Product analytics e marketing analytics medem jornadas diferentes: um olha uso, retenção e valor no produto; o outro olha aquisição, atribuição e eficiência de mídia. Misturar os dois no mesmo dashboard sem contrato de métricas gera otimização cruzada errada — CPL “bom” com ativação ruim, ou feature adoption alta sem canal sustentável. O time maduro separa perguntas, ferramentas e donos, e só depois conecta os IDs.

O que separa product analytics de marketing analytics?

Marketing analytics responde: de onde veio o usuário, quanto custou trazê-lo, qual campanha/canal/criativo correlaciona com conversão e receita. O núcleo é funil de aquisição, atribuição, CAC, ROAS/MER e qualidade de lead ou compra.

Product analytics responde: o que o usuário faz depois de entrar, quais eventos predizem retenção e expansão, onde o onboarding trava, quais cohorts geram LTV. O núcleo é comportamento in-app/web-app, funis de ativação, feature adoption e engajamento com outcome de produto.

Por que misturar as duas lógicas quebra decisões?

Quando marketing otimiza só volume e product olha só DAU, o diálogo vira acusação: “tráfego ruim” versus “produto que não converte”. Sem taxonomia compartilhada (user_id, account_id, first_touch, activation event), ninguém prova causalidade — só correlaciona dashboards.

Outro risco: usar métricas de produto como proxy de mídia sem latência. Ativação em D7 não cabe no leilão de ontem. O contrato certo é: marketing entrega cohort elegível; product mede qualidade dessa cohort; juntos recalibram ICP e oferta.

• Pergunta de negócio explícita antes da ferramenta
• Dono da métrica (marketing vs produto vs financeiro)
• Janela temporal compatível com a decisão
• ID comum para juntar aquisição e uso
• Guarda cruzada: CPL + ativação, CAC + retenção

Quais ferramentas e eventos entram em cada lado?

No marketing: GA4/ads, CRM, UTM, conversões de campanha, CAPI/offline conversions. No product: Amplitude, Mixpanel, Heap, PostHog, warehouse de eventos de produto, feature flags. O warehouse é o lugar natural de união — não o pixel da mídia.

Eventos de marketing tipicamente descrevem origem e conversão comercial. Eventos de produto descrevem ações de valor (completed_onboarding, created_project, invited_seat). Renomear page_view de marketing como “engajamento de produto” é o atalho que mais confunde stakeholders.

Dimensão	Marketing analytics	Product analytics	Ponto de união
Pergunta central	Aquisição e eficiência de canal	Uso, retenção e valor no produto	LTV / CAC por cohort de origem
Unidade típica	Sessão, clique, lead, oportunidade	Usuário, conta, evento de produto	user_id / account_id
Ferramentas comuns	GA4, ads, CRM, GTM	Amplitude/Mixpanel, flags, warehouse	ETL + modelo de identidade
Risco de vanity	CPL/CTR sem qualidade	DAU sem outcome de negócio	Otimizar o proxy errado nos dois lados
Cadência de decisão	Diária/semanal de mídia	Semanal/mensal de produto	Revisão conjunta de cohort

Como desenhar um modelo de identidade entre aquisição e produto?

Sem identidade, product analytics “nasce” no signup e marketing “morre” no formulário. O mínimo viável: anonymous_id → user_id no login/signup, first_touch e last_touch persistidos, e account_id quando o valor é B2B.

Defina regras de merge (e-mail, CRM id, device) e o que fazer com ambiguidades. Documente latência: um lead pago pode ativar dias depois; o relatório de mídia do dia não deve “roubar” ativação futura sem janela clara.

Quais KPIs cruzar sem confundir donos?

Marketing continua responsável por custo e volume qualificado. Product continua responsável por ativação e retenção. O KPI cruzado útil é qualidade da cohort: % ativados por canal, retenção D30 por origem, receita por acquired user — sempre com janela e definição fixas.

Evite um único “score de saúde” opaco. Prefira um scorecard curto com dono por linha. Quando o número piora, fica óbvio quem investiga primeiro e com qual ferramenta.

• Custo por usuário ativado (não só por lead)
• Retenção/ativação por canal e campanha
• Payback e LTV por cohort de aquisição
• Taxa de feature adoption nos usuários pagos vs orgânicos
• Motivos de churn segmentados por origem quando possível

Como organizar rituais e governança entre times?

Rituais separados evitam reunião eterna: marketing review de aquisição; product review de funil interno; um fórum quinzenal de “qualidade da cohort” com três métricas cruzadas. Cada ritual usa a fonte da verdade acordada.

Governança de eventos também se separa: taxonomia de marketing (UTM, conversões) e taxonomia de produto (eventos de valor) com um glossário compartilhado. Mudança de nome de evento de ativação é mudança de contrato — versionar e comunicar.

Quando unificar dashboards e quando manter separados?

Unifique no executive view (aquisição → ativação → receita). Mantenha separados os operacionais: o media buyer não precisa do funil de feature flags; o PM não precisa do breakdown de keyword. Forçar um único “super dashboard” costuma gerar filtros demais e confiança de menos.

Se a empresa é early-stage e o time é o mesmo, um warehouse leve com duas pastas mentais (growth acquisition / product usage) basta. O erro não é compartilhar dados — é compartilhar perguntas sem rótulo.

Checklist prático

• Perguntas de marketing vs produto documentadas e com donos
• Glossário de eventos de aquisição e de ativação separados
• Modelo de identidade anonymous→user→account definido
• Pelo menos um KPI cruzado com janela temporal explícita
• Fonte da verdade por decisão (mídia, produto, financeiro)
• Rituais: review de mídia, review de produto, fórum de cohort
• Alertas de regressão em ativação por canal prioritário
• Versionamento quando o evento de ativação muda

Erros comuns

• Usar DAU/pageviews como proxy de qualidade de mídia
• Otimizar CPL sem olhar ativação ou SQL da mesma cohort
• Misturar eventos de marketing e produto na mesma taxonomia sem prefixo/dono
• Atribuir receita de produto a campanhas sem janela e sem user_id confiável
• Exigir que o pixel de ads responda perguntas de retenção D30
• Criar um único dashboard “para todo mundo” sem camadas de decisão

Perguntas frequentes