sinapse-ai 9.1.0 → 9.3.0

package/squads/squad-paidmedia/knowledge-base/programmatic-attribution-deep.md

@@ -0,0 +1,311 @@
+# Programmatic & DSPs + Attribution Deep Dive
+
+> Fonte: MS-005 Paid Traffic Research (2026-04-07)
+
+---
+
+## Programmatic & DSPs
+
+### Como Funciona o RTB (Real-Time Bidding)
+
+Todo o processo acontece em menos de 100ms — enquanto a página carrega:
+
+```
+1. Usuário visita uma página web
+2. Publisher envia bid request ao ad exchange/SSP
+3. Ad exchange distribui para DSPs conectados
+4. Cada DSP avalia o usuário e decide se/quanto lançar (<50ms)
+5. DSPs enviam bid responses com lance e criativo
+6. Ad exchange seleciona vencedor (maior lance)
+7. Anúncio do vencedor é servido ao usuário
+8. Tracking de impressão, clique e conversão
+```
+
+**Latência total: 50-100ms**
+
+### O Ecossistema Programático
+
+| Componente | Função | Exemplos |
+|-----------|--------|----------|
+| **DSP** (Demand-Side Platform) | Compra automatizada para anunciantes | DV360, The Trade Desk, Amazon DSP, Xandr |
+| **SSP** (Supply-Side Platform) | Venda automatizada para publishers | Google Ad Manager, Magnite, PubMatic, Index Exchange |
+| **Ad Exchange** | Marketplace de transação | Google AdX, OpenX, Xandr |
+| **DMP** (Data Management Platform) | Agregação de third-party data | Oracle BlueKai, Lotame (em declínio) |
+| **CDP** (Customer Data Platform) | First-party data unificada | Segment, RudderStack, mParticle |
+| **Ad Server** | Servir, rastrear, otimizar criativos | Google Campaign Manager 360 |
+| **Verification** | Viewability, brand safety, fraude | IAS, DoubleVerify, MOAT |
+
+### DV360 (Display & Video 360)
+
+DSP do Google, parte da Google Marketing Platform:
+
+**Vantagens:**
+- Acesso ao inventário Google (YouTube, GDN) + open web
+- Integração nativa com GA4, Campaign Manager 360, Search Ads 360
+- Audience Manager robusto (1st, 2nd, 3rd party data)
+- Programmatic Guaranteed e Preferred Deals com publishers premium
+
+**Tipos de transação:**
+
+| Tipo | Preço | Inventário | Uso |
+|------|-------|-----------|-----|
+| **Open Auction** | Variável (leilão) | Remanescente | Escala e performance |
+| **Private Auction** | Floor price | Seleto | Premium com competição |
+| **Preferred Deal** | Fixo negociado | Reservado | Relação com publisher |
+| **Programmatic Guaranteed** | Fixo negociado | Garantido | Premium garantido |
+
+### The Trade Desk
+
+Principal DSP independente (sem conflito de interesse Google/Meta):
+
+**Diferenciais:**
+- **Unified ID 2.0:** Solução de identidade pós-cookie baseada em email hashed
+- **Koa AI:** Motor de ML proprietário para otimização de bids
+- **Planner:** Ferramenta de planejamento e forecasting
+- **CTV (Connected TV):** Forte presença em streaming/OTT (Netflix, Disney+, Peacock)
+- **Independência:** Não é publisher — sem conflito de interesse
+
+### Amazon DSP
+
+Para e-commerce e marcas que vendem na Amazon:
+- Targeting por comportamento de compra (dados de compra Amazon)
+- Alcance em Amazon.com, IMDb, Twitch e parceiros
+- Retargeting de visitantes de página de produto (ASIN targeting)
+- Exclusivo: dados de intenção de compra mais ricos do ecossistema digital
+
+### Header Bidding
+
+Técnica onde o publisher oferece inventário a múltiplos ad exchanges simultaneamente:
+
+**Waterfall (modelo antigo):**
+```
+Publisher → Ad Server → Exchange A (não compra) → Exchange B (compra por $2)
+// Exchange A nunca teve chance de oferecer $3
+```
+
+**Com Header Bidding:**
+```
+Publisher → [Exchange A: $3, Exchange B: $2, Exchange C: $1] → Ad Server (seleciona $3)
+// Competição justa, publisher ganha mais
+```
+
+**Implementações:**
+- **Client-side (Prebid.js):** JavaScript no browser. Mais comum, adiciona latência (~100-200ms)
+- **Server-side (Prebid Server):** Processamento no servidor. Menos latência, menor cookie match rate
+- **Hybrid:** Combinação para otimizar performance e receita
+
+### Viewability e Brand Safety
+
+**Padrões de Viewability (MRC):**
+- Display: 50% dos pixels visíveis por 1 segundo
+- Video: 50% dos pixels visíveis por 2 segundos contínuos
+- Benchmark: >70% viewability é considerado bom
+
+**Brand Safety:**
+- Garantir que anúncios não aparecem ao lado de conteúdo inadequado
+- **Pre-bid filtering:** Bloquear antes de lançar (mais seguro, menos inventário)
+- **Post-bid monitoring:** Detectar após servir (mais barato, mais escala)
+- **Inclusion lists:** Sites aprovados (mais safe, menos escala)
+- **Exclusion lists:** Sites bloqueados (mais escala, menos controle)
+
+---
+
+## Attribution & Measurement Deep Dive
+
+### O Problema Fundamental
+
+O cliente médio interage com 7-13 touchpoints antes de converter. Problemas:
+1. **Multi-touch:** Qual canal recebe crédito?
+2. **Cross-device:** Celular → desktop → conversão
+3. **Walled gardens:** Google, Meta, TikTok cada um se atribui
+4. **Privacy restrictions:** iOS 14.5, cookies limitados
+5. **Offline-to-online:** Visita física influenciada por ad online
+
+### Modelos de Atribuição
+
+| Modelo | Crédito | Viés | Melhor Para |
+|--------|---------|------|------------|
+| **Last Click** | 100% último clique | Favorece fundo de funil | Baseline simples |
+| **First Click** | 100% primeiro toque | Favorece topo de funil | Análise de discovery |
+| **Linear** | Igual entre todos | Democrático mas impreciso | Visão geral |
+| **Time Decay** | Mais peso para toques recentes | Subestima awareness | Ciclos de venda curtos |
+| **Position-Based (U)** | 40% first, 40% last, 20% middle | Valoriza discovery + conversão | B2B balanceado |
+| **Data-Driven (DDA)** | ML determina impacto real | Mais preciso, opaco | Default quando há volume |
+
+### Media Mix Modeling (MMM)
+
+Abordagem econométrica (top-down) que usa regressão estatística:
+
+**Como funciona:**
+1. Coletar dados históricos de spend e resultados por canal (12-36 meses)
+2. Incluir variáveis de controle: sazonalidade, preço, competição, macroeconomia
+3. Regressão estatística para isolar efeito de cada canal
+4. Output: curvas de resposta por canal (spend → resultado)
+
+**Vantagens:**
+- Não depende de cookies ou tracking individual
+- Captura efeitos offline e cross-channel
+- Privacy-safe por natureza
+- Inclui fatores externos (sazonalidade, competição)
+
+**Desvantagens:**
+- Requer 2-3 anos de dados históricos
+- Granularidade limitada (semanal/mensal, não diária)
+- Não captura efeitos de criativo ou targeting
+- Custo alto (USD 50-200K para consultoria tradicional)
+
+### Open-Source MMM (Democratização)
+
+| Framework | Linguagem | Por Quem | Destaque |
+|-----------|-----------|---------|----------|
+| **Meta Robyn** | R | Meta | Primeiro open-source MMM, comunidade grande |
+| **Google Meridian** | Python | Google | Lançado em 2024, Bayesian approach |
+| **Lightweight MMM (LMMM)** | Python/JAX | Google | Predecessor do Meridian, mais simples |
+
+**github.com/facebookexperimental/Robyn** | **github.com/google/meridian**
+
+Esses frameworks democratizaram MMM — antes restrito a consultorias caras (USD 50-200K). Agora acessível com equipe técnica interna.
