Análise de dados e algoritmos: por que entender os números ainda não é suficiente para viralizar?

O algoritmo parece conhecer nossos gostos melhor do que a gente. Mas será que estamos usando os dados para conhecer quem acompanha nosso trabalho?

Em maio de 2026, um usuário do Reddit compartilhou uma situação curiosa: dois Reels, praticamente as mesmas métricas, resultados completamente diferentes.

O primeiro tinha uma taxa de visualização inicial de 68%, tempo médio de 16 segundos e engajamento de 7%. O segundo registrava 71%, 19 segundos e 8%.

Até aí, nada que parecesse justificar uma diferença gigantesca.

Só que um alcançou 640 mil visualizações e o outro ficou em aproximadamente 4,2 mil.

O relato não é um estudo científico, e não temos acesso aos dados completos das publicações. Mas ele representa uma dúvida que muita gente compartilha: se seguimos as recomendações, acompanhamos as métricas e produzimos bons conteúdos, por que os resultados continuam tão diferentes?

A parte mais curiosa é que as próprias plataformas dependem de análise de dados para fazer suas recomendações.

Em 2025, a Meta revelou que o Instagram já utilizava uma infraestrutura com mais de mil modelos de machine learning. Em março de 2026, o LinkedIn apresentou um sistema capaz de analisar sequências de mais de mil interações anteriores para compreender como os interesses dos usuários mudam.

Com tanta informação, seria natural esperar previsões cada vez mais precisas. E elas podem ser, considerando os objetivos dos sistemas.

Mas prever o comportamento de milhões de usuários não significa prever quantas visualizações o nosso próximo post vai receber.

Fui pesquisar melhor essa relação entre análise de dados, algoritmos e aprendizado de máquina. E descobri que ela vai muito além do alcance nas redes sociais.

O algoritmo aprende com os dados. E nós fazemos algo parecido há muito tempo.

Antes de o algoritmo virar o personagem principal de qualquer conversa sobre redes sociais, empresas já estudavam o comportamento dos consumidores.

Pesquisas de mercado, análise de vendas, testes de produtos, observação de hábitos. Tudo isso existia muito antes do Instagram.

A diferença é que hoje conseguimos registrar e processar informações em uma escala muito maior.

O Google, por exemplo, utiliza algoritmos para organizar resultados de pesquisa considerando fatores como relevância, qualidade das informações e usabilidade das páginas. E a análise de dados também está presente em aplicativos, lojas virtuais, plataformas de streaming e sistemas de navegação.

É aqui que entra o machine learning, ou aprendizado de máquina.

Em termos simples, é uma área da inteligência artificial que permite desenvolver modelos capazes de aprender padrões a partir de dados e realizar previsões.

Nas redes sociais, esses modelos participam dos sistemas de recomendação, explicados pelo Google em sua documentação sobre machine learning, que analisam comportamentos e estimam quais publicações podem interessar a determinadas pessoas.

O processo pode ser resumido assim:

Dados de comportamento → Modelos de recomendação → Distribuição → Novas interações → Novos dados.

No Instagram, uma curtida, um compartilhamento, o tempo assistido e outras ações podem contribuir para essas previsões.

No LinkedIn, a própria plataforma explicou, em março de 2026, que seu sistema também considera como os interesses profissionais evoluem. Ele analisa uma sequência de interações, em vez de tratar cada ação como um acontecimento isolado.

Isso significa que um interesse recente por determinado assunto pode influenciar as próximas recomendações.

Mas existe uma diferença importante: os algoritmos trabalham com informações disponíveis, e nem sempre elas contam a história inteira.

Um estudo da área de sistemas de recomendação, publicado em 2024, investigou o chamado viés de popularidade. Esse fenômeno descreve como recomendações podem favorecer itens que já receberam maior atenção.

Outro problema estudado na área é o viés de exposição: não podemos interpretar a ausência de interação como falta de interesse quando uma pessoa sequer teve a oportunidade de encontrar aquele conteúdo.

Ou seja, os dados observados dependem também das oportunidades de exposição.

É por isso que análise de dados, algoritmos e machine learning precisam ser estudados em conjunto. Os dados alimentam os modelos, os modelos influenciam o que será apresentado e essa distribuição gera novos dados.

Um ciclo bastante inteligente. Mas que também possui limitações.

Dois conteúdos parecidos, resultados opostos. O que os números deixaram de contar?

Voltando aos Reels do início: por que publicações com indicadores semelhantes tiveram resultados tão diferentes?

Não temos informações suficientes para determinar a causa daquele caso. O que sabemos é que os resultados podem depender de variáveis que não aparecem nos painéis de métricas dos criadores.

O histórico de interesses de quem recebeu a publicação, as alternativas disponíveis naquele momento, o contexto da recomendação e mudanças nos próprios modelos são algumas delas.

Além disso, as métricas que consultamos representam uma parte do comportamento observado, não todas as informações utilizadas pela plataforma.

E existe outra questão: o mesmo número pode esconder comportamentos completamente diferentes.

A Nielsen Norman Group, organização especializada em experiência do usuário, explica isso muito bem em uma pesquisa sobre caminhos de navegação.

Duas pessoas podem sair da mesma página sem clicar em nada. Uma pode ter saído porque não encontrou o que procurava. A outra pode ter encontrado a resposta imediatamente e não precisou continuar navegando.

O comportamento registrado é semelhante. A experiência, completamente diferente.

Esse detalhe muda bastante a maneira como podemos olhar para o desempenho de um conteúdo, site ou aplicativo.

