Quando a amostragem de dados começa e como notar isso em um relatório

O que é amostragem de dados em analytics?

Em um relatório de analytics, a amostragem de dados significa que os números que você está lendo foram calculados a partir de um subconjunto dos seus eventos e depois projetados para cima, em vez de contados a partir de cada evento coletado. A plataforma pega uma parte dos dados disponíveis, roda a consulta contra essa parte e multiplica o resultado de volta para estimar o número cheio. Nada é apagado. Os eventos brutos continuam lá. O que mudou é que o relatório na sua frente é uma estimativa apresentada na mesma fonte de uma contagem.

Essa distinção pesa mais nas caudas. Uma métrica de destaque como total de sessões aguenta bem a amostragem, porque a estimativa tem uma base grande. Um segmento que vale 0,3% do tráfego, uma landing page de cauda longa ou um caminho de conversão de quatro etapas podem oscilar muito, porque a amostra pode conter só um punhado dos eventos relevantes. Essa é uma falha diferente da de como o GA4 retém linhas para proteger a identidade, onde as linhas são removidas por completo em vez de estimadas.

Quando o Google Analytics 4 aplica amostragem?

O Google documenta um gatilho específico: a amostragem ocorre "when the number of events used to create a report, exploration, or request exceeds the quota limit for your property." A cota depende do nível da propriedade.

Superfície	Propriedade padrão	Analytics 360
Eventos lidos por consulta por padrão	10 milhões	100 milhões
Limite mais alto disponível	10 milhões	1 bilhão, via "More detailed results" no Explore
Explorações sem amostragem	Indisponível	Disponível, e só quando uma consulta devolveria mais de 1 bilhão de eventos

Uma cota de 10 milhões de eventos não amostra a maioria dos relatórios, porque o GA4 nem responde a maior parte das consultas com dados de nível de evento. O Google descreve dois grupos de tabelas: "One group of tables aggregates your data to provide fast, unsampled results to the most common requests. The other group of tables stores more granular event and user-level data to provide the flexibility for one-off, advanced investigations." Relatórios padrão com dimensões padrão batem nas tabelas agregadas e voltam sem amostragem, qualquer que seja o volume de tráfego. A amostragem aparece quando uma consulta não pode ser servida pelas tabelas pré-agregadas: um período personalizado, uma comparação, um segmento ad hoc, um par de dimensões incomum, boa parte do Explore.

É por isso que duas pessoas na mesma propriedade discordam sobre o GA4 fazer amostragem. Uma vive nos relatórios padrão e nunca viu. A outra monta explorações e vê toda semana.

Como distinguir um relatório amostrado de um não amostrado?

Olhe o ícone de qualidade dos dados no topo do relatório ou da exploração. O Google afirma que "when your results use sampling, it is indicated in the data quality icon with the percentage of data used to create the results." Essa porcentagem é o sinal inteiro. Um relatório montado com 4% dos eventos e outro montado com 96% parecem idênticos fora esse número, e merecem níveis de confiança bem diferentes.

Na Data API a mesma informação chega como campos estruturados. O ResponseMetaData carrega um array samplingMetadatas, e o Google é preciso sobre quando ele aparece: "If this report results is sampled, this describes the percentage of events used in this report. One samplingMetadatas is populated for each date range. However if the results are not sampled, this field will not be defined." Cada entrada guarda duas strings int64:

• samplesReadCount, "the total number of events read in this sampled report for a date range"
• samplingSpaceSize, "the total number of events present in this property's data that could have been analyzed in this report for a date range"

Divida o primeiro pelo segundo e você tem a porcentagem que o ícone mostraria. Para um pipeline de relatórios, o detalhe importante é que a ausência de samplingMetadatas é o caso sem amostragem, então um código que só verifica se a porcentagem está baixa vai tratar toda resposta limpa como suspeita.

Como Standard e Analytics 360 diferem na amostragem?

A diferença é o tamanho da consulta que o 360 pode bancar, não um método diferente. Os dois níveis amostram do mesmo jeito quando amostram. O Analytics 360 parte de 100 milhões de eventos por consulta em vez de 10 milhões, e acrescenta duas saídas de emergência.

A primeira é um botão dentro do Explore. O padrão é "Faster results", e escolher "More detailed results" eleva o tamanho da amostra rumo a 1 bilhão de eventos, o que o Google diz ser suficiente para produzir resultados sem amostragem na maioria dos casos. Há uma quina afiada aqui que pega gente no meio da análise: "Any change you make that requires the query to run again will revert back to the default Faster results option." Mude uma data, adicione um segmento, troque uma dimensão, e você volta para a amostra pequena sem nenhuma caixa de diálogo avisando.

