Como ler a curva de retenção de um anúncio segundo a segundo: três curvas e um percentil

Muita gente escolhe referências de anúncios concorrentes do mesmo jeito: ordena o creative center por número de visualizações, abre o campeão, assiste três vezes e chega a uma impressão vaga, como “o ritmo começa forte” ou “acerta na dor do público”. Em seguida, grava uma versão parecida. Quando o resultado fica morno, parte para o próximo anúncio de sucesso e repete o processo.

O problema não é falta de esforço. É olhar para os dados errados. Visualizações e curtidas mostram que aquele criativo teve desempenho, mas não revelam em qual segundo ele funcionou nem o que, exatamente, fez funcionar. E são justamente essas duas informações que podem ser reaproveitadas no próximo anúncio.

Antes de tudo, a origem dos dados: todas as curvas e percentis citados aqui vêm das bibliotecas públicas de anúncios e dos creative centers das plataformas. São informações visíveis na sua própria conta, sem captura, assinaturas ou qualquer tipo de bypass. Essas ferramentas foram criadas para anunciantes; os dados já estão lá. O ponto é que quase ninguém sabe quais poucos números realmente merecem atenção.

Visualizações são o dado menos útil

O total de visualizações sofre forte influência da lógica de distribuição da plataforma. Um número alto pode indicar um bom criativo, mas também pode ser consequência de uma campanha lançada cedo, com bastante verba, durante uma janela de tráfego barato. Só pelas visualizações, não dá para separar “criativo bom” de “orçamento alto”.

As curtidas são ainda piores como métrica. Elas registram reação emocional, que muitas vezes não aponta na mesma direção da conversão que importa para você. Um anúncio pode ser engraçado e receber muitas curtidas; as pessoas riem, passam para o próximo conteúdo e não compram nada. Otimizar para curtidas é otimizar entretenimento, não intenção de compra.

As duas métricas têm a mesma limitação fatal: são números únicos, sem dimensão temporal. Um criativo se desenvolve ao longo do tempo, e o comportamento de quem assiste no segundo 2, no segundo 5 e no segundo 8 é completamente diferente. Um total de visualizações achata toda essa sequência. Se você usa um número achatado para orientar um trabalho cuja essência é saber o que acontece em cada momento, a informação relevante já se perdeu na origem.

Os dados com dimensão temporal estão no creative center, na página de detalhes de cada anúncio. Quase ninguém abre essa tela.

As três curvas que explicam o desempenho

Ao abrir um criativo de destaque, a plataforma mostra, além do vídeo, três curvas por segundo que quase ninguém analisa: retenção, cliques e conversão. O eixo x indica o segundo do vídeo — e a plataforma informa sua duração total. O eixo y mostra, respectivamente, quantas pessoas ainda assistem naquele momento, quantas clicaram e quantas converteram. A plataforma também destaca alguns frames, mas destacar não é interpretar. Um frame marcado aponta onde houve uma mudança; não explica o que essa mudança significa.

Para ler essas curvas, o ponto central não é saber se elas estão altas no geral, mas identificar em que segundo ocorre a inflexão. Cada uma das três curvas responde a uma pergunta diferente:

O abismo na curva de retenção mostra se a abertura segurou a atenção. Toda curva de retenção começa em 100% e cai; o que interessa é o formato dessa queda. Um despencar forte no segundo 2 ou 3 indica que os primeiros segundos não deram motivo para a pessoa continuar. Quem deslizou para fora não foi fisgado. A posição da queda aponta diretamente para aquela fala ou aquele plano do roteiro. Se o tombo acontece no segundo 3, o problema está no frame do segundo 3.

O pico da curva de cliques revela em que momento a proposta de venda realmente encaixou. Cliques não aparecem de forma uniforme: eles se concentram em um ou dois segundos. O que estiver no frame naquele instante — preço, demonstração do resultado, promessa explícita — é o verdadeiro gancho daquele criativo. Muita gente presume que o gancho está na abertura, mas o pico de cliques frequentemente mostra que ele está no meio do vídeo.

A defasagem da curva de conversão é o sinal mais contraintuitivo e mais valioso. Conversão quase nunca acompanha o clique no mesmo instante; ela vem depois. A pessoa pode se interessar e clicar no segundo 5, mas só converter no segundo 12, depois de ver o benefício se completar. Essa diferença — quantos segundos separam o pico de cliques do início da subida de conversão — indica quanto tempo de persuasão seu anúncio precisa para levar alguém de “interessado” a “disposto a comprar”. Uma defasagem longa demais sugere que o benefício foi apresentado devagar e que o público saiu antes de ele ficar claro.

Sobreponha as três curvas e a história inteira do criativo aparece: ele retém a pessoa nos primeiros segundos, conquista o clique em um ponto específico e usa mais alguns segundos para transformar esse interesse em conversão. Os segundos em que essas três inflexões ocorrem são uma estrutura que você pode transportar diretamente para o próximo roteiro.

CTR só faz sentido dentro do percentil

Além das curvas, a plataforma oferece mais um número: o percentil de CTR daquele criativo.

O erro mais comum de quem está começando é olhar o CTR isoladamente: “este anúncio tem CTR de 5%, nada mal”. Não existe como dizer se 5% é alto ou baixo sem compará-lo com pares. Em uma categoria de compra por impulso, 5% pode estar no fim da fila; em uma categoria de ticket alto, pode colocar o anúncio entre os melhores. O CTR absoluto não informa nada. O percentil, sim. Um percentil de 0.9 significa que o criativo gera mais cliques do que 90% dos anúncios do seu setor. Isso é uma informação utilizável.

O percentil também traz um parâmetro fácil de ignorar: a janela de tempo. Um mesmo criativo pode ter percentis muito diferentes quando calculados para os últimos 7, 30 ou 180 dias. Um anúncio que ganhou volume recentemente pode ficar no topo da janela de 7 dias e ser diluído na de 180 dias. O período de comparação muda o significado do número, então alinhe a janela ao ritmo de lançamento da sua campanha.

Há ainda outra curva que passa despercebida: a popularidade do criativo ao longo dos dias. Ela mostra se o anúncio está crescendo, estabilizado ou já entrou em queda. Copiar agora um criativo com percentil de CTR alto, mas com a curva de popularidade apontando para baixo, é correr atrás da última onda de tráfego. O melhor candidato para referência é aquele com percentil razoável e popularidade ainda em ascensão. Essa curva não decide se vale copiar; ela responde se já é tarde demais para copiar agora.

Use um modelo para analisar lotes de curvas

Uma pessoa consegue interpretar as três curvas de um único criativo. Para chegar a uma conclusão reutilizável, porém, é preciso observar um lote inteiro: uma ou duas dezenas de anúncios que foram bem em uma categoria e os padrões entre seus pontos de inflexão. Todos mantiveram a retenção até o segundo 2? Os picos de clique aparecem sempre no mesmo tipo de frame? Esse alinhamento ponto a ponto entre dezenas de curvas é difícil demais para fazer mentalmente. É exatamente aí que entra o modelo.

O processo correto tem duas etapas, não uma só — a mesma lógica usada em artigos sobre clustering de textos publicitários em escala:

Na primeira etapa, extraia campos estruturados de cada criativo. Para cada anúncio, registre o segundo de inflexão de cada uma das três curvas, a variação de valor ao redor de cada inflexão e o que acontece no frame daquele segundo. O resultado é um registro estruturado por criativo. Trata-se de trabalho mecânico e altamente concorrente: uma chamada para cada anúncio, chegando a centenas ou milhares por lote.

Na segunda, envie a tabela inteira para o modelo de uma vez e peça a atribuição dos padrões. O prompt precisa fixar o formato da resposta. Não pergunte “por que esses criativos são bons”, porque a resposta será uma coleção de frases vagas como “abertura envolvente”. Para cada estrutura recorrente, exija três partes:

You'll receive per-second curve summaries for N high-performing creatives in
one category, each with three inflection seconds, drops, and a frame
description at that second. Find the recurring structures, and output each
one in the format below, no prose:

1. Inflection second
   Which second of the video this structure reliably appears at (give a
   range, not a single point)

2. What the frame is doing
   The specific action/element at that second, pointing to specific
   creative IDs, no vague descriptions allowed

3. Reusable script structure
   Abstract it into one instruction you can write into the next script
   (e.g. "an after-use result frame must appear before second 2")

4. Counterexample
   Are there creatives in this batch that break this structure and still
   perform well? If so, list them. If the structure doesn't actually hold,
   say so directly

A primeira etapa combina com uma camada econômica para processamento em lote. A segunda precisa manter, de uma só vez, os valores de curvas de um lote inteiro — terreno natural de uma camada de contexto longo. Os arrays ponto a ponto de dezenas de criativos facilmente somam algumas centenas de milhares de tokens. Com duas camadas, custo e precisão ficam alinhados.

