Público semelhante (lookalike): o que é, como criar e como usar para escalar campanhas
Uma das perguntas mais caras do tráfego pago é "para quem mostrar o anúncio?". Interesses e dados demográficos ajudam, mas são aproximações. O público semelhante, conhecido como lookalike, resolve o problema de outro jeito: em vez de descrever o cliente ideal, você entrega à plataforma uma lista de clientes reais e deixa o algoritmo encontrar pessoas com perfil parecido.
Bem usado, o lookalike é uma das formas mais eficientes de escalar campanhas sem perder qualidade. Mal usado, ele amplia o erro da base de origem: se a lista tem leads frios ou cadastros inválidos, o público semelhante será uma versão maior do mesmo problema.
Neste artigo, explicamos o que é um público semelhante, como as plataformas o constroem, quais fontes usar, como escolher a porcentagem, como funciona no Meta Ads, no Google Ads, no LinkedIn e no TikTok, e os erros que mais prejudicam os resultados.
O que é público semelhante (lookalike)
Público semelhante é um segmento de anúncios criado a partir de um público de origem. A plataforma analisa as características das pessoas dessa origem — comportamento, interesses, dados demográficos, padrões de uso — e encontra outros usuários com perfil parecido que ainda não tiveram contato com a sua empresa. O objetivo é prospecção: alcançar pessoas novas com alta probabilidade de se interessar pela oferta.
A lógica é estatística, não descritiva. Você não diz "quero mulheres de 30 a 45 anos interessadas em decoração"; você diz "aqui estão meus 2 mil melhores clientes, encontre quem se parece com eles". A plataforma identifica combinações de sinais que você provavelmente não enxergaria sozinho.
Como as plataformas constroem um lookalike
O processo tem três etapas. Primeiro, a plataforma recebe o público de origem: uma lista de contatos, visitantes do site, pessoas que converteram ou que interagiram com a página. Segundo, ela cruza essa lista com os dados que tem sobre cada usuário e identifica os atributos mais comuns entre eles. Terceiro, ela ranqueia o restante da base de usuários pela similaridade com esse perfil e entrega o recorte que você pediu (os 1% mais parecidos, os 5% e assim por diante).
Quanto mais consistente for a origem, mais claro o padrão que o algoritmo consegue extrair. Uma lista de compradores de um mesmo produto gera um lookalike mais preciso do que uma lista com todo mundo que já preencheu qualquer formulário no site.
Quais fontes usar como público de origem
A escolha da origem é a decisão mais importante. Algumas opções, da mais forte à mais fraca:
Clientes que compraram ou fecharam contrato. É a melhor fonte, porque representa o resultado que você quer repetir. Vindo do CRM, pode ser segmentada por valor, recorrência ou produto.
Leads qualificados pelo comercial. Oportunidades que avançaram no funil, mesmo sem fechar. Em B2B, costuma ser a fonte mais prática, já que o volume de vendas pode ser pequeno. A passagem de MQL para SQL é um bom corte.
Conversões rastreadas pelo pixel ou pela API. Pessoas que completaram um evento no site (compra, cadastro, orçamento). Exige o Pixel da Meta ou a API de Conversões bem configurados.
Visitantes de páginas específicas. Quem viu a página de preços ou de um serviço. Mais amplo, mas ainda com intenção.
Engajamento com conteúdo. Pessoas que interagiram com a página, assistiram a vídeos ou abriram formulários instantâneos. É a fonte mais fraca em qualidade, mas útil quando não há dados de conversão suficientes.
Se a sua operação usa um CRM como o RD Station, exportar a lista de clientes por segmento é simples e permite criar lookalikes diferentes para cada linha de produto ou perfil de conta.
Tamanho da origem e porcentagem do lookalike
As plataformas pedem um tamanho mínimo de origem para construir o público. No Meta, a documentação oficial recomenda uma base de origem de pelo menos algumas centenas de pessoas e sugere entre 1.000 e 50.000 como faixa ideal; o mínimo técnico é de 100 pessoas de um mesmo país. Listas pequenas funcionam, mas o padrão extraído é menos confiável.
A porcentagem define o tamanho do público resultante em relação à população do país escolhido. 1% é o recorte mais parecido com a origem; 10% é o mais amplo. A regra prática é começar com 1% a 3% para testar qualidade e, se o custo por resultado for bom e o público começar a saturar, abrir para 5% e 10% para ganhar escala. Com públicos de origem muito fortes, as faixas mais amplas ainda mantêm boa eficiência; com origens fracas, elas se diluem rápido.
Público semelhante no Meta Ads
No Meta Ads, os públicos semelhantes são criados em Públicos, a partir de um público personalizado (lista de clientes, visitantes do site, engajamento) ou de uma fonte baseada em valor, em que a plataforma dá mais peso aos clientes que gastaram mais. Com a chegada dos públicos Advantage+, o Meta passou a usar os lookalikes mais como "sugestão" do que como limite rígido: o algoritmo começa pelo público semelhante e pode expandir além dele quando identifica oportunidades. Isso simplifica a configuração, mas torna ainda mais importante que a origem seja de qualidade e que o evento de otimização esteja bem definido.