+
+**Quando usar MMM:**
+- Budget mensal > BRL 100K (volume suficiente para regressão)
+- Mix de canais variado (online + offline ou multi-plataforma)
+- Decisões estratégicas de alocação trimestral/anual
+- Quando atribuição por clique está claramente errada
+
+### Incrementality Testing
+
+Mede o efeito causal real — "essas conversões teriam acontecido mesmo sem o anúncio?"
+
+**Conversion Lift Studies:**
+- Dividir audiência em grupo de teste (vê anúncios) e controle (não vê)
+- Comparar conversões entre grupos
+- Diferença = efeito incremental da campanha
+- **Disponível nativamente:** Meta Conversion Lift, Google Brand Lift, TikTok Split Test
+
+**Geo-Tests:**
+- Regiões similares como teste e controle
+- Campanha apenas nas regiões de teste
+- Comparar resultados entre regiões
+- Mais robusto (sem data leakage de audiência)
+
+**Switchback Tests:**
+- Alternar entre períodos on/off em diferentes regiões
+- Controla para sazonalidade e tendências temporais
+- Mais dados com menos regiões
+
+**Meta Incremental Attribution (abril 2025):**
+- Nova feature no Ads Manager que separa conversões realmente causadas pelo anúncio daquelas orgânicas
+- Disponível no painel de Attribution — recomendado para decisões de budget
+
+### Privacy Sandbox (Status 2025-2026)
+
+**Reversão histórica do Google:**
+- **Julho 2024:** Google anuncia que NÃO eliminará third-party cookies. Modelo de "user choice"
+- **Abril 2025:** Confirma que não introduzirá prompt separado de consentimento
+- **Outubro 2025:** Aposenta maior parte das tecnologias do Privacy Sandbox
+
+**APIs do Privacy Sandbox que SOBREVIVERAM:**
+- **CHIPS:** Cookies Having Independent Partitioned State (cookies particionados por site)
+- **FedCM:** Federated Credential Management (login federado)
+- **Private State Tokens:** Verificação de fraude sem cross-site tracking
+
+**APIs APOSENTADAS:**
+- Topics API (substituição de cookies por interesse — adoção <32%)
+- Protected Audience API / FLEDGE (remarketing on-device — adoção mínima)
+- Attribution Reporting API (atribuição agregada — mercado preferiu métodos tradicionais)
+
+**O que isso significa na prática:**
+- Third-party cookies permanecem habilitados no Chrome por padrão
+- Mas Safari e Firefox já bloqueiam por padrão — impacto real já existia
+- Investimento em first-party data é irreversível independente do Chrome
+- Server-side tracking (CAPI) continua essencial
+- **"A indústria se preparou para um mundo sem cookies e não volta atrás"**
+
+### CAPI Deep Implementation
+
+**Prioridade de eventos (implementar nesta ordem):**
+1. Purchase / Lead (mais importante para otimização)
+2. Add to Cart / Initiate Checkout
+3. View Content / Page View
+
+**Event Match Quality (EMQ) — Parâmetros que melhoram:**
+
+| Parâmetro | Impacto | Implementação |
+|-----------|---------|--------------|
+| `em` (email hashed SHA256) | Muito alto | Hash no servidor antes de enviar |
+| `ph` (phone hashed) | Alto | Hash no servidor |
+| `fn` + `ln` (nome hashed) | Médio | Hash no servidor |
+| `external_id` (user ID) | Médio | ID do sistema interno |
+| `client_ip_address` | Automático | Pegar do request HTTP |
+| `fbc`, `fbp` | Médio | Cookies do browser |
+
+**EMQ Target:** Score > 6.0 para todos os eventos críticos
+
+**Deduplication:**
+- Enviar mesmo `event_id` via Pixel (browser) e CAPI (server)
+- Meta deduplica automaticamente quando event_id match
+- Dedup ratio ideal: 80-95%
+- <50%: event_ids não estão matching
+
+**Opções de Implementação:**
+1. **Gateway plug-and-play:** Shopify/WooCommerce plugin (mais fácil)
+2. **Stape.io:** Servidor intermediário sem código (econômico)
+3. **Manual via API:** Controle total, mais complexo
+4. **Parceiros certificados:** Advantage+ parceiros Meta
+
+### UTM Strategy
+
+Convenção recomendada:
+
+```
+https://site.com/landing?