Atribuição útil vira estrutura de roteiro

A terceira parte do prompt é onde todo o processo passa a valer a pena. Uma atribuição que não consegue virar instrução de roteiro para o próximo criativo não serve para muita coisa.

“Esses anúncios de sucesso têm bom ritmo” não é atribuição; é uma sensação. Ninguém consegue gravar “bom ritmo”. Já “os criativos que retêm audiência mostram um frame do resultado após o uso, e não do produto em si, antes do segundo 2” é uma atribuição útil, porque vira uma instrução de gravação direta: no próximo roteiro, mostre um frame de resultado antes do segundo 2.

Para avaliar se uma atribuição presta, faça uma pergunta: ela pode se tornar uma variável específica do roteiro? O segundo é uma variável. O tipo de frame é uma variável. A duração do trecho de persuasão é uma variável. Fique com o que pode ser transformado em variável e descarte o restante. O objetivo final não é um relatório sobre concorrentes, e sim uma tabela de variáveis para o próximo lote de criativos: o que mostrar em cada segundo, quanto tempo reservar para persuadir e em qual frame está o gancho.

Depois da tabela de variáveis vem o roteiro; depois, o anúncio pronto. A passagem do roteiro ao vídeo final envolve geração de imagem e vídeo no próprio fluxo, e o ciclo completo de “palavra-chave para atribuição de curvas, roteiro e anúncio final” está em artigo sobre o pipeline de palavra-chave a vídeo. Este texto trata apenas da metade que transforma curvas em uma tabela de variáveis.

A armadilha: correlação não é causalidade

A atribuição em lote tem uma armadilha quase inevitável: o modelo tende a tratar correlação como causalidade.

Ele encontra um gato na abertura de dez criativos com alta retenção e conclui: “o gato é a chave da retenção”. Mas talvez todos os anúncios venham de uma equipe que simplesmente gosta de gatos. O gato e a retenção podem ser apenas consequências do estilo daquela equipe, sem relação causal entre si. Se você acreditar nessa atribuição e colocar um gato no próximo lote, a retenção não vai melhorar.

É o mesmo problema de quando o modelo “reconhece uma família de algoritmos e deixa de examinar os detalhes” em engenharia reversa de JS: assim que produz uma explicação coerente, ele para de questioná-la. O fluxo de engenharia reversa resolve isso ao obrigar o modelo a incluir uma seção de evidências contrárias no prompt. Aqui, a lógica se aplica diretamente: a quarta parte do prompt acima, o contraexemplo, não é opcional. Ela testa se uma atribuição merece confiança.

Na prática, se o modelo disser que “um frame de resultado no segundo 2 causa alta retenção”, pressione-o a responder: “existem criativos neste lote que colocaram um frame de resultado no segundo 2 e tiveram retenção baixa?”. Se existirem, essa causalidade é falsa, e há outro fator entre o frame e a retenção. Se o modelo vasculhar todo o lote e não encontrar nenhum contraexemplo, a estrutura merece entrar na tabela de variáveis. Se um modelo não consegue produzir contraexemplos, não use nenhuma das atribuições dele para orientar a criação. Caso contrário, você estará produzindo em cima de correlações sem entender por que elas não funcionam.

O modelo certo para cada etapa

Esse pipeline de quatro etapas exige capacidades muito diferentes do modelo. Usar um único modelo para tudo ou desperdiça dinheiro ou reduz a precisão:

A etapa que mais merece destaque é a dos contraexemplos. Ela testa a mesma coisa que a seção de evidências contrárias na identificação de famílias de algoritmos: se o modelo continua questionando uma conclusão que acabou de gerar. Um modelo mais fraco transforma essa seção em uma repetição da própria conclusão — “a estrutura foi validada pela maioria dos criativos”. Um modelo mais forte encontra de fato o anúncio que contradiz a hipótese. A qualidade dessa seção define diretamente quantas falsas causalidades vão parar nos seus roteiros.

Não aceite essa diferença só porque eu disse. Teste. O protocolo é este:

1. Selecione de 10 a 15 criativos de destaque em um setor e obtenha as três curvas por segundo de cada um, além do percentil de CTR.

2. Extraia tudo para uma tabela estruturada usando a camada econômica: segundos de inflexão e o frame presente naquele momento.

3. Envie a tabela inteira para claude-opus-5 e gpt-5.6-sol, usando o prompt de contraexemplos da parte 4 acima.

4. Observe uma única coisa: o modelo identifica por conta própria como contraexemplo um criativo com retenção excelente, mas conversão fraca? A camada que oferece contraexemplos sem precisar ser conduzida é aquela cujas atribuições você pode usar para escrever roteiros.

Uma rodada já mostra a diferença com mais clareza do que qualquer benchmark.

O problema não é escolher o modelo, mas trocar entre eles

São quatro modelos de três fornecedores, com três SDKs, três esquemas de autenticação e três formatos de erro. Para usar o melhor modelo em cada etapa, a abordagem mais simples seria integrar três clientes. A maioria das pessoas faz as contas, decide que não vale o esforço e acaba usando um único modelo em todo o processo. Resultado: usa uma camada fraca em contraexemplos para a atribuição em lote e grava uma pilha de criativos baseados em falsa causalidade sem saber por quê.

AIReiter elimina essa camada de fricção: uma chave, uma interface compatível com OpenAI, as quatro camadas disponíveis por trás dela e troca de modelo apenas alterando o campo model no corpo da requisição.

# Batch attribution + counterexamples: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<attribution prompt + N curve-summary table>"}]
  }'

# Extract fields per creative: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Long context to hold a whole batch of curves:
#   "model": "kimi-k3"

Se você já usa o SDK da OpenAI, aponte base_url para https://aireiter.com/api/v1 e não mude mais nada. No SDK da Anthropic, use POST /api/v1/messages com a mesma chave.

Nos preços, os modelos Claude têm 30% de desconto sobre o valor de tabela, e os modelos GPT custam metade. Neste fluxo, o desconto incide justamente sobre o principal custo: a extração de campos por criativo é a etapa com mais chamadas, de centenas a milhares por lote, executada com Claude Sonnet a 30% de desconto; a atribuição de diferenças em um único criativo roda no GPT-5.6 Sol pela metade do preço. A etapa de atribuição em lote recebe entradas de contexto longo com algumas centenas de milhares de tokens no Kimi K3, acessível pela mesma chave. O desconto atinge as duas partes mais caras do processo.

• Obtenha uma chave de API

• Teste sem criar conta: primeiro insira algumas curvas manualmente, compare se os dois modelos oferecem contraexemplos e só então decida qual integrar.

Conclusão

Analisar criativos por visualizações e curtidas é pegar uma métrica única, sem linha do tempo, e usá-la para orientar um trabalho que depende de tempo do começo ao fim. A informação importante já desapareceu antes da análise começar.

O creative center sempre mostrou os dados temporais que importam: os pontos de inflexão das três curvas por segundo indicam quando reter, conquistar e converter; o percentil de CTR mostra se o criativo é realmente bom entre seus pares, enquanto o valor absoluto não significa nada. Ao entregar as curvas de um lote de criativos a um modelo para atribuição em lote, você não recebe uma sensação de que “está bom”. Recebe uma tabela de variáveis que pode entrar no próximo roteiro — desde que obrigue o modelo a apresentar contraexemplos e filtre, uma a uma, as correlações presumidas até chegar a causalidades reais.

O papel do modelo aqui é específico: atuar como atribuidor capaz de alinhar dezenas de curvas ao mesmo tempo, encontrar padrões e, com o prompt certo, contestar as próprias conclusões. Ele não grava o anúncio por você e não decide causalidade por você. Os contraexemplos filtram as causalidades reais, a tabela de variáveis vira roteiro, e o anúncio pronto é assunto do próximo artigo.