A segunda é a solicitação de exploração sem amostragem, que roda a consulta offline e manda um e-mail quando fica pronta. As restrições que o Google documenta para ela são bem específicas:

Restrição	Valor documentado
Elegibilidade	Só se a consulta devolveria mais de 1 bilhão de eventos
Cota diária de tokens	20.000 tokens por propriedade, compartilhados entre todos os usuários e requisições de API
Teto de custo por consulta	5.000 tokens
Reset da cota	Meia-noite no horário do Pacífico
Tempo típico de processamento	Menos de 30 minutos
Validade do resultado	50 dias após a solicitação
Tamanho de exportação	Até 10.000.000 de células para TSV e CSV
Permissão exigida	Analista ou superior
Técnica sem suporte	Tempo de vida do usuário

A regra de elegibilidade é a que surpreende os times. Uma exploração sem amostragem não é um botão genérico de "me dê números exatos"; ela só existe acima do ponto em que o próprio teto de 1 bilhão de eventos do 360 já foi ultrapassado.

O caminho de escalonamento para sair da amostragem no Analytics 360

A consulta ultrapassa a cota de 100 milhões de eventos

Só Resultados mais rápidos (amostra padrão)

Mudar para Resultados mais detalhados (até 1 bilhão de eventos)

Qualquer mudança volta para Resultados mais rápidos

Pedido de exploração sem amostragem (só acima de 1 bilhão de eventos)

O que Adobe e Matomo fazem no lugar disso?

Eles resolvem o mesmo problema de desempenho com outro tipo de concessão, e ela aparece em outro lugar dos seus relatórios.

A Adobe Analytics não documenta nenhum mecanismo de amostragem no momento do relatório para o Analysis Workspace, e não oferece equivalente à porcentagem de qualidade dos dados do GA4. O que a Adobe limita é cardinalidade, não linhas lidas. Um limite de 2.000.000 de valores únicos é definido por dimensão, por report suite, por mês civil. Itens de dimensão coletados depois de esse limite ser cruzado são agrupados em um único item rotulado "Low-Traffic", com um segundo limite, mais agressivo, definido em 2.100.000 valores únicos por padrão. O contador zera globalmente no fim de cada mês civil.

A versão da Adobe é invisível do mesmo jeito que a amostragem, mas distorce outro eixo. Seus totais seguem corretos. Seus detalhamentos por dimensão deixam de ser completos no meio do mês, e a Adobe avisa que a dimensão Page é especialmente exposta porque várias colunas de backend contam para o mesmo limite, então o Low-Traffic pode valer bem antes de a contagem visível de páginas parecer perto de 2 milhões.

O Matomo assume a posição oposta e diz isso de forma direta: o Matomo não faz amostragem de dados, e sua documentação de qualidade de dados lista "No data sampling" como uma propriedade da plataforma. Os relatórios são processados a partir de todos os dados rastreados. A afirmação é verdadeira, mas não é o mesmo que dizer que os relatórios do Matomo são integrais, e o próprio Matomo documenta a outra metade: para manter o arquivamento rápido, ele guarda por padrão um número limitado de linhas por relatório, cerca das 500 páginas do topo e das 1.000 palavras-chave e sites do topo, e soma tudo abaixo disso em uma linha "Others". Instalações on-premise podem subir o teto com as configurações [General] em config/config.ini.php, como datatable_archiving_maximum_rows_actions e datatable_archiving_maximum_rows_referrers, a um custo documentado no desempenho do arquivamento.

Plataforma	O que ela limita	Onde a perda aparece
Google Analytics 4	Eventos lidos por consulta	Toda métrica do relatório, como estimativa
Adobe Analytics	Valores únicos de dimensão por mês	Uma única linha "Low-Traffic" absorvendo a cauda longa
Matomo	Linhas arquivadas por relatório	Uma única linha "Others" absorvendo a cauda longa

Leia essa tabela como três respostas para uma pergunta. O GA4 guarda todo valor de dimensão e aproxima as métricas. Adobe e Matomo mantêm as métricas exatas e colapsam os valores de dimensão. Se o seu trabalho vive de totais e tendências, a troca do GA4 é a mais barata; se vive de detalhamentos de cauda longa, é a mais cara, e é uma das razões estruturais por trás de por que duas ferramentas reportam números diferentes para a mesma semana.

Como contornar a amostragem sem fazer upgrade?

Encolha a consulta antes de duvidar da resposta, já que a amostragem é função de quantos eventos uma consulta precisa ler.

• Divida um período longo em várias consultas mais curtas; a cota vale por consulta e por intervalo de datas.
• Prefira relatórios padrão para tudo que um relatório padrão consiga responder, porque eles vêm das tabelas agregadas.
• Mova um segmento recorrente para um público ou dimensão personalizada, para que a filtragem aconteça no momento da coleta.
• Consulte os eventos brutos no BigQuery, o que contorna a cota de relatórios por inteiro e é o mais confiável dos caminhos descritos em como tirar seus dados do Google Analytics.

O hábito que vale construir é checar o ícone primeiro e a métrica depois, porque um número lido de 3% dos eventos parece exatamente tão confiável quanto um lido de todos eles. Esse hábito também pega o problema vizinho de eventos que nunca chegaram à propriedade, que a amostragem não explica e não resolve.