+  utm_source=meta&
+  utm_medium=paid-social&
+  utm_campaign=prospecting-lal1-2026q1&
+  utm_content=video-depoimento-30s&
+  utm_term=lookalike-1pct-purchasers
+```
+
+| Parâmetro | Uso | Exemplo |
+|-----------|-----|---------|
+| `utm_source` | Plataforma | meta, google, tiktok, linkedin |
+| `utm_medium` | Tipo de canal | paid-social, paid-search, display, cpc |
+| `utm_campaign` | Nome da campanha | prospecting-lal1-2026q1 |
+| `utm_content` | Variação de criativo | video-depoimento-30s |
+| `utm_term` | Keyword ou audiência | lookalike-1pct-purchasers |
+
+**Regras:**
+- Sempre lowercase, sem espaços (usar hífens)
+- Nomenclatura consistente e documentada em planilha
+- Incluir período/quarter no campaign name
+- Não usar UTMs em links internos (polui atribuição)
+
+### MER vs ROAS — Qual Usar
+
+**ROAS por plataforma:** Cada plataforma se auto-atribui. Google diz X, Meta diz Y, soma > realidade.
+
+**MER (Marketing Efficiency Ratio):**
+```
+MER = Receita Total do Negócio / Custo Total de Marketing
+
+Exemplo:
+Receita mensal: R$500.000
+Custo total de marketing (ads + equipe + ferramentas): R$100.000
+MER = 5.0x
+```
+
+**Quando usar cada um:**
+- ROAS por plataforma: otimização DENTRO do canal
+- MER: decisões de alocação ENTRE canais e estratégicas
+- Incrementality: validar se o canal é realmente causal
+
+### Estratégia Triangulada (Best Practice)
+
+```
+MER (macro) + Incrementality (causalidade) + Platform ROAS (otimização tática)
+
+1. MER mostra tendência geral da eficiência
+2. Incrementality confirma quais canais são causais
+3. Platform ROAS guia otimização dentro de cada canal
+4. MMM informa alocação estratégica trimestral/anual
+```

package/squads/squad-paidmedia/knowledge-base/social-algorithms-playbook.md

@@ -0,0 +1,361 @@
+# Social Algorithms Playbook — Paid Media Lens
+
+> Fonte: MS-016 Social Algorithms Research (2026-04-07)
+> Foco: como os algoritmos impactam distribuição de anúncios e organic synergy para paid media
+
+---
+
+## Instagram Algorithm — Para Paid Media
+
+### Arquitetura Multi-Superficie
+
+O Instagram opera com algoritmos diferentes por superficie:
+
+| Superficie | Função | Relevância para Ads |
+|-----------|--------|-------------------|
+| **Feed** | Conteúdo de seguidos + recomendados | 15-20% é recomendado; ads competem neste espaço |
+| **Reels** | Video curto algorítmico | Superficie de maior crescimento; Reels ads têm CPMs 30-40% mais baixos |
+| **Stories** | Conteúdo efêmero ranqueado por relacionamento | Ads entre Stories; alta taxa de conclusão |
+| **Explore** | Descoberta de contas não seguidas | Ads no Explore; audiência em modo descoberta |
+
+### Sinais de Ranking Reels (2025-2026)
+
+Hierarquia confirmada por Adam Mosseri (jan/2025):
+
+1. **Watch Time (Completion Rate)** — Sinal #1. Reel assistido até o final = boost massivo
+2. **Shares via DM** — "Sends are the most important signal for Reels ranking"
+3. **Saves** — Indicam valor duradouro vs entretenimento momentâneo
+4. **Engagement Velocity (primeira hora)** — Batch testing: algoritmo mostra para grupo pequeno, mede, decide se escala
+5. **Audio Trending** — Reels com áudios em tendência recebem boost
+6. **Originalidade** — Conteúdo com marca d'água do TikTok tem distribuição reduzida
+
+**Para Spark Ads (boosting de posts orgânicos):**
+- Post orgânico com bom hook rate indica que o conteúdo já passou no batch test
+- Boostear posts que já têm engagement organico alto = CPM mais eficiente
+- Completion rate orgânico é proxy de qualidade para o algoritmo de ads
+
+### Penalidades Conhecidas (Instagram 2025-2026)
+
+| Comportamento | Impacto |
+|--------------|---------|
+| Marca d'água do TikTok | Redução significativa de distribuição |
+| Resolução < 720p | Penalizado |
+| Texto cobrindo >20% da tela | Pode reduzir alcance |
+| Conteúdo reciclado sem valor | Penalizado |
+| Agregadores (10+ reposts/30d) | Excluídos do sistema de recomendação |
+
+**Penalidade de agregadores (2025-2026):** Contas que repostam conteúdo alheio perderam 60-80% do alcance. Criadores originais ganharam 40-60% de alcance adicional. Relevância para ads: conteúdo original (UGC) performa melhor que reaproveitamento.
+
+### Carrosseis como Formato Dominante (2025-2026)
+
+Dados consolidados:
+- Carrosseis entregam ER médio de **10%** vs imagens únicas (7%) vs Reels (6%)
+- Alcançam **1.4x mais alcance** e **3.1x mais engajamento** que fotos únicas
+- O Instagram adicionou reordenação de slides após publicação
+
+**Implicação para ads:** Carrosseis são o formato orgânico de maior performance. Em Sponsored Content, testá-los como formato primário para objetivos de engajamento e consideração.
+
+### "Your Algorithm" (dez/2025)
+
+Feature que permite usuários ver e controlar tópicos que moldam recomendações em Reels.
+- **Impacto para targeting:** Usuários que usam a ferramenta têm perfis de interesse mais definidos
+- **Sinal de qualidade:** Algoritmo categoriza conteúdo por AI visual/textual, não apenas hashtags
+- Implicação: hashtags perderam relevância como fator de descoberta; conteúdo visual deve "parecer" com o nicho
+
+---
+
+## TikTok Algorithm — Para Paid Media
+
+### For You Page: Interest Graph
+
+O TikTok usa **interest graph** (o que você assiste), não social graph (quem você segue). Para ads:
+- Qualquer ad de qualquer conta pode ser servido a qualquer usuário
+- A qualidade do criativo determina quem vê o ad
+- Targeting broad + criativo forte = eficiência máxima
+
+### Sinais Algorítmicos (Tier System)
+
+**Tier 1 — Sinais de Conteúdo (peso mais alto):**
+- **Completion Rate** — O sinal mais poderoso. 100% completion = maior boost possível
+- **Watch Time Total** — 60s assistido por 55s pode superar 15s assistido 100%
+- **Shares** — DM shares são sinais extremamente fortes
+- **Comments** — Comentários longos e detalhados pesam mais que emojis
+- **Profile Visits After Watching** — Sinal forte de interesse
+
+**Tier 2 — Sinais do Usuário:**
+- Histórico de interações, conteúdo criado, "Not Interested" (sinal negativo forte)
+
+**Tier 3 — Dispositivo/Conta:**
+- Idioma, localização, tipo de dispositivo (proxy de poder aquisitivo)
+
+### Sistema de Batch Testing (Pool Testing)
+
+Mecanismo de distribuição em "ondas":
+
+```
+Pool 1 (~200-500 views): Grupo pequeno e diverso
+  ↓ completion rate > ~50% e engagement > baseline
+Pool 2 (~1.000-5.000 views): Audiência maior com interesses similares
+  ↓ métricas se mantêm ou melhoram
+Pool 3 (~10.000-100.000 views): Distribuição ampla, diversidade geográfica
+  ↓ viral potencial
+Pool 4+ (~100K-milhões): Distribuição massiva cross-geográfica
+```
+
+**Para In-Feed Ads:** O mesmo mecanismo se aplica. Um ad que não performar no Pool 1 é suprimido — o criativo determina se o ad é escalado pelo algoritmo organicamente.
+
+**Insight crítico:** Um ad pode "ressuscitar" dias depois. O TikTok periodicamente retesta conteúdo. Não pausar ads prematuramente sem dados suficientes.
