Desde meados de 2023, gestores de tráfego que acompanham de perto as campanhas de Facebook e Instagram Ads notaram alterações sutis - mas persistentes - no comportamento das entregas. CPMs oscilando fora dos padrões históricos, fases de aprendizado mais voláteis e, em alguns casos, públicos personalizados que antes performavam bem passando a entregar resultados irregulares. A causa? O projeto Andrômeda, uma rearquitetura profunda do sistema de leilão e entrega de anúncios do Meta, implementada de forma gradual e silenciosa, sem o alarde de lançamentos oficiais ou atualizações anunciadas no Business Help Center.
O Andrômeda não é uma feature isolada que você ativa ou desativa no painel. É a infraestrutura de machine learning que agora decide, em milissegundos, quais anúncios mostrar, para quem, e por quanto. Diferente de ajustes algorítmicos pontuais do passado, essa mudança redefine a lógica de relevância, altera a forma como o sistema processa sinais de dados primários e introduz novos critérios de ranqueamento que exigem adaptações estruturais nas campanhas ativas. Ignorar essas mudanças não é opção: contas que mantêm configurações herdadas de 2021-2022 enfrentam custo por resultado inflado e volatilidade de entrega que nenhum teste criativo resolve.
Este artigo detalha o que é o Andrômeda, como ele opera, e quais ajustes técnicos você precisa implementar agora para manter - ou recuperar - eficiência nas suas campanhas de Meta Ads.
O que é o projeto Andrômeda do Meta Ads?
O projeto Andrômeda é o nome interno dado pelo Meta à reconstrução do sistema de entrega de anúncios, unificando os motores de machine learning que antes operavam em silos (Feed, Stories, Reels, Messenger) em uma única infraestrutura de predição e leilão. O objetivo declarado pela empresa é acelerar a convergência do modelo de atribuição de valor, reduzindo a dependência de dados de terceiros e aumentando a precisão de predição de conversão mesmo diante das limitações impostas pelo iOS 14+ e outras políticas de privacidade de dados.
Na prática, o Andrômeda substitui o sistema legado de ranqueamento - que ainda carregava componentes do EdgeRank original do Facebook - por uma arquitetura de deep learning capaz de processar centenas de sinais de comportamento em tempo real, incluindo interações cross-device, histórico de compras via pixel e API de Conversões, e padrões de navegação em propriedades do Meta. A mudança não é cosmética: o modelo de leilão passou a considerar novas dimensões de relevância, alterando diretamente o CPM e a forma como o sistema distribui impressões dentro de um conjunto de anúncios.
Origem e objetivos declarados pela Meta
O Andrômeda foi concebido como resposta direta à erosão de sinal de conversão causada pelo App Tracking Transparency (ATT) da Apple. Com mais de 70% dos usuários de iPhone optando por não compartilhar dados entre apps, o Meta perdeu visibilidade sobre grande parte do funil de conversão que antes alimentava seus modelos de otimização. O projeto Andrômeda busca compensar essa perda substituindo volume de dados por qualidade de sinal - daí a ênfase em first-party data, eventos enviados via API de Conversões, e modelagem estatística de conversões que o pixel não captura diretamente.
Além da compensação de sinal, o Meta declarou publicamente que o Andrômeda visa reduzir o tempo de estabilização de campanhas. No sistema anterior, a fase de aprendizado exigia 50 conversões por conjunto de anúncios em 7 dias; no novo modelo, o algoritmo consegue estabilizar mais rápido quando recebe sinais de qualidade - mas penaliza severamente estruturas fragmentadas ou contas com implementação deficiente de rastreamento. A contrapartida é clara: quem investe em consolidação de conjuntos de anúncios e configuração técnica robusta ganha eficiência; quem mantém práticas antigas enfrenta custos crescentes e volatilidade.
Como o Andrômeda se diferencia do algoritmo anterior de entrega
A diferença central está na arquitetura de predição. O sistema legado usava um modelo de dois estágios: primeiro ranqueava anúncios por probabilidade de engajamento (clique, comentário, share), depois aplicava uma camada de conversão. O Andrômeda opera em estágio único, calculando diretamente o valor esperado de cada impressão - uma métrica que incorpora probabilidade de conversão, valor médio do pedido e qualidade da experiência do usuário após o clique. Isso significa que criativos com alta taxa de clique mas baixa conversão são penalizados de forma mais agressiva do que antes.
Outra mudança estrutural é a forma como o sistema processa sinais de público. No modelo anterior, segmentações detalhadas (interesses, comportamentos, públicos personalizados) funcionavam como filtros rígidos que restringiam o inventário disponível. No Andrômeda, essas segmentações funcionam mais como sugestões de ponto de partida: o algoritmo inicia a entrega dentro dos parâmetros definidos, mas expande ou contrai o alcance com base em padrões de resposta, usando automação de público de forma nativa. Isso explica por que campanhas de Advantage+ Shopping - que delegam integralmente a seleção de público ao sistema - passaram a performar melhor do que estruturas manuais altamente segmentadas em muitos cenários.
Por fim, o Andrômeda introduz lógica de leilão dinâmico por contexto de navegação. O mesmo usuário pode representar valores de lance diferentes dependendo se está navegando no Feed, assistindo Reels ou checando Stories, porque o sistema calcula probabilidade de conversão específica para cada superfície. Isso fragmenta menos o orçamento entre posicionamentos, mas exige que os criativos sejam versáteis o suficiente para performar bem em múltiplos formatos - um ponto crítico de relevância de criativo no novo modelo.
