Correspondência de Mensagem entre Anúncio e Página

Correspondência de mensagem é o quanto a promessa do anúncio reaparece na página que recebe o clique. Quase todo time mede isso do jeito errado: olha a taxa de conversão da página por anúncio e conclui qual página é melhor. Não dá. O anúncio escolhe quem clica, então cada anúncio entrega uma população diferente para a página, e a comparação mistura o efeito da página com a diferença de intenção do público. No exemplo trabalhado deste guia, a leitura agregada aponta a página X vencendo por 74,5 por cento com valor-p abaixo de 0,0001, enquanto dentro de cada anúncio, separadamente, a página Y é a que está na frente. O desenho que resolve isso é simples e quase ninguém usa: sortear a página dentro de cada anúncio e ler o efeito dentro de cada bloco antes de agregar. Este guia faz parte do nosso guia completo de teste A/B.

O que é correspondência de mensagem e por que ela importa

A ideia é antiga e tem nome na literatura de usabilidade: rastro de informação. Na explicação da Nielsen Norman Group sobre forrageamento de informação, teoria desenvolvida por Peter Pirolli e Stuart Card no PARC no fim dos anos 1990, “cada fonte de informação emite um cheiro, um sinal que diz ao forrageador o quanto é provável que ela contenha o que ele precisa”. A pessoa segue em frente enquanto sentir que está esquentando, e abandona quando estima que continuar custa mais do que vai render. O artigo resume a decisão como uma razão entre valor da informação e custo de obtê-la.

Aplicado a mídia paga, isso quer dizer o seguinte. O anúncio cria uma expectativa específica: um preço, uma promessa, um problema resolvido. A página de destino ou confirma essa expectativa nos primeiros segundos, ou obriga a pessoa a procurar. Procurar é custo. Custo alto com rastro fraco é saída.

E há um segundo canal, que quase ninguém conecta ao primeiro: correspondência de mensagem mexe no preço do leilão. Na documentação do Google Ads, o índice de qualidade tem três componentes, e um deles é a experiência na página de destino, definida como “o quanto a sua página de destino é relevante e útil para quem clica no seu anúncio”. A documentação do Ad Rank lista, entre os fatores, “a qualidade dos seus anúncios e da página de destino”, e registra que “mesmo que a sua concorrência tenha lances maiores que o seu, você ainda pode ganhar uma posição melhor por um preço menor usando palavras-chave e anúncios altamente relevantes”. Ou seja, a mesma decisão de página pode baratear o clique e melhorar a conversão dele, o que é raro em CRO.

O erro de medida que quase todo mundo comete

Aqui está o problema que dá nome a este guia. A pergunta natural é “qual página converte melhor”, e o dado natural é a taxa de conversão de cada página por anúncio. O problema é que, na maior parte das contas, cada anúncio manda a maior parte do seu tráfego para uma página específica. Ou seja, a página não foi sorteada: ela foi escolhida junto com o anúncio.

E como o anúncio decide quem clica, cada página recebe uma mistura diferente de intenção. Compare as duas e você compara públicos, não páginas.

Um exemplo com números. Uma conta tem dois anúncios e duas páginas. O anúncio 1 é de alta intenção (busca de marca, a pessoa já sabe o que quer, base de 6 por cento). O anúncio 2 é de descoberta (base de 2 por cento). Historicamente, a maior parte do tráfego do anúncio 1 foi para a página X e a maior parte do anúncio 2 foi para a página Y.

recorte	página X	página Y	quem está na frente
anúncio 1 (alta intenção)	16.000 cliques, 960 pedidos, 6,0000%	4.000 cliques, 252 pedidos, 6,3000%	Y, mais 5,00%
anúncio 2 (descoberta)	4.000 cliques, 80 pedidos, 2,0000%	16.000 cliques, 344 pedidos, 2,1500%	Y, mais 7,50%
agregado	20.000 cliques, 1.040 pedidos, 5,2000%	20.000 cliques, 596 pedidos, 2,9800%	X, mais 74,5%

Dentro de cada anúncio, a página Y está na frente. No agregado, a página X ganha de lavada: o teste z devolve menos 42,69 por cento para Y, com valor-p abaixo de 0,0001 e intervalo de confiança de menos 2,6076 a menos 1,8324 ponto percentual, sem chegar perto do zero.

A causa é a alocação: a página X recebeu 80 por cento do tráfego de alta intenção e a página Y recebeu 80 por cento do tráfego de descoberta. É a estrutura clássica descrita em paradoxo de Simpson em teste A/B. E note que o valor-p não protege ninguém aqui: o resultado agregado é extremamente significativo e extremamente enganoso, porque o problema é de identificação e não de amostra.