+
+### Monolith Paper (ByteDance, 2022)
+
+Arquitetura técnica do sistema de recomendação TikTok:
+- **Real-time training:** Modelo treinado continuamente (não em batches diários). Adapta-se quase instantaneamente a tendências
+- **Collisionless embedding:** Inovação em representação de features que evita colisões de hash
+- **Feature eviction:** Features antigas descartadas automaticamente
+- **Escala:** Processa bilhões de interações por dia em tempo real
+
+**Implicação prática:** Tendências no TikTok têm ciclo de vida de horas/dias, não semanas. Creative refresh semanal é o mínimo recomendável.
+
+### Otimização de Criativos TikTok
+
+| Elemento | Recomendação | Por Quê |
+|----------|-------------|---------|
+| **Primeiros 2-3s** | Hook visual imediato | Skip rate nos primeiros segundos suprime o ad |
+| **Duração** | 15-30s (completion rate) ou 60s+ (watch time total) | Ambos válidos com métricas diferentes |
+| **Áudio trending** | Usar sons em tendência | Um dos boosts mais consistentes |
+| **Texto na tela** | Overlay text e legendas | Indexado para categorização (hashtags implícitas) |
+| **Hashtags** | Nicho específico | Para categorização, não descoberta (#fyp é irrelevante) |
+| **AIGC disclosure** | Obrigatório | Risco de rejeição sem sinalização |
+
+---
+
+## YouTube Algorithm — Para Paid Media
+
+### Fórmula Fundamental: CTR x AVD
+
+**CTR (Click-Through Rate):** % de pessoas que veem a thumbnail/título e clicam
+**AVD (Average View Duration):** Tempo médio que espectadores assistem
+
+```
+CTR alto + AVD alto = máxima performance algorítmica
+CTR alto + AVD baixo = clickbait (penalizado)
+CTR baixo + AVD alto = bom conteúdo com packaging fraco
+```
+
+**Para YouTube Ads:**
+- Thumbnail/opening frame = equivalente ao CTR de outros canais
+- Se o usuário não clica em "pular" após 5s = signal de qualidade
+- Hook nos primeiros 5s é crítico para skippable ads
+
+### Superficies de Descoberta e Ads
+
+| Superficie | % do Tráfego | Tipo de Ad Relevante |
+|-----------|-------------|---------------------|
+| **Browse (Homepage)** | 40-60% | Display/Overlay ads |
+| **Suggested (Watch Next)** | 30-40% | In-stream skippable |
+| **Search** | Variável | TrueView for Action |
+| **Shorts** | Crescendo | YouTube Shorts Ads (6s-60s) |
+
+### YouTube Shorts (2025-2026 Updates)
+
+- **Duração estendida:** Shorts agora suportam até 3 minutos
+- **Nova contagem de views:** Loop conta como view adicional (infla contagens passivas)
+- **Separação algorítmica:** Motor completamente separado do long-form
+- **Browse Feed:** Homepage reduziu de ~12 para ~2 videos long-form, priorizando Shorts
+- **Filtro de busca dedicado (jan/2026):** Shorts como resultado de busca de primeira classe
+
+**Para YouTube Shorts Ads:**
+- Crescimento explosivo: 200B views/dia (jun/2025 — vs 70B em mar/2024 = +186%)
+- Completion rate e swipe-through rate são sinais dominantes
+- Criativos nativos (parecer conteúdo, não publicidade) têm melhor performance
+
+### DNN Paper (Google, 2016) — Fundamento da Recomendação
+
+"Deep Neural Networks for YouTube Recommendations" (Covington, Adams & Sargin):
+
+**Two-Stage Architecture:**
+1. **Candidate Generation:** Reduz milhões de videos a centenas de candidatos via collaborative filtering
+2. **Ranking:** Rankeia candidatos com features detalhadas (watch time, engagement, freshness, upload frequency)
+
+**"Example Age" feature:** A "idade" do vídeo é incluída como feature — o modelo aprende o decaimento natural de relevância.
+
+**Para anunciantes:** Entender que o YouTube otimiza para watch time (não cliques) explica por que ads com maior AVD têm menor CPV ao longo do tempo.
