs na sua conta atual: verifique a consistência entre plataformas, valide com uma sequência de campanhas recentes e documente a convenção adotada. Se surgirem dúvidas técnicas específicas — por exemplo, como preservar UTMs em um pipeline com GTM Server-Side ou como correlacionar UTMs com eventos offline no BigQuery — procure um diagnóstico técnico para evitar soluções genéricas que não resolvam o problema real.

  • How to Configure BigQuery Export for GA4 on a Budget Without Compromises

    A exportação do GA4 para BigQuery pode ser um divisor de águas para quem precisa conectar investimento em mídia a receita real, especialmente quando há WA (WhatsApp) e CRM no radar. Mas o custo não pode ser o vilão oculto da sua estratégia de dados. Em muitos setups, a combinação GA4 + BigQuery gera faturas que parecem emergir do nada: eventos demais, consultas que varrem décadas de dados por cada relatório, retenção automática que mantém tudo ativo, e schemas que não aproveitam as vantagens de particionamento. O objetivo deste texto é mostrar como estruturar a exportação para BigQuery com orçamento definido, sem abrir mão da granularidade essencial para atribuição, offline e BI. Aqui você encontra um caminho direto, codificado a partir de auditorias reais e situações que já vi pela frente de dezenas de clientes, com decisões técnicas claras e um roteiro prático para implementação.

    Neste artigo, você vai encontrar diagnostico objetivo, escolhas de arquitetura que realmente reduzem custo sem sacrificar insight, e um checklist acionável para colocar em prática hoje. O foco não é vender promessas genéricas de melhoria de desempenho, mas entregar uma configuração que preserve a visibilidade necessária para comparar GA4 com dados de CRM, ações no WhatsApp Business API, e conversões offline. Ao terminar a leitura, você terá um conjunto de decisões concretas: quando priorizar dados, como organizar o armazenamento, e como auditar o impacto financeiro sem deixar de lado a precisão de atribuição. E, se puder, já aplique o roteiro de validação para evitar surpresas na fatura do mês seguinte.

    a hard drive is shown on a white surface

    Por que o custo explode na exportação GA4 -> BigQuery

    Gargalos comuns: dados que você não usa

    O primeiro gargalo é o ecossistema: GA4 exporta uma amostra grande de eventos, muitos dos quais não ajudam na tomada de decisão para campanhas de Google Ads, Meta ou WhatsApp. Manter todos esses dados exportados para BigQuery eleva o custo de armazenamento e aumenta o volume de dados que precisam ser lidos em consultas recorrentes. Além disso, a configuração padrão tende a criar tabelas diárias com dados brutos, levando a varreduras extensas em consultas que não precisam de tudo de uma vez. Em setups com múltiplos canais, o excesso de campos, parâmetros e user properties gera uma gordura desnecessária no custo por consulta.

    Custo por consulta vs. retenção

    BigQuery cobra pela quantidade de dados lidos em cada consulta e pelo armazenamento de dados. Quando você não restringe o que está lendo, cada relatório tende a varrer milhares de linhas, mesmo que o insight desejado seja de um subconjunto pequeno. Em cenários com dados de CRM integrar, leads de WhatsApp, e conversões offline, é comum o custo escalar por causa de consultas que tocam várias tabelas gigantes. A boa notícia é que, com design adequado, é possível manter a granularidade necessária para atribuição multi-touch e offline enquanto reduz drasticamente a leitura de dados desnecessários.

    Particionamento por data e clustering ajudam a reduzir o volume de dados lido, o que tende a reduzir o custo de consultas sem perder granularidade crítica.

    Arquitetura prática para orçamento limitado

    Partitioning por data e clustering

    A exportação do GA4 para BigQuery gera, em geral, tabelas diárias com os eventos. A prática recomendada para custo é manter uma arquitetura que explore particionamento por data e clustering por campos úteis (por exemplo, event_name, user_pseudo_id, e maybe app_instance_id, se aplicável). Partitioning limita a leitura apenas às partições relevantes, enquanto clustering organiza os dados dentro das partições para acelerar consultas filtrando por event_name ou user_id. Com GA4, você pode criar vistas que, a partir das tabelas diárias, expõem apenas o conjunto de eventos necessários para cada relatório, reduzindo leitura de dados redundantes. Em termos práticos, isso significa menos bytes lidos por consulta, o que reduz o custo sem perder informação crítica para atribuição de campanhas, o que é indispensável para quem trabalha com Google Ads e Meta Ads Manager.

    Vistas bem definidas que filtram eventos irrelevantes e reduzem a leitura de dados podem reduzir o custo de consulta sem impactar a qualidade dos dashboards.

    Vistas, agregações e pipelines de custo

    Além do particionamento e clustering, vale a pena criar pipelines de custo com vistas e tabelas agregadas que alimentarão dashboards de Looker Studio ou BI interna. Em vez de consultar tudo em tempo real sobre décadas, crie camadas intermediárias com agregações por dia, semana ou campanha, que respondam às perguntas de negócio comuns sem varrer o conjunto completo de dados brutos a cada query. Essa abordagem reduz o volume lido e ainda mantém os dados prêts para auditorias, reconciliações com CRM e validação offline. É comum que uma pequena camada de agregação respeite a janela de atribuição de cada canal (por exemplo, 7 a 30 dias, dependendo do ciclo de venda) para evitar discrepâncias com a janela de medição no GA4.