Um designer pode perceber que determinado botão recebe poucos cliques. Um profissional de marketing pode encontrar uma taxa de conversão abaixo do esperado. Um empresário pode descobrir que muitas pessoas visitam seu site, mas poucas solicitam orçamento.

Os números identificam situações que merecem investigação. Para descobrir as causas, talvez seja necessário combinar análise de dados com testes de usabilidade, entrevistas e observação dos usuários.

É aí que UX, design e dados se encontram.

O Google Analytics, por exemplo, permite registrar eventos como visualizações de páginas, cliques e compras. Esses registros ajudam a compreender caminhos e comportamentos, mas não substituem uma pesquisa com as pessoas que utilizam o produto.

No caso das redes sociais, a lógica é semelhante.

Retenção, compartilhamentos, curtidas por alcance e visitas ao perfil podem indicar padrões interessantes. Mas uma publicação com poucas visualizações não é, automaticamente, uma publicação ruim.

E uma publicação viral não é necessariamente um sucesso para a empresa.

Uma coisa é alcançar milhares de pessoas. Outra é alcançar pessoas que realmente se interessam pelo assunto, lembram da marca ou desejam conhecer seu trabalho.

A análise de dados ajuda a distinguir essas situações. E também nos lembra de uma regra importante da estatística: correlação não significa causalidade.

Um conteúdo publicado às 19h pode ter alcançado milhares de pessoas. Isso não prova que o horário tenha causado aquele resultado.

Para entender melhor, precisamos investigar outras variáveis, comparar resultados e, quando possível, desenvolver testes.

Dá mais trabalho do que seguir uma lista de horários mágicos? Dá.

Mas pelo menos conseguimos aprender alguma coisa com o processo.

Dá para melhorar o alcance usando análise de dados? Sim. Mas existe algo mais importante para descobrir.

Uma coisa que considero interessante é que as próprias plataformas precisam avaliar continuamente seus modelos.

No artigo técnico publicado pela Meta em maio de 2025, a empresa explica como utiliza indicadores para acompanhar a precisão das previsões de seus sistemas de recomendação.

Entre eles estão medidas de calibração, utilizadas para verificar se a frequência prevista de determinada ação corresponde à frequência realmente observada.

Se até um sistema com milhares de modelos precisa acompanhar previsões, comparar resultados e realizar ajustes, faz sentido que a gente também trate nossas estratégias como algo em evolução.

A diferença é que não temos o mesmo volume de dados nem o mesmo controle sobre a distribuição.

Ainda assim, podemos fazer bastante coisa com as informações disponíveis.

O primeiro passo é entender o que queremos descobrir.

Essas perguntas também ajudam a evitar uma armadilha: alterar tudo porque uma publicação teve um resultado ruim.

Trocar formato, identidade visual, horário, assunto e linguagem ao mesmo tempo dificulta descobrir o que realmente influenciou o desempenho.

A análise de dados pode orientar decisões mais cuidadosas. Podemos acompanhar padrões ao longo do tempo, investigar segmentos de público e testar mudanças específicas.

No tráfego pago, isso também aparece no uso de experimentos com diferentes criativos, públicos e mensagens. Mas é importante lembrar que resultados de campanhas pagas não garantem o mesmo comportamento na distribuição orgânica.

E tem uma parte dessa conversa que considero ainda mais interessante.

A gente passa muito tempo tentando compreender o algoritmo do Instagram, do LinkedIn ou do Google. Pesquisa os melhores horários, acompanha tendências, procura dicas e compara resultados.

Só que, muitas vezes, conhece muito pouco os próprios padrões.

Quais assuntos realmente interessam às pessoas que acompanham nosso trabalho? Que dúvidas aparecem com frequência? O que nosso produto resolve? Por que alguém escolhe nossa empresa? O que conseguimos fazer bem e o que ainda precisamos melhorar?

Essas perguntas também fazem parte de uma boa análise de dados.

E não precisam se limitar ao ambiente digital. Pesquisas, feedbacks, conversas com clientes, histórico de vendas e observação do comportamento das pessoas também produzem informações valiosas.

Cada negócio possui uma combinação particular de público, proposta, experiências, objetivos e limitações.

Por isso, comparar nossos resultados com os de outra empresa sem considerar essas diferenças pode nos levar a conclusões bastante injustas.

Aquela marca que cresceu rapidamente talvez tenha uma comunidade construída há anos. Um criador pode ter experiências, relacionamentos e condições de produção completamente diferentes dos nossos.

Não temos acesso a todas as variáveis que explicam o percurso de outra pessoa.

E talvez seja justamente por isso que gosto tanto dessa conexão entre criatividade e análise de dados.

Os dados ajudam a observar o que estamos construindo, entender nossos padrões e tomar decisões com mais consciência.

Mas também precisamos ouvir pessoas, pesquisar, experimentar e reconhecer que nem tudo cabe em um painel de métricas.

No fim, existe uma expressão que gosto de usar de maneira figurada: cada pessoa e cada marca têm seu próprio algoritmo.

Não no sentido técnico de um código que determina nosso comportamento, mas como uma maneira de falar sobre nossos padrões, escolhas, preferências, relações e identidade.

Na SALT Studio, essa forma de pensar também participa do nosso trabalho. Buscamos compreender as particularidades de cada negócio antes de transformar informações em decisões criativas.

E é algo que quero continuar explorando por aqui, porque design, comportamento, dados e estratégia têm muito mais em comum do que parecem à primeira vista.

Afinal, entender como o Instagram distribui uma publicação pode até ajudar, mas entender o seu próprio algoritmo é, de fato, o que dita as regras para seu negócio, para sua marca e para as pessoas que deseja alcançar. Essa é a métrica mais valiosa de todas.