Perguntas frequentes

Qual é o limite exato de eventos para a amostragem no GA4?

O Google documenta 10 milhões de eventos por consulta para propriedades padrão e 100 milhões para propriedades Analytics 360 como as configurações padrão de amostragem. O Analytics 360 pode levar uma única exploração a 1 bilhão de eventos ao selecionar "More detailed results". Abaixo desses limites, uma consulta devolve resultados sem amostragem; acima deles, uma amostra é lida e o resultado é projetado.

Amostragem quer dizer que o Google jogou fora meus dados?

Não. Os eventos continuam na propriedade e na exportação para o BigQuery, se houver uma configurada. Amostragem é uma decisão do momento da consulta sobre quantos eventos ler dentro da cota, não uma decisão de coleta ou de armazenamento. Rodar a mesma pergunta em um período mais curto, ou contra o BigQuery, pode devolver uma resposta exata a partir dos mesmos dados.

Por que minha exploração volta a ser amostrada depois que eu mudo um filtro?

Porque o Analytics 360 reverte a configuração de tamanho da amostra sempre que a consulta precisa rodar de novo. O Google afirma que "any change you make that requires the query to run again will revert back to the default Faster results option." Selecione "More detailed results" de novo a cada mudança, e confira o ícone de qualidade dos dados em vez de supor que a configuração se manteve.

Dá para detectar amostragem pela Data API do Google Analytics?

Dá, pelo array samplingMetadatas em ResponseMetaData. Ele é preenchido uma vez por intervalo de datas quando o resultado é amostrado e nem chega a ser definido quando o resultado não é. Cada entrada traz samplesReadCount e samplingSpaceSize como strings int64, e a razão entre eles é a porcentagem de eventos lidos.

A Adobe Analytics faz amostragem de dados do jeito que o GA4 faz?

A documentação do próprio Analysis Workspace da Adobe não descreve nenhum controle de amostragem no momento do relatório e não oferece porcentagem de tamanho de amostra na interface. O limite que a Adobe documenta é de cardinalidade de dimensão: passando de 2.000.000 de valores únicos por dimensão, por report suite, por mês civil, os novos itens são agrupados sob o rótulo "Low-Traffic", com o contador zerando no fim de cada mês.

Se o Matomo não faz amostragem, por que meus totais do Matomo diferem de uma contagem completa de registros?

Porque o Matomo limita linhas arquivadas por relatório, e não eventos lidos. O Matomo processa todos os dados rastreados e afirma que não faz amostragem, mas por padrão arquiva só as poucas centenas de linhas do topo de muitos relatórios e soma o restante em uma linha "Others". Uma instalação self-hosted pode subir esse teto pelas configurações datatable_archiving_maximum_rows_* em config/config.ini.php, que segundo o Matomo podem afetar bastante o desempenho do arquivamento.

A amostragem do GA4 afeta todas as métricas de um relatório do mesmo jeito?

A amostragem não se distribui de forma igual num relatório. Uma métrica principal como o total de sessões resiste bem, porque a estimativa se apoia numa base grande, enquanto um segmento que representa 0,3% do tráfego, uma landing page de cauda longa ou um funil de conversão de quatro etapas pode oscilar bastante, porque a amostra às vezes contém apenas um punhado dos eventos relevantes. O relatório mostra os dois números na mesma tipografia, então nada na tela indica qual dos dois é mais frágil.

Os relatórios padrão do GA4 chegam a ser amostrados?

Raramente, porque a maioria dos relatórios padrão é respondida pelas tabelas agregadas que o Google construiu para dar resultados rápidos e sem amostragem às consultas comuns. A amostragem aparece quando uma consulta não pode ser atendida por essas tabelas, como um intervalo de datas personalizado, uma comparação, um segmento ad hoc, uma combinação incomum de dimensões ou a maior parte do Explorar. Essa diferença explica por que duas pessoas na mesma propriedade podem discordar sobre se o GA4 amostra: uma vive nos relatórios padrão e nunca vê isso, a outra constrói explorações e vê isso toda semana.

Por quanto tempo os resultados de uma exploração sem amostragem no Analytics 360 ficam disponíveis depois do pedido?

O Google documenta um prazo de validade do resultado de 50 dias depois do pedido, com um tempo de processamento típico de menos de 30 minutos. A exportação suporta até 10.000.000 de células em TSV e CSV, e o pedido só é elegível quando a consulta retornaria mais de 1 bilhão de eventos.

O limite de Low-Traffic da Adobe se aplica igual em todas as dimensões?

O limite não se distribui de forma igual. Ele é fixado em 2.000.000 de valores únicos por dimensão, por report suite e por mês civil, mas a Adobe avisa que a dimensão Page é especialmente exposta porque várias colunas do backend contam para o mesmo limite. Isso significa que o Low-Traffic pode começar a valer bem antes de a contagem visível de páginas chegar perto de 2 milhões, com um segundo limite mais agressivo fixado por padrão em 2.100.000.