Mudanças no algoritmo de entrega de anúncios
O sistema de entrega do Andrômeda alterou três pilares fundamentais: a mecânica do leilão de anúncios, os critérios de avaliação de relevância e o peso atribuído a sinais de dados primários. Cada um desses pilares impacta diretamente métricas operacionais - CPM, CPC, taxa de conversão - e exige ajustes na forma como campanhas são estruturadas e otimizadas.
Novo modelo de leilão e impacto no CPM
O leilão do Andrômeda opera em microsegundos, recalculando o valor de lance a cada oportunidade de impressão com base em três fatores: lance do anunciante (bid), taxa estimada de ação (CTR × CVR projetado) e qualidade da experiência pós-clique. A novidade está na ponderação dinâmica desses fatores. No sistema anterior, um lance alto compensava relevância mediana; no Andrômeda, um anúncio com relevância baixa precisa de lance desproporcionalmente maior para ganhar impressão, porque o sistema penaliza criativos que geram cliques mas não convertem ou que direcionam para landing pages de carregamento lento.
Essa mudança explica o fenômeno de CPM pós-atualização em contas que não ajustaram estrutura. Anunciantes que mantêm campanhas com múltiplos conjuntos de anúncios disputando o mesmo público, ou que usam criativos genéricos em campanhas de conversão, veem o CPM subir porque o sistema está forçando lances mais altos para compensar a baixa probabilidade de resultado. Inversamente, contas que consolidaram conjuntos e investiram em criativos testados em sinal de evento de qualidade reportam CPMs estáveis ou em queda, porque o Andrômeda recompensa previsibilidade de conversão.
Um efeito colateral importante: o CPM deixou de ser métrica confiável para comparar eficiência entre campanhas de objetivos diferentes. Campanhas de tráfego têm CPMs baixos porque o sistema sabe que o custo de oportunidade de mostrar um anúncio de tráfego é baixo; campanhas de conversão têm CPMs mais altos porque disputam inventário de maior valor. O que importa agora é custo por resultado final (CPA, ROAS), não CPM isolado.
Alterações na forma como o sistema avalia relevância
Relevância, no Andrômeda, é uma função de três componentes: qualidade esperada do criativo, taxa de conversão esperada e qualidade da experiência pós-clique. O sistema atribui uma pontuação preditiva a cada anúncio antes mesmo da primeira impressão, usando dados históricos da conta, do domínio de destino e de padrões agregados de comportamento do público-alvo. Isso significa que um anúncio novo de uma conta com histórico ruim de conversão começa em desvantagem estrutural - o custo de aprendizado é maior.
O componente de qualidade esperada do criativo avalia não apenas engajamento (curtidas, comentários), mas também taxa de conclusão de vídeo, densidade de texto em imagem, e até mesmo se o criativo já foi usado em outras contas (criativos reciclados são penalizados). O sistema também detecta padrões de "clickbait" - promessas no criativo que não se concretizam na landing page - e aplica penalidades de relevância que aumentam o custo por clique de forma permanente.
O componente de experiência pós-clique vai além do Page Speed: o Andrômeda rastreia se usuários retornam ao Facebook/Instagram imediatamente após clicar no anúncio (sinal de frustração), se completam formulários, e se o domínio de destino tem histórico de reclamações de usuários. Landing pages que exigem múltiplos cliques até a conversão ou que têm taxas de rejeição acima da média do setor são penalizadas com CPCs mais altos, mesmo que a campanha esteja otimizada para conversão no site.
O papel dos sinais de dados primários (first-party data)
O Andrômeda eleva first-party data de "recomendado" para "essencial". Contas que enviam eventos de conversão apenas via pixel - sem implementar a API de Conversões - enfrentam desvantagem estrutural na modelagem de conversão, porque o sistema não consegue atribuir valor a impressões que geraram conversões offline ou que passaram por múltiplos dispositivos. A API de Conversões fecha esse gap enviando eventos diretamente do servidor do anunciante para o Meta, contornando bloqueadores de rastreamento e enriquecendo o sinal com dados que o pixel jamais capturaria.
Na prática, a diferença é mensurável. Testes controlados mostram que campanhas com API de Conversões configurada corretamente saem da fase de aprendizado 30-40% mais rápido e apresentam CPA 15-25% menor em relação a campanhas idênticas rodando apenas com pixel. Isso ocorre porque o sistema consegue fechar o loop de atribuição com mais confiança, ajustando lances de forma mais precisa e reduzindo desperdício de orçamento em segmentos que aparentam promissores mas não convertem.
Além dos eventos de conversão, o Andrômeda valoriza sinais de engajamento de longo prazo: lifetime value de clientes adquiridos via Meta Ads, taxa de recompra, e até mesmo net promoter score quando integrado via CRM. Contas que enviam esses sinais enriquecidos via API conseguem treinar o modelo de otimização com objetivos de negócio reais, não apenas proxies de conversão - o que resulta em públicos lookalike mais qualificados e automação de público mais alinhada à rentabilidade, não só a volume de conversões.
Impacto prático nas campanhas ativas
A transição para o Andrômeda não é teórica - gestores de tráfego com campanhas ativas relatam mudanças concretas em comportamento de entrega, custo por resultado e estabilidade de desempenho. Compreender esses impactos práticos permite antecipar ajustes e evitar quedas bruscas de performance.
Campanhas de conversão: o que esperar na fase de aprendizado
A fase de aprendizado no Andrômeda continua exigindo aproximadamente 50 eventos de conversão em 7 dias por conjunto de anúncios, mas o sistema agora é mais sensