Resumo
Ad Performance Intelligence é um produto demonstrativo de Marketing Analytics e BI que organiza métricas simuladas de Google Ads e Meta Ads em uma leitura executiva de investimento, eficiência, funil e retorno atribuído.
Case de projeto
- Projeto demonstrativo
- Marketing Analytics e BI
- Dados simulados
- Repositório privado
- Aplicação funcional
Ad Performance Intelligence
Dashboard analítico que consolida um cenário simulado de mídia paga para comparar canais, modelar indicadores e apoiar decisões de orçamento com regras explicáveis.
Projeto independente e demonstrativo, sem vínculo institucional ou reprodução de dados confidenciais de clientes. Google Ads e Meta Ads são canais representados no dataset; não existem integrações ativas com as plataformas.
- Dados sintéticos determinísticos
- Análise multicanal
- Indicadores calculados
- Recomendações por regras
- Simulador demonstrativo
Repositório privado; referência auditada na branch main, commit 87fc21b.
Código-fonte privadoAs evidências técnicas verificáveis estão documentadas neste case.
Visão geral
Problema
A comparação de canais perde clareza quando investimento, entrega, conversão e retorno são lidos isoladamente ou com denominadores inconsistentes.
Meu papel
Modelagem do cenário analítico, implementação dos cálculos e regras, desenvolvimento da experiência web, documentação das premissas e validação dos contratos técnicos.
- ROAS geral
- 18,5x
- Demo publicada / /api/kpis sobre 1.800 registros simulados / 13 out. 2026
- Conversões analisadas
- 12.798
- Demo publicada / /api/kpis sobre 1.800 registros simulados / 13 out. 2026
- CTR consolidado
- 3,3%
- Demo publicada / /api/kpis sobre 1.800 registros simulados / 13 out. 2026
Dados e premissas
Os dados são sintéticos, determinísticos e definidos em módulos TypeScript versionados. A aplicação publicada não consulta Google Ads, Meta Ads, CRM ou data warehouse.
O cenário público contém dez campanhas e 1.800 fatos diários entre 3 de dezembro de 2025 e 31 de maio de 2026. Os valores são ilustrativos e não representam clientes, contas ou resultados empresariais.
- Origem
- Módulos TypeScript em src/data
- Classificação
- Dados sintéticos e simulados
- Granularidade
- Campanha por dia
- Cobertura
- 10 campanhas · 180 dias · 1.800 fatos
- Canais
- Google Ads e Meta Ads
- Persistência
- Sem banco, upload ou gravação
Estrutura dos dados
Entidades modeladas
- Campaign: canal, objetivo, região, período, orçamento e status.
- DailyPerformance: entrega, custo, leads, conversões e receita atribuída por campanha e dia.
- Lead: origem, score, qualidade, intenção e estágio simulados.
- Channel, Benchmark e Recommendation: contexto dos canais, referências demonstrativas e regras heurísticas.
Arquitetura analítica
Cinco camadas refletem o código público e a aplicação publicada, sem caracterizar o projeto como integração oficial, ETL automatizado ou data warehouse.
1. Fonte de dados
Seeds TypeScript definem dez campanhas e parâmetros fixos para Google Ads e Meta Ads.
2. Carregamento determinístico
Módulos locais geram 180 dias de fatos com data inicial fixa e funções matemáticas reproduzíveis.
3. Modelagem
campaignId relaciona campanhas, fatos diários e leads; canal, objetivo e região funcionam como dimensões.
4. Cálculo e regras
Funções TypeScript calculam taxas e custos, enquanto regras heurísticas geram recomendações e estimativas.
5. Visualização e decisão
Next.js, Recharts e TanStack Table apresentam KPIs, comparativos, funil, filtros e simulador.
Indicadores implementados
As fórmulas abaixo foram verificadas no código público. Divisões usam safeDivide e retornam zero quando o denominador é zero.
| Definição | Unidade | Regra de cálculo | Uso | Limitação |
|---|---|---|---|---|
| CTRImpressões que resultaram em clique. | % | cliques ÷ impressões × 100; denominador zero retorna 0. | Ler resposta no topo do funil. | Não mede qualidade nem conversão posterior. |
| CPCCusto médio por clique. | R$ por clique | investimento ÷ cliques; denominador zero retorna 0. | Comparar aquisição de tráfego. | Não demonstra valor ou intenção do tráfego. |
| CPLCusto médio por lead gerado. | R$ por lead | investimento ÷ leads; denominador zero retorna 0. | Avaliar a captura de leads. | Lead simulado não equivale a venda. |
| CPACusto médio por conversão atribuída. | R$ por conversão | investimento ÷ conversões; denominador zero retorna 0. | Comparar ações finais entre campanhas. | Atribuição demonstrativa, sem incrementalidade. |
| Taxa de conversãoCliques que resultaram em conversão atribuída. | % | conversões ÷ cliques × 100; denominador zero retorna 0. | Relacionar tráfego e ações finais. | Não isola canal, oferta ou atendimento. |
| ROASReceita atribuída dividida pelo investimento em mídia. | multiplicador | receita atribuída ÷ investimento; denominador zero retorna 0. | Contextualizar retorno atribuído. | Não é ROI, receita empresarial total ou lucro. |
| Utilização do orçamentoParcela do orçamento representada pelo investimento. | % | investimento ÷ orçamento × 100; denominador zero retorna 0. | Acompanhar ritmo de uso da verba simulada. | Orçamento fixo, sem pacing de plataforma. |
| Qualidade média do leadMédia dos scores de leads do recorte. | pontos | soma dos lead scores ÷ quantidade de leads; conjunto vazio retorna 0. | Adicionar contexto qualitativo ao volume de leads. | Premissa sintética, não um modelo treinado. |
| Campaign Efficiency ScoreScore para ordenar sinais de eficiência. | 0 a 100 | Combina CTR, CPC, CPL, taxa de conversão, ROAS e qualidade do lead após normalização. | Comparar campanhas do mesmo cenário. | Pesos heurísticos; não é previsão ou garantia. |
CTR
Impressões que resultaram em clique.
- Unidade
- %
- Regra de cálculo
- cliques ÷ impressões × 100; denominador zero retorna 0.
- Uso
- Ler resposta no topo do funil.
- Limitação
- Não mede qualidade nem conversão posterior.
CPC
Custo médio por clique.
- Unidade
- R$ por clique
- Regra de cálculo
- investimento ÷ cliques; denominador zero retorna 0.
- Uso
- Comparar aquisição de tráfego.
- Limitação
- Não demonstra valor ou intenção do tráfego.
CPL
Custo médio por lead gerado.
- Unidade
- R$ por lead
- Regra de cálculo
- investimento ÷ leads; denominador zero retorna 0.
- Uso
- Avaliar a captura de leads.
- Limitação
- Lead simulado não equivale a venda.
CPA
Custo médio por conversão atribuída.
- Unidade
- R$ por conversão
- Regra de cálculo
- investimento ÷ conversões; denominador zero retorna 0.
- Uso
- Comparar ações finais entre campanhas.
- Limitação
- Atribuição demonstrativa, sem incrementalidade.
Taxa de conversão
Cliques que resultaram em conversão atribuída.
- Unidade
- %
- Regra de cálculo
- conversões ÷ cliques × 100; denominador zero retorna 0.
- Uso
- Relacionar tráfego e ações finais.
- Limitação
- Não isola canal, oferta ou atendimento.
ROAS
Receita atribuída dividida pelo investimento em mídia.
- Unidade
- multiplicador
- Regra de cálculo
- receita atribuída ÷ investimento; denominador zero retorna 0.
- Uso
- Contextualizar retorno atribuído.
- Limitação
- Não é ROI, receita empresarial total ou lucro.
Utilização do orçamento
Parcela do orçamento representada pelo investimento.
- Unidade
- %
- Regra de cálculo
- investimento ÷ orçamento × 100; denominador zero retorna 0.
- Uso
- Acompanhar ritmo de uso da verba simulada.
- Limitação
- Orçamento fixo, sem pacing de plataforma.
Qualidade média do lead
Média dos scores de leads do recorte.
- Unidade
- pontos
- Regra de cálculo
- soma dos lead scores ÷ quantidade de leads; conjunto vazio retorna 0.
- Uso
- Adicionar contexto qualitativo ao volume de leads.
- Limitação
- Premissa sintética, não um modelo treinado.
Campaign Efficiency Score
Score para ordenar sinais de eficiência.
- Unidade
- 0 a 100
- Regra de cálculo
- Combina CTR, CPC, CPL, taxa de conversão, ROAS e qualidade do lead após normalização.
- Uso
- Comparar campanhas do mesmo cenário.
- Limitação
- Pesos heurísticos; não é previsão ou garantia.
Decisões técnicas
Dataset sintético e determinístico em TypeScript
- Motivo
- Permite reproduzir a demonstração sem expor contas, campanhas ou informações de clientes.
- Consequência / trade-off
- O cenário não captura sazonalidade, ruído e qualidade de dados de plataformas reais.
Fórmulas centralizadas com divisão segura
- Motivo
- Mantém CTR, CPC, CPL, CPA, conversão e ROAS consistentes entre componentes e APIs.
- Consequência / trade-off
- Retornar zero evita valores inválidos, mas exige contexto para distinguir ausência de base de desempenho real.