O desenho que resolve: o anúncio vira bloco, não tratamento

A correção é mais barata do que parece. Em vez de escolher uma página por anúncio, sorteie a página dentro de cada anúncio, com peso fixo, e analise o efeito da página dentro de cada anúncio antes de agregar.

desenho	o que você aprende	o que você não aprende
uma página por anúncio, comparação entre anúncios	nada causal sobre a página	tudo
página sorteada no tráfego todo, análise só no agregado	o efeito médio da página na mistura atual de tráfego	se o efeito depende do anúncio
página sorteada dentro de cada anúncio, análise por bloco e depois agregada	o efeito da página em cada anúncio e a média ponderada	nada relevante fica de fora

O terceiro desenho é um fatorial simples: dois anúncios vezes duas páginas, quatro células, com sorteio da página dentro de cada anúncio. Ele tem três vantagens e nenhuma desvantagem prática.

Primeiro, a comparação entre páginas fica limpa dentro de cada bloco, porque quem clicou naquele anúncio foi sorteado entre as duas páginas. Segundo, o agregado deixa de depender da mistura de tráfego, porque a mistura passa a ser igual nos dois braços por construção. Terceiro, e mais interessante, você mede se o efeito da página depende do anúncio, que é literalmente a pergunta de correspondência de mensagem. Isso é efeito heterogêneo declarado antes, não garimpo de segmento depois, como explicamos em efeito heterogêneo por segmento.

Do lado prático, o sorteio pode ser feito no seu site, no momento em que a pessoa chega, com o parâmetro de campanha na URL servindo de bloco. Isso é melhor que fazer o sorteio na plataforma por duas razões: você controla o peso e a unidade de sorteio, e não depende do mecanismo de divisão da plataforma, cujos limites estão em teste A/B na plataforma de anúncios.

Exemplo trabalhado: o fatorial que revela o encaixe

Uma loja roda dois anúncios de busca paga. O anúncio 1 promete frete grátis acima de um valor. O anúncio 2 promete 20 por cento de desconto na primeira compra. Duas páginas de destino:

• Página X: página de categoria genérica, com a proposta de valor da marca no topo.
• Página Y: mesma página com o topo reescrito para repetir a promessa de frete, incluindo a regra do valor mínimo acima da dobra.

A página é sorteada 50/50 dentro de cada anúncio. O anúncio 1 traz 26 mil cliques no período e o anúncio 2 traz 54 mil.

bloco	página	cliques	pedidos	taxa de conversão
anúncio 1 (frete grátis)	X	13.000	780	6,0000%
anúncio 1 (frete grátis)	Y (alinhada)	13.000	920	7,0769%
anúncio 2 (desconto)	X	27.000	540	2,0000%
anúncio 2 (desconto)	Y (desalinhada)	27.000	524	1,9407%

Os resultados, calculados com o mesmo teste z de duas proporções da calculadora:

comparação	lift relativo	valor-p	IC 95% da diferença	leitura
dentro do anúncio 1	mais 17,95%	0,0004	de 0,4761 a 1,6777 ponto percentual	a página alinhada ganha
dentro do anúncio 2	menos 2,96%	0,6203	de menos 0,2937 a 0,1752 ponto percentual	empate
agregado (mistura igual)	mais 9,39%	0,0164	de 0,0569 a 0,5631 ponto percentual	ganho real, mas diluído

Controle (A)

VisitantesConversões

Variação (B)

VisitantesConversões

Confiança90%95%99%

Controle (A) · Taxa-

Variação (B) · Taxa-

Melhora relativa-

valor-p-

IC 95% da diferença-

Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.

Cole 13000 e 780 no lado A e 13000 e 920 no lado B para reproduzir a primeira linha: valor-p de 0,0004 e lift de 17,95 por cento. Troque para 27000 e 540 contra 27000 e 524 e a calculadora devolve 0,6203, que é a segunda linha. E 40000 com 1320 contra 40000 com 1444 devolve 0,0164, que é o agregado.

A leitura. O ganho de 9,39 por cento no agregado é real e estatisticamente significativo, mas ele é a média ponderada de um ganho grande num bloco e de nada no outro. Se você parar no agregado, a decisão vira “troque a página para todo mundo”, e você aplica em 54 mil cliques por período uma mudança que não faz nada por eles (e que, no ponto estimado, faz um pouco menos que nada). A decisão certa com esse resultado é rotear por anúncio: quem vem do anúncio de frete vê a página de frete; quem vem do anúncio de desconto continua na página genérica, ou, melhor, ganha a sua própria página alinhada com desconto, que vira o próximo teste.

Repare também o que não está provado. Não está provado que “correspondência de mensagem aumenta conversão em 18 por cento”. Está provado que, neste par, alinhar o topo da página com a promessa de frete aumentou a conversão daquele tráfego. Correspondência de mensagem não é um efeito, é uma família de efeitos que depende de qual promessa, de qual página e de qual público.