+
+### Satisfaction Surveys — "Responsible Recommendation"
+
+O YouTube usa surveys in-app para calibrar o algoritmo além do watch time:
+- Conteúdo "junk food" (clickbait) pode ter alto watch time mas baixa satisfação
+- **Satisfaction signals > watch time bruto (2026)** — comportamento pós-visualização é novo sinal primário
+- **Para ads:** Criativos que geram satisfação real (não apenas retenção) terão melhor distribuição de longo prazo
+
+---
+
+## LinkedIn Algorithm — Para Paid Media
+
+### Sinais de Ranking (B2B Context)
+
+**1. Dwell Time (Tempo de Permanência) — Sinal #1:**
+- Mede quanto tempo o usuário gasta lendo um post, mesmo sem interagir
+- "Qualified dwell time" vs "passive dwell time" (aba inativa)
+- Post com 30s+ dwell médio = alta qualidade algorítmica
+
+**2. Comentários Significativos:**
+- Comentários longos (50+ chars): peso alto
+- Comentários curtos (emoji, "ótimo post!"): peso baixo
+- O LinkedIn penaliza engagement bait explícito (pedido de "comente SIM")
+
+**3. Compartilhamentos com Comentário:**
+- Repost simples: peso baixo
+- Share com comentário substancial: peso muito maior
+
+**4. Saves e Sends (final 2025):**
+- LinkedIn adicionou Saves e Sends às analíticas de posts
+- Sinal que esses comportamentos são valorizados algoritmicamente
+
+### SSI (Social Selling Index)
+
+Métrica LinkedIn de 0-100 em 4 dimensões:
+1. Establishing Professional Brand (perfil completo, conteúdo)
+2. Finding Right People (uso de search e InMail)
+3. Engaging with Insights (interação com conteúdo relevante)
+4. Building Relationships (profundidade das conexões)
+
+**Para ads:** Perfis com SSI alto recebem maior alcance orgânico. Executivos com SSI alto são melhores candidatos para Thought Leadership Ads.
+
+### Tipos de Conteúdo por Performance (LinkedIn)
+
+| Formato | Alcance | Engajamento | Melhor Para |
+|---------|---------|-------------|------------|
+| **Documento/Carrossel** | Alto | Alto | Educacional, frameworks, listas |
+| **Texto puro (longo)** | Médio-Alto | Médio | Storytelling, opinião |
+| **Imagem + texto** | Médio | Médio | Notícias, celebrações |
+| **Video nativo** | Médio | Médio-Baixo | Entrevistas, bastidores |
+| **Link externo** | Baixo | Baixo | O LinkedIn penaliza links externos |
+| **Newsletter** | Muito Alto (via email) | Alto | Conteúdo recorrente |
+
+**Implicação para Sponsored Content:** Documentos/carrosseis e texto longo são os formatos orgânicos de maior alcance. Boostá-los via ads tem o melhor ratio orgânico:pago.
+
+### Mudanças 2025-2026
+
+- **Filtro anti-automação:** Posts com padrões de automação podem ter visibilidade limitada
+- **Expert-led content:** Algoritmo prioriza frameworks, análises de indústria, insights de especialistas
+- **Hashtags:** Limitar a 1-3 tags altamente relevantes (excesso = flag de spam)
+
+---
+
+## Twitter/X Algorithm — Para Paid Media
+
+### For You vs Following
+
+| Feed | Conteúdo | % Recomendado |
+|------|---------|--------------|
+| **For You** | Algorítmico | ~50% de fora da rede |
+| **Following** | Cronológico | 100% de contas seguidas |
+
+### Código Open-Source (Pesos Revelados)
+
+O X tornou o algoritmo open-source em março/2023. Pesos relativos:
+
+| Sinal | Peso Aproximado |
+|-------|----------------|
+| **Reply (resposta)** | 1x (baseline) |
+| **Like/Favorito** | 0.5x |
+| **Retweet/Repost** | 1x |
+| **Quote Tweet** | 1x |
+| **Bookmark** | Confirmado como sinal |
+| **Tempo de leitura** | Peso crescente |
+
+**Boost factors:**
+- Imagens: ~2x boost sobre texto puro
+- Video: ~2x boost
+- Links externos: penalidade (o X quer manter usuários)
+- X Premium subscribers: ~4x boost no ranking (pay-to-play)
+
+**Para anunciantes X:** A plataforma tem distribuição menor (~22M MAU Brasil vs 131M TikTok). Alocação de budget justificada apenas para audiências muito específicas (jornalistas, tech, finanças, política).