Mesma fonte local para UI e Route Handlers
- Motivo
- Torna KPIs e respostas internas verificáveis sem infraestrutura ou credenciais externas.
- Consequência / trade-off
- Não há atualização automática, persistência ou isolamento por usuário.
Outras decisões técnicas
Recomendações e simulação por heurísticas explicáveis
- Motivo
- As regras tornam premissas, sinais e ações sugeridas auditáveis no código.
- Consequência / trade-off
- Os resultados não demonstram causalidade, otimização estatística ou um modelo de machine learning.
Evidências públicas
Aplicação verificada sem login; caminhos de código conferidos no repositório privado, branch main, commit 87fc21b.
Aplicação pública
Aplicação publicada
Dashboard funcional em português, com KPIs, filtros, comparativos, recomendações e simulador demonstrativo.
Abrir evidênciaCódigo-fonte privado
Repositório no commit 87fc21b
Snapshot privado usado como referência desta auditoria.
Documentação pública
Estratégia de dados simulados
ADR registra dados determinísticos, ausência de sincronização e uso exclusivamente demonstrativo.
Referência de códigodocs/adr/002-data-strategy.md
Referência de código
Série diária determinística
Geração de 180 datas e fatos por campanha a partir de parâmetros fixos.
Referência de códigosrc/data/daily-performance.ts
Referência de código
Funções de métricas
Implementação de CTR, CPC, CPL, CPA, conversão, ROAS, utilização e score.
Referência de códigosrc/lib/analytics/metrics.ts
Referências de implementação
Endpoint público
Endpoint de KPIs
Route Handler que agrega o dataset local e identifica a resposta como simulada.
Referência de códigosrc/app/api/kpis/route.ts
Referência de código
Recommendation Engine
Regras heurísticas com métricas, motivos, ações sugeridas e trade-offs.
Referência de códigosrc/lib/analytics/recommendation-engine.ts
Referência de código
Simulador de orçamento
Estimativas derivadas de verba, eficiência histórica simulada e qualidade do lead.
Referência de códigosrc/lib/analytics/simulator.ts
Referência de código
Testes das métricas
Casos reproduzíveis para CTR, CPC, CPL, ROAS e score de eficiência.
Referência de códigosrc/tests/metrics.test.ts
Documentação pública
Documento de arquitetura
Separação entre apresentação, analytics, validação, dados, tipos e Route Handlers.
Referência de códigodocs/architecture.md
Cenário demonstrativo publicado
- Dados simulados
- R$ 398.713,16
- Investimento agregado
- Soma do custo dos 1.800 fatos diários simulados.
- Dados simulados
- 3,33%
- CTR consolidado
- Cliques divididos por impressões no cenário completo.
- Dados simulados
- 18,46x
- ROAS demonstrativo
- Receita atribuída simulada dividida pelo investimento.
Os três valores pertencem ao dataset simulado da aplicação. Não representam conta de mídia, cliente, melhoria comercial, lucro ou impacto empresarial.
Valores reproduzidos pelo endpoint público /api/kpis e pelas fórmulas versionadas na referência auditada.
Competências demonstradas
- Marketing Analytics e Business Intelligence em um cenário multicanal.
- Modelagem e documentação de indicadores.
- Qualidade, consistência e rastreabilidade de dados simulados.
- Visualização de dados com Recharts e tabelas analíticas.
- Desenvolvimento e testes com Next.js, React, TypeScript e Vitest.
Limitações e próximos passos
Limitações confirmadas
- Os dados são sintéticos e não contêm contas, campanhas ou resultados reais de clientes.
- Não há integração ativa, atualização automática, banco, persistência, upload ou autenticação.
- Receita atribuída e ROAS são valores demonstrativos; não medem lucro, ROI ou incrementalidade.
- Recomendações, benchmarks e simulador são heurísticos; a aplicação está somente em português.
Evoluções possíveis
- Integrar APIs oficiais e uma camada histórica persistente, com credenciais seguras e atualização incremental.
- Modelar atribuição e monitorar qualidade, reconciliação e frescor dos dados.
- Validar recomendações com experimentos antes de qualquer uso operacional.
Galeria
Capturas da aplicação publicada em português; todos os números pertencem ao cenário simulado.
Detalhes técnicos opcionais
Como executar
- O repositório é privado; com acesso, use a branch main no commit de referência 87fc21b.
- Execute npm install e npm run dev para iniciar a aplicação Next.js.
- Acesse os Route Handlers ou use a interface para reproduzir os indicadores sobre o dataset simulado.
- Execute npm run test para validar as fórmulas e regras existentes.
Próximo projeto
Reconhecimento de Gestos de Mão em Tempo Real
Reconhecimento de 11 gestos de mão pela câmera, no navegador, com regras explicáveis e degradação para CPU.
Ver case completo