Quando alguém me pergunta se Lookalike ainda funciona, a resposta honesta é: depende muito mais da seed do que do percentual. Já vi Lookalike 1% destruir conta porque a base era de 800 leads ruins, e já vi Lookalike 5% segurar escala estável porque a seed eram 30 mil compradores reais de alto LTV. O algoritmo não faz milagre quando você alimenta lixo. E desde o iOS 14.5 isso virou ainda mais crítico porque a base que o Meta recebe via Pixel está incompleta, e Lookalike de Pixel incompleto é literalmente Lookalike de fantasma.

Neste post eu vou destrinchar como construo Lookalike hoje, o que mudou pós-iOS 14.5, e por que em 50%+ dos testes que rodei em 2025 e 2026 o Advantage+ Audience superou Lookalike em e-commerce frio. Mas Lookalike não está morto. Ele só virou ferramenta cirúrgica, não bala de prata. Se você quer entender melhor o ecossistema antes, eu cobri o básico em como funciona o Meta Ads e a parte de segmentação para e-commerce.

O que é Lookalike e como Meta constrói por dentro

Lookalike Audience é uma audiência que o Meta gera automaticamente buscando pessoas semelhantes a uma seed que você fornece. A seed pode ser uma lista de clientes (customer file), um evento do Pixel (purchase, lead, view content), usuários do app, seguidores da página, ou até outra Lookalike (sim, isso é possível, e não, raramente é boa ideia).

O que o algoritmo faz por dentro é mais sofisticado do que “encontrar gente parecida”. Ele extrai centenas de sinais comportamentais da seed (interesses agregados, padrões de consumo, ciclos de compra, demografia ponderada, dispositivos usados, horários de atividade) e mapeia esses sinais contra a base de usuários ativos no país que você escolheu. O percentual (1%, 3%, 5%, 10%) define quantos usuários do país entram na audiência: 1% no Brasil é cerca de 1,5 milhão de pessoas, 10% é em torno de 15 milhões. Quanto maior o percentual, mais distante a “similaridade” fica da seed original.

Detalhe técnico importante: o Meta não dá pesos iguais para cada item da seed. Em customer file, se você consegue passar valor de LTV ou total gasto por cliente, ele usa isso. Isso é Lookalike Value-Based e muda completamente a qualidade. Sem peso, todo cliente vale o mesmo. Com peso, o algoritmo prioriza padrões dos top spenders.

Lookalike Value-Based vs padrão: qual converte mais

Essa é a pergunta que separa quem brinca de Meta Ads de quem entrega resultado. Lookalike padrão trata todo elemento da seed igual: uma compra de R$ 50 e uma compra de R$ 2.000 têm o mesmo peso na construção do perfil. Lookalike Value-Based usa o valor monetário (ou um score que você define) para priorizar os padrões dos clientes mais valiosos.

Na prática isso significa que, ao invés do algoritmo procurar “pessoas que compram”, ele procura “pessoas que compram caro”. E quando você compara as duas no mesmo teste, com mesma criativo e mesma página de destino, Value-Based ganha em ROAS por uma margem que justifica sempre escolher essa rota quando você tem o dado para alimentar.

O catch é: você precisa do dado. Pixel sozinho não envia valor com a precisão que o Value-Based exige. O bom é alimentar via customer file ou via CAPI com o campo de value bem mapeado. Se você não tem isso, melhor focar a energia em tracking server-side com ROAS correto antes de tentar Lookalike Value-Based.

Qual seed usar (Pixel events, customer file, app users, Lookalike de Lookalike?)

Aqui vai a hierarquia que eu sigo, do melhor para o pior, baseado em dezenas de contas que passaram pela minha mão:

1. Customer file de top 25% LTV exportado do CRM, com valor por cliente. Esse é o santo graal. Você está dizendo pro Meta procurar gente parecida com seus melhores clientes, não com qualquer comprador.
2. Customer file de todos os compradores com value (sem corte de LTV). Bom segundo lugar, especialmente para contas com volume alto e mix de produto homogêneo.
3. Pixel Purchase via CAPI com value mapeado. Funciona, mas perde precisão pós-iOS 14.5 porque a base de eventos está incompleta.
4. Pixel Purchase sem value. Ainda útil, mas sem o benefício do Value-Based.
5. Pixel Add to Cart ou Initiate Checkout. Use só em contas novas sem volume de purchase. Sinal raso, conversão pior.
6. Pixel View Content. Quase nunca. Você está pedindo Lookalike de quem clica, não de quem compra.
7. Lookalike de Lookalike. Praticamente nunca. É amplificar erro do primeiro Lookalike. O Meta não te impede, mas faz pouco sentido.

Sobre seed mínima: o Meta exige pelo menos 100 pessoas do mesmo país, mas isso é tecnicamente o piso, não o recomendado. Na real, abaixo de 1.000 a qualidade é instável. O ideal é 5.000+ com sinal forte. Acima de 50.000 o ganho marginal diminui porque o algoritmo já tem matéria-prima suficiente.

Qual percentual escolher (1%, 3%, 5%, 10%)?

A regra que eu uso é simples: começo testando 1% e 3% em paralelo, com mesmo criativo e mesmo budget, em campanhas separadas. Se 1% performa melhor mas trava em escala, abro 3%. Se 3% performa parecido com 1%, expando para 5%. Só vou para 10% se preciso de volume real e não tenho outra fonte de prospecção limpa.

O erro comum é criar Lookalike 1-3% no mesmo conjunto. Tecnicamente o Meta faz isso, mas a interpretação fica suja: você não sabe qual percentual está performando. Prefiro sempre rodar segmentado e ler o dado por percentual isolado.

Outra coisa que pouca gente fala: percentuais maiores tendem a se comportar mais parecido com audiência ampla. Lookalike 10% no Brasil já é 15 milhões de pessoas. Nessa altura, deixar o algoritmo do Advantage+ Audience trabalhar sem amarra costuma render mais.

Quanto Lookalike perdeu de poder pós-iOS 14.5?

A resposta honesta é: bastante, mas não da forma que a maioria descreve. Pós-iOS 14.5 (abril de 2021), o Pixel passou a receber sinais incompletos porque usuários iOS com ATT recusada não enviam dados de conversão pós-clique de forma determinística. Conforme a documentação do Meta Business Help, a janela de atribuição padrão também encurtou e Modeled Conversions passou a preencher os gaps.

O efeito em Lookalike é dominó. Se a seed é construída a partir de Pixel purchase, e o Pixel perdeu visibilidade de uma fatia relevante de compradores, o algoritmo está aprendendo padrões sobre uma base incompleta e enviesada (compradores Android e Windows ficaram super-representados em algumas contas). Conversion API resolve parte disso, mas só parte: usuários que recusaram tracking continuam invisíveis mesmo via CAPI.

Por isso a migração para customer file ganhou tanto peso. CRM exporta exatamente quem comprou, com value, sem depender de Pixel. Lookalike de customer file pós-iOS continua sendo o melhor sinal disponível para construir audiência fria semelhante a clientes reais. Já a Search Engine Land documentou em análises sobre o impacto do ATT que perdas de eficiência variam de 15% a 30% em prospecção dependendo do mix de dispositivos.

Lookalike vs Advantage+ Audience em 2026: o que está ganhando?

Essa é a mudança mais importante do ano. Advantage+ Audience (lançado em 2023 e amadurecido em 2024-2025) usa machine learning para encontrar audiência sem você precisar definir seed. Você dá targeting hints opcionais (interesses, demografia, Lookalike, custom audiences) como “sugestão”, e o algoritmo decide se respeita ou ignora.

Em mais de 50% dos testes que rodei em e-commerce frio nos últimos 12 meses, Advantage+ Audience superou Lookalike 1% e Lookalike 3% em CPA e ROAS, com mesma criativa e mesmo budget. O motivo é simples: o algoritmo do Advantage+ não está limitado à seed nem à definição de similaridade que o Lookalike usa. Ele otimiza diretamente pelo objetivo da campanha.

Isso não significa abandonar Lookalike. Em B2B, em produtos de nicho com base pequena, ou em contas onde Advantage+ Audience ainda não destravou (acontece), Lookalike continua entregando. Mas a hierarquia inverteu: hoje testo Advantage+ primeiro e Lookalike como complemento ou fallback, não o contrário. O blog da Madgicx tem análises decentes comparando os dois quando você quer dado externo.

Como atualizar Lookalike (frequência, auto-update, manual refresh)

Quando você cria Lookalike a partir de customer file, o Meta congela aquela seed. Se você adicionar 1.000 clientes novos ao CRM, a Lookalike não atualiza sozinha, ela permanece com a base original. Para refletir o crescimento, você precisa subir nova lista (substituir ou adicionar) e o Meta recalcula a audiência em até 24h.

Para Lookalike de Pixel events ou customer audiences dinâmicas (ex: “compradores nos últimos 180 dias”), a atualização é automática a cada 3-7 dias. Você define a janela na custom audience original (30, 90, 180 dias) e o Lookalike segue.

Minha rotina: customer file Lookalike de top LTV eu atualizo a cada 30 dias. Lookalike de Pixel purchase com janela de 180 dias roda em auto-update sem mexer. E Lookalike de seed pequena (lead gen, por exemplo) atualizo semanalmente se a base está crescendo rápido, para não ficar refletindo um snapshot velho.

Erros mais comuns que matam Lookalike

Esses são os erros que mais vejo destruindo conta. Já chegaram a mim contas com 80% do budget rodando em Lookalike de View Content e o gestor anterior jurando que “estava performando”. Estava performando o pixel firando, não a venda acontecendo.

1. Seed de evento raso. View Content, Page View, Add to Cart sem qualificação. Você termina otimizando para curiosos.
2. Seed pequena demais. Abaixo de 1.000 pessoas, o algoritmo tem ruído demais. Não use.
3. Empilhar 5+ Lookalikes no mesmo conjunto. O Meta combina por união (OR), e você termina com audiência inflada e cara.
4. Não excluir customers atuais. Lookalike traz pessoas semelhantes a quem comprou. Sem exclusão, você anuncia para gente que já é cliente.
5. Customer file desatualizado. Lookalike de base de 2 anos atrás reflete comportamento de 2 anos atrás. Atualize a cada 30-60 dias.
6. Ignorar a sobreposição com Advantage+ Audience. Se você roda os dois, parte do leilão vira competição interna. Estrutura limpa: um ou outro por campanha, ou Lookalike como targeting hint dentro do Advantage+.
7. Lookalike de seguidores ou fans da página. Geralmente ruim. Seguidor não é comprador. A correlação é fraca demais.

Se você ainda está calibrando custo por aquisição e quer entender melhor onde Lookalike entra na conta, eu cobri faixas de referência em custo por lead no Meta Ads e em benchmarks de mídia paga no Brasil. Dão um norte antes de você decidir se Lookalike está performando ou só ocupando linha no relatório.

Resumindo o que eu uso hoje em 2026: Advantage+ Audience como motor principal em e-commerce frio, Lookalike Value-Based de customer file top LTV como segundo pilar quando preciso de targeting mais cirúrgico, e custom audiences quentes (engajamento, video views 75%+, site visitors) como camadas de retargeting separadas. Lookalike não morreu. Só virou ferramenta especializada, e não bala de prata como era em 2019.

Perguntas frequentes