    Checklist de configuração prática

    1. Defina o escopo: identifique eventos essenciais para atribuição, CRM e offline. Descarte ou adie a exportação de eventos sem valor analítico real.
    2. Crie dataset com particionamento: configure o dataset para particionamento por data (EVENT_DATE ou TIMESTAMP) e ready para clustering por campos-chave.
    3. Habilite clustering inteligente: inclua campos como event_name e user_pseudo_id para acelerar consultas de conversão, funnel e onboarding.
    4. Implemente views para cortes relevantes: construa views que exponham apenas os campos necessários para cada relatório, evitando varreduras desnecessárias.
    5. Desenhe agregações periódicas: crie tabelas ou materialized views com métricas por dia/semana/campanha para reduzir a carga de dados em dashboards.
    6. Configure governança de custos: ative orçamentos e alertas no BigQuery, defina políticas de retenção de dados e monitore o consumo mensalmente.

    Validação, governança de custos e armadilhas comuns

    Antes de chegar aos dashboards, valide o ecossistema para evitar armadilhas que comumente parecem inócuas, mas derrubam o orçamento. Por exemplo, a falta de alinhamento entre o que GA4 exporta e o que o CRM consome pode levar a cobranças por dados que nunca chegam a virar insight acionável. Outros pontos críticos incluem a má configuração de retenção, que mantém dados por períodos maiores do que o necessário para cumprimento regulatório e para auditoria, aumentando custos de armazenamento sem retorno de negócio. A validação deve cobrir não apenas a infraestrutura, mas também a consistência entre GA4 e BigQuery em termos de eventos, nomes de parâmetros e janelas de atribuição. Em ambientes com consentimento e LGPD, vale reforçar que a arquitetura precisa respeitar CMPs e preferências de privacidade sem comprometer a qualidade de dados para a medição.

    Erros comuns e correções rápidas

    Erros frequentes incluem leitura de dados de tabelas antigas sem filtro de data, não utilizar particionamento, e não aproveitar o caching de consultas. A correção envolve: (1) introduzir filtros de data nas consultas; (2) consolidar dados em views com filtros explícitos; (3) introduzir uma camada de agregação para métricas repetidas; (4) revisar políticas de retenção e exclusões automáticas para dados mais antigos que não são mais necessários para análise.

    Casos práticos e decisões técnicas

    Imagine um cenário com campanhas no Google Ads e no Meta Ads Manager, onde você precisa correlacionar cliques com conversões que às vezes aparecem dias depois, além de leads que entram via WhatsApp e precisam de atribuição offline. Nesse tipo de setup, a exportação para BigQuery precisa entregar a granularidade necessária para atribuição multi-touch, sem deixar o orçamento estourar. Em muitos clientes, o custo maior vem de tabelas brutas que acumulam dados de eventos que não impactam as decisões diárias de mídia. A arquitetura com particionamento por data, clustering estratégico e vistas filtradas facilita esse equilíbrio entre visibilidade e custo. A integração com Looker Studio para dashboards de atribuição e com o pipeline de dados do CRM para reconciliação é um diferencial que evita surpresas na conta de ad spend.

    Para quem gerencia volumes moderados de dados (p.ex., R$ 10k–R$ 200k/mês em mídia), a chave é não amar demais os dados brutos. É comum que a primeira versão da exportação seja grande demais; a segunda, com cortes bem definidos, já ofereça o nível de detalhe necessário para decisões rápidas sem retardar o tempo de obtenção de insights. A governança de custos não é um adição opcional, é parte do design — um guardrail que evita custos crescendo sem necessidade e que, no fim, permite a equipe agir com mais agilidade durante picos sazonais de performance, como Black Friday ou campanhas com WhatsApp em alta.

    Para referências formais sobre estrutura e melhores práticas, consulte a documentação oficial da BigQuery para entender o modelo de precificação (armazenamento + consultas) e avalie um plano de custos que combine armazenamento com particionamento eficiente. Além disso, vale acompanhar a orientação da documentação do GA4 para entender como a exportação para BigQuery funciona em termos de esquema de dados e timestamps. Em termos de governança, a estratégia de consentimento e privacidade deve sempre estar presente no desenho de dados, antes de qualquer implementação. Fontes oficiais de referência ajudam a alinhar expectativas com a realidade de custos e limitações técnicas.

    Em termos práticos, o caminho abaixo mostra o que você precisa considerar ao planejar a exportação do GA4 para BigQuery com orçamento sob controle, sem comprometer a qualidade analítica:

    Para mais contexto técnico, a documentação oficial do Google Cloud e do GA4 oferece visão detalhada sobre particionamento, clustering e boas práticas de consulta — recursos indispensáveis para quem quer manter a precisão da atribuição sem surpresas na fatura. Além disso, a leitura em blogs oficiais da Google e Think with Google pode trazer insights sobre governança de dados, consentimento e boas práticas de BI para dashboards que de fato suportam decisões de negócio.

    Se você quiser aprofundar a parte de precificação e limites de BigQuery, vale consultar o Whisper econômico de custo da plataforma em páginas oficiais de preço, que ajudam a projetar cenários com retenção de dados e consultas frequentes. A combinação de BigQuery com GA4 exige cuidado com as escolhas de retenção, a estrutura de dados e a forma como os dados serão usados nos relatórios. Com a abordagem apresentada neste artigo, você terá uma linha de base sólida para reduzir custos sem comprometer a qualidade da atribuição e a capacidade de reconciliação com CRM e conversões offline.

    Links úteis para aprofundamento e confirmação técnica:
    – BigQuery pricing: https://cloud.google.com/bigquery/pricing
    – GA4 exibe dados em BigQuery: fonte oficial de integração GA4 ↔ BigQuery
    – Publicações oficiais da Google Analytics para referências de implementação
    – Think with Google para casos de uso de dados e BI