Quanto tráfego esse desenho pede

A boa notícia é que o bloco de alta intenção costuma ser barato de testar, porque a taxa-base é alta e o efeito esperado também. A má notícia é que o bloco de baixa intenção é caro, e é justamente onde a maior parte do tráfego costuma estar.

bloco e taxa-base	mais 5% rel.	mais 8% rel.	mais 10% rel.	mais 15% rel.
alta intenção, base 6,0%	100.670	39.861	25.740	11.693
baixa intenção, base 2,0%	315.206	124.891	80.682	36.693

Valores por célula, 95 por cento de confiança, 80 por cento de poder, bicaudal. Para o efeito grande que a correspondência de mensagem costuma produzir no bloco alinhado, 18 por cento relativos numa base de 6 por cento, bastam 8.225 cliques por célula, o que num anúncio de 6.500 cliques por semana sai em 8 dias de teste com dois braços.

Taxa de conversão atual%Efeito mínimo detectávelrelativo (%)absoluto (pp)Confiança909599%Poder8090%Visitantes por semana (total)Testebilateralunilateral

-Visitantes por variação

-Total (2 variações)

-Duração estimada

Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.

Três decisões práticas saem dessa tabela:

1. Comece pelo bloco de maior intenção. É onde o efeito é maior e a amostra é menor. O resultado chega em uma ou duas semanas.
2. Não tente medir o bloco de descoberta com a mesma precisão. No exemplo, as células do anúncio 2 com 27 mil cliques cada só enxergam 16,88 por cento relativos. Declarar “sem diferença” ali é impreciso; o correto é “não detectamos diferença acima de 17 por cento”.
3. Não some braços de anúncios diferentes para ganhar amostra. Isso é exatamente o que cria a reversão da seção anterior.

O que alinhar, em ordem de retorno

Correspondência de mensagem não é copiar o anúncio na página inteira. É repetir o suficiente onde a pessoa olha primeiro.

elemento da página	quanto pesa	o que fazer
título principal (H1)	alto	repetir a promessa central do anúncio, quase com as mesmas palavras
primeira linha abaixo do H1	alto	resolver a condição da promessa: acima de qual valor, por quanto tempo, para quem
imagem ou vídeo do topo	médio-alto	mostrar o mesmo objeto ou cenário do criativo, quando houver criativo visual
rótulo do botão principal	médio	usar o verbo da promessa, não um verbo genérico
preço ou oferta visível sem rolar	médio	quando o anúncio dá um número, o mesmo número tem que aparecer
navegação e menu	baixo, mas negativo	em página de campanha, menu completo costuma ser uma saída, não uma ajuda
prova social	baixo	ajuda, mas não substitui a promessa; ver prova social em teste A/B

Duas armadilhas específicas merecem destaque.

A primeira é prometer na página o que o produto não entrega. Alinhamento não é permissão para repetir uma promessa exagerada; se o anúncio promete frete grátis sem condição e a condição existe, alinhar a página só adianta a frustração. Nesse caso o problema é o anúncio, não a página.

A segunda é confundir alinhamento com clonagem. Repetir literalmente o texto do anúncio num H1 comprido, com todas as palavras-chave, costuma piorar a legibilidade e não melhora a conversão. O que a pessoa precisa em dois segundos é reconhecer a promessa, não reler o anúncio.

Anúncio dinâmico e inserção de palavra-chave: alinhamento automático tem custo

Existe o atalho de fazer a página trocar o título conforme o parâmetro da URL, espelhando a palavra-chave ou o texto do anúncio. Ele funciona e tem três custos que precisam ser declarados antes de ligar.

1. Ele cria muitas versões de conteúdo pouco controladas. Uma página que muda o H1 por parâmetro é, na prática, N páginas. Se elas forem indexáveis, viram um problema de conteúdo duplicado; o mínimo é bloquear a variação por parâmetro na indexação e manter uma canônica.
2. Ele introduz uma janela em que o título muda depois de a página aparecer. Isso é o efeito flicker, e ele não é cosmético: ele atrapalha a leitura e pode enviesar a medida. O tratamento está em efeito flicker em teste A/B.
3. Ele mistura tratamento e conteúdo na hora de analisar. Se o texto injetado varia por consulta, cada visitante recebeu um tratamento levemente diferente, e o “braço” deixa de ser homogêneo. Para o teste, congele o conjunto de variações possíveis e registre qual foi servida.

Se o objetivo é só validar a hipótese de correspondência, prefira duas páginas estáticas bem escritas no primeiro teste. A injeção dinâmica é otimização de escala, não instrumento de medição.

