Audiência sintética entra no plano: o calibre é o dado próprio

A Kantar publicou o relatório Marketing Trends 2026 e colocou "dados sintéticos, audiências ampliadas" entre as dez tendências que devem orientar decisões de marketing no próximo ano. A consultoria projeta a evolução de tecnologias como digital twins e cohort boosting, somada à integração rápida de texto, voz, imagem e realidade virtual (Kantar). O ponto que interessa a quem assina o orçamento vem logo depois: o relatório condiciona esse avanço à qualidade dos dados, a salvaguardas fortes e a parceiros de confiança.

Traduzindo para a operação: em 2026 uma parte das decisões de verba vai ser tomada sobre público simulado. Amostra sintética não é público — é um modelo do público. E modelo erra na direção do dado que o alimentou.

O que digital twin e cohort boosting fazem com o seu público

Digital twin, no contexto de audiência, é a réplica estatística de um grupo de consumidores: um conjunto de respostas geradas por modelo que imita o comportamento de pessoas reais. Cohort boosting é o reforço de uma amostra pequena — quando você tem 300 respondentes reais e o modelo completa o restante para dar significância a recortes que sozinhos não sustentariam análise.

As duas técnicas resolvem um problema legítimo. Pesquisa de campo é cara, demora e raramente cabe no calendário de uma rede que precisa decidir o encarte da próxima semana. Simular é mais barato e mais rápido.

O risco também é claro. O modelo gera o que é plausível a partir do que aprendeu. Ele não conhece o cliente que entra na sua loja às sete da manhã antes do turno, nem o motivo pelo qual a mesma promoção funciona em duas lojas e trava na terceira. Se a base de origem for genérica, o resultado será um público médio brasileiro com o rótulo do seu negócio — e verba movida sobre média é verba parcialmente perdida.

Dado de primeira mão é o instrumento de calibragem

Toda medição precisa de um padrão de referência. Na audiência sintética, esse padrão é o dado que a empresa já tem e quase nunca usa inteiro:

• CRM: recorrência, ticket, recência da última compra, motivo de churn registrado no atendimento.
• PDV: cesta real, mix por loja, horário e dia de pico, item que puxa o carrinho.
• Histórico de mídia: criativo por criativo, público por público, o que já foi testado, o que caiu e quanto custou aprender aquilo.

Esses três blocos respondem uma pergunta que a amostra sintética não responde sozinha: o público simulado se comporta como o seu público real se comportou no ano passado? Se a simulação diz que o recorte de maior potencial é um perfil que o seu PDV mostra comprando duas vezes por trimestre e saindo, o modelo está descrevendo um mercado, não a sua base.

A Rede Market opera 12 lojas no Sul Fluminense, com o BOX Atacadista somando outras 2 no mesmo grupo. As Drogarias Povão chegaram a 21 lojas espalhadas pela região. Operações desse porte produzem, todo mês, um volume de dado transacional que descreve o comportamento local com uma precisão que nenhuma amostra genérica alcança. O ativo já existe. O trabalho é organizá-lo a ponto de servir como régua.

Como usar sem transferir a decisão para o modelo

Três movimentos práticos, antes de qualquer verba se mover:

1. Estabeleça a linha de base antes de simular. Antes de perguntar ao modelo qual público converte, você precisa saber qual público converteu. Isso significa fechar o ciclo entre mídia, CRM e venda — inclusive venda em loja física, que é onde a maior parte do faturamento do varejo regional acontece e onde a maior parte da mensuração se perde.

2. Trate a saída sintética como hipótese, não como conclusão. O modelo aponta um recorte promissor; a empresa testa esse recorte com verba pequena e mede contra o histórico. Se o comportamento observado bater com o simulado, a hipótese ganha crédito. Se não bater, o custo do erro foi o teste, não a campanha inteira.

3. Registre a divergência. Cada vez que a simulação erra em relação ao real, isso é informação sobre o seu mercado — e sobre o modelo. Empresa que anota essa diferença constrói, em poucos ciclos, um critério próprio de quando confiar e quando desconfiar da amostra.

O que fazer com isso agora

O relatório da Kantar também registra que 74% dos profissionais de marketing estão empolgados com IA generativa (Exame). Entusiasmo alto e base de dados desorganizada é a combinação que produz decisão rápida na direção errada.

O Método Conversão Inteligente parte de um princípio que a chegada da audiência sintética só torna mais literal: número antes de estratégia. Antes de contratar ferramenta de simulação, a empresa precisa saber o custo real de aquisição por canal, a margem por linha de produto, o comportamento de recompra da própria base e o que a mídia dos últimos doze meses já ensinou. Com isso na mão, dado sintético vira acelerador de análise. Sem isso, vira uma opinião cara com aparência de pesquisa.

Quem tem PDV, CRM e histórico de mídia organizados entra em 2026 com um padrão de referência. Quem não tem entra confiando na média do mercado — e a média não paga a folha de ninguém.