+
+---
+
+## Teoria de Sistemas de Recomendação
+
+### Collaborative Filtering
+
+**User-based:** "Usuários similares a você gostaram de X → você provavelmente vai gostar"
+**Item-based:** "Itens frequentemente consumidos juntos são similares"
+**Matrix Factorization:** Decompõe matriz usuário-item em fatores latentes (Netflix Prize 2009)
+
+### Content-Based Filtering
+
+Analisa propriedades do conteúdo:
+- **NLP para texto:** Análise de tópicos, sentimento, entidades nomeadas
+- **Computer Vision:** Classificação de objetos, cenas, rostos em imagens/video
+- **Audio analysis:** Gênero musical, BPM, sentimento
+- **Metadata:** Tags, categorias, hashtags, duração
+
+**Vantagem:** Resolve cold start problem para novos itens. Sem histórico de engagement necessário.
+
+### Two-Tower Models (Arquitetura Dominante)
+
+```
+User Tower:                    Content Tower:
+[histórico]                    [tipo de conteúdo]
+[demographics]      -->        [features visuais]        --> Similarity Score
+[interações]        Embedding  [features textuais]       Embedding
+[dispositivo]                  [engagement stats]
+```
+
+Usado por Instagram Explore, YouTube e TikTok. Embeddings pré-computados + approximate nearest neighbors (ANN) = escala para bilhões de usuários.
+
+### Multi-Armed Bandits — Exploration vs Exploitation
+
+O algoritmo precisa decidir entre:
+- **Exploitation:** Mostrar conteúdo que sabidamente o usuário gosta (alta probabilidade imediata)
+- **Exploration:** Mostrar conteúdo novo/diferente para descobrir novos interesses
+
+**TikTok:** ~15-20% da FYP é conteúdo exploratório. Isso explica por que anúncios de nichos inesperados aparecem — e funcionam.
+
+**Epsilon-Greedy:** Com probabilidade ε, mostra conteúdo aleatório; caso contrário, mostra o melhor conhecido.
+
+**Thompson Sampling:** Abordagem bayesiana — naturalmente balanceia exploração e explotação sem parâmetro ε.
+
+### Cold Start Problem
+
+**Cold Start de Usuário (novo sem histórico):**
+- Onboarding quiz (TikTok pergunta interesses)
+- Conteúdo popular como default
+- Demograficos como proxy
+
+**Cold Start de Conteúdo (novo post/ad sem engagement):**
+- Content-based features (análise do conteúdo)
+- Creator features (histórico de performance)
+- Batch testing para grupo aleatório (TikTok)
+- Topic matching via NLP/CV
+
+**Para ads:** Contas de anunciantes sem histórico de performance pagam CPMs mais altos inicialmente. Com histórico positivo, o algoritmo favorece e o CPM decresce.
+
+---
+
+## Cross-Platform Organic + Paid Synergy
+
+### Formato Nativo por Plataforma
+
+| Plataforma | Formato Orgânico Favorecido | Formato Penalizado |
+|-----------|----------------------------|--------------------|
+| **Instagram** | Reels, Carrosseis | Links externos, texto puro |
+| **TikTok** | Video vertical (9:16), trending audio | Conteúdo com watermark TikTok |
+| **YouTube** | Long-form (8-20 min), Shorts (novos) | Videos <4 min em long-form |
+| **LinkedIn** | Documentos/Carrosseis, texto longo | Links externos, posts corporativos |
+| **X/Twitter** | Threads, imagens, video curto | Links externos (penalizado) |
+| **Facebook** | Reels, posts em Groups | Links, posts de Pages |
+
+### Repurposing Framework
+
+1. Criar peça "master" (video longo ou artigo)
+2. Extrair clips para Reels/TikTok/Shorts
+3. Transformar insights em carrosseis para Instagram/LinkedIn
+4. Criar threads para X
+5. Adaptar versão para formato/cultura de cada plataforma
+
+**Performance cross-posting direto vs nativo:**
+- Cross-posting direto (mesma peça): 30-50% menor performance
+- Conteúdo nativo por plataforma: ideal mas exige mais recursos
+- Repurposing com adaptação: melhor custo-benefício