Como ler o resultado sem se enganar

1. A página foi sorteada, ou escolhida junto com o anúncio? Se foi escolhida, você não tem um teste, tem uma observação.
2. O efeito foi lido dentro de cada anúncio antes de agregar? Sem isso, a mistura de público pode inverter o sinal.
3. A mistura de tráfego entre os braços é a mesma? No fatorial correto ela é, por construção. Confira mesmo assim.
4. Qual era o menor efeito detectável de cada bloco? “Sem diferença” num bloco que só enxerga 17 por cento não é a mesma frase que “sem diferença” num bloco que enxerga 5.
5. A métrica é conversão ou receita por clique? Se o anúncio de desconto traz pedidos menores, conversão sozinha engana; use receita por visitante.
6. O custo por clique mudou durante o teste? Se sim, a comparação entre períodos fica contaminada pelo leilão, além do efeito da página.
7. Você mudou só o topo, ou a página inteira? Trocar a página inteira responde “esta página é melhor”, não “alinhar a promessa ajuda”.
8. O resultado sobrevive a uma segunda promessa? Um efeito de correspondência que só aparece num par de anúncio e página é um achado pequeno e útil, não uma lei.

Checklist antes de ligar o teste

1. Liste os anúncios que valem como bloco, com volume de cliques e taxa-base de cada um.
2. Escolha a promessa a alinhar, uma só, e escreva a hipótese: se o H1 repetir a promessa X, a conversão do tráfego do anúncio X sobe porque o rastro de informação se mantém.
3. Monte o fatorial: página sorteada 50/50 dentro de cada anúncio, com o parâmetro de campanha definindo o bloco.
4. Congele o anúncio durante todo o período. Se o criativo mudar, muda quem clica, e o bloco deixa de ser o mesmo.
5. Calcule o menor efeito detectável de cada bloco antes de ligar, e aceite desde já que o bloco pequeno pode não concluir.
6. Declare a métrica primária, com denominador em cliques do bloco, e a de guarda (receita por clique, taxa de devolução).
7. Garanta que a página alinhada não promete nada falso.
8. Rode em semanas inteiras, como em ciclo semanal e duração.
9. Planeje o roteamento, não só o vencedor: o resultado provável é “depende do anúncio”, e isso é uma decisão de arquitetura de campanha, não de página única.

Faça isso automático na Donnu

A dor específica de testar correspondência de mensagem é que a variável está de um lado do clique e a medida está do outro, e o jeito fácil de olhar o dado é justamente o que inverte o sinal.

Na Donnu, o experimento pode ser restrito por origem de tráfego, o que permite rodar o teste da página só para quem chegou de uma campanha específica, que é exatamente o bloco deste guia. O sorteio é por visitante, com peso fixo que você define, e a meta de conversão pode ser confirmada pelo seu servidor, com valor do pedido, o que permite ler receita por clique em vez de só taxa de conversão. O relatório é bayesiano, avisa quando a divisão de visitantes se afasta do configurado e só declara vencedora com pelo menos 200 visitantes por variação e 7 dias de teste.

O que continua sendo seu: escolher qual promessa alinhar, congelar o anúncio durante o teste e decidir o roteamento no fim. Para as contas, a calculadora de tamanho de amostra, a calculadora de significância e o avaliador de landing page trabalham com os seus números, de graça.

Referências

• Budiu, Raluca. Information Foraging: A Theory of How People Navigate on the Web. Nielsen Norman Group, 10 de novembro de 2019. Artigo lido na íntegra. Fonte do conceito de rastro de informação, da atribuição da teoria a Peter Pirolli e Stuart Card no PARC no fim dos anos 1990, da regra de custo e benefício expressa como taxa de ganho igual a valor da informação dividido pelo custo de obtê-la, e da explicação de que o usuário abandona quando estima que continuar renderia menos do que custa. Conferido em 22/09/2026. nngroup.com.
• Google. Sobre o índice de qualidade. Central de Ajuda do Google Ads. Página lida na íntegra. Fonte dos três componentes do índice de qualidade e da definição de experiência na página de destino como o quanto a sua página é relevante e útil para quem clica no seu anúncio. Conferido em 22/09/2026. support.google.com.
• Google. Sobre o Ad Rank. Central de Ajuda do Google Ads. Página lida na íntegra. Fonte da lista de fatores do Ad Rank, que inclui a qualidade dos seus anúncios e da página de destino, e da afirmação de que mesmo com concorrentes dando lances maiores é possível conquistar uma posição melhor por um preço menor usando palavras-chave e anúncios altamente relevantes. Conferido em 22/09/2026. support.google.com.

Leia também: Teste A/B de criativo de anúncio · Teste A/B na plataforma de anúncios · Paradoxo de Simpson · Efeito heterogêneo por segmento · Efeito flicker · Prova social em teste A/B · Teste de incrementalidade da mídia paga · Read in English