Na estrutura de campanha, o lookalike costuma ocupar o papel de prospecção, ao lado de públicos por interesse e de públicos amplos. Explicamos como organizar essas camadas no guia de Meta Ads. O passo seguinte, para quem clicou e não converteu, é o remarketing.
Público semelhante no Google Ads
O Google Ads tinha os "segmentos semelhantes" (similar audiences), mas a plataforma os descontinuou em 2023 e substituiu a função pela segmentação otimizada e pela expansão de público, que usam os sinais dos seus dados próprios (listas de clientes via Customer Match, conversões e visitantes) para encontrar pessoas parecidas automaticamente. Na prática, o resultado é similar ao lookalike, mas sem a configuração manual de porcentagem.
Para aproveitar isso, o essencial é alimentar a conta com dados bons: listas de clientes atualizadas, conversões importadas do CRM e eventos bem configurados no site. Campanhas de Performance Max e de Demand Gen são as que mais se beneficiam desses sinais, porque usam os públicos como ponto de partida para a otimização.
Lookalike no LinkedIn Ads e no TikTok Ads
No LinkedIn Ads, os públicos semelhantes tradicionais foram substituídos pela "expansão de público preditiva", que parte de uma lista de contatos ou empresas e encontra perfis parecidos com base em cargo, setor e comportamento profissional. Para B2B, é uma das formas mais eficientes de alcançar tomadores de decisão fora da lista de contas-alvo.
No TikTok Ads, os públicos semelhantes funcionam de forma parecida com o Meta, com origem em listas, pixel ou engajamento, e opções de tamanho estreito, equilibrado ou amplo. Em todos os casos, a lógica se repete: quanto melhor a origem, melhor o resultado.
Como estruturar testes com públicos semelhantes
Um plano de teste simples evita conclusões precipitadas:
Crie duas ou três origens diferentes (compradores, leads qualificados, visitantes da página de preços) e gere um lookalike de 1% de cada.
Rode cada um em um conjunto de anúncios separado, com o mesmo criativo e a mesma oferta, por tempo e orçamento suficientes para gerar conversões comparáveis.
Compare custo por lead qualificado, não custo por clique. Um público pode clicar mais e converter pior.
Escale o vencedor abrindo a porcentagem ou aumentando o orçamento gradualmente.
Renove a origem a cada um ou dois meses, porque a base de clientes muda e o público semelhante envelhece com ela.
Se você quiser entender melhor como estruturar experimentos sem se enganar com o resultado, veja o artigo sobre teste A/B.
Lookalike, LGPD e privacidade
Enviar listas de clientes a plataformas de anúncios envolve dados pessoais, então a prática precisa estar coberta por uma base legal adequada, em geral o legítimo interesse ou o consentimento, conforme o caso, e os titulares precisam ser informados na política de privacidade. As plataformas fazem o cruzamento com dados criptografados (hash), mas a responsabilidade pelo uso continua sendo da empresa. A Autoridade Nacional de Proteção de Dados publica orientações sobre bases legais, e tratamos o tema do ponto de vista prático no artigo sobre LGPD no marketing digital.
Outro ponto que afeta os lookalikes é a perda de sinal causada por bloqueio de cookies e restrições de rastreamento. Quanto menos conversões a plataforma enxerga, pior o público semelhante que ela constrói. A configuração de rastreamento no servidor e a integração com o CRM compensam parte dessa perda.
Erros comuns com públicos semelhantes
Origem fraca ou misturada. Juntar compradores, curiosos e cadastros inválidos em uma única lista.
Testar com orçamento insuficiente. Decidir que o lookalike "não funcionou" depois de poucos cliques e nenhuma conversão estatisticamente relevante.
Não excluir quem já é cliente. Sem a exclusão, parte do orçamento de prospecção vai para quem já comprou.
Esquecer de atualizar. Lookalike criado há um ano com uma lista que não é mais representativa.
Ignorar o criativo. O público certo com uma mensagem genérica continua convertendo mal; a segmentação não substitui a oferta.
Conclusão: o lookalike é tão bom quanto a sua base
Público semelhante é uma ferramenta de escala, não de descoberta. Ele multiplica o que já funciona, o que torna a qualidade da base de origem e a integração entre site, CRM e plataformas de anúncios o verdadeiro trabalho. Empresas que mantêm seus dados de clientes organizados e seus eventos de conversão confiáveis conseguem prospectar com custo menor em qualquer canal.
Se você quer estruturar públicos semelhantes a partir de dados reais do seu CRM e montar uma operação de mídia que escale com controle, a Redstack cuida da gestão de tráfego pago integrada ao restante da sua estratégia. Fale com a nossa equipe para avaliar a sua base e os próximos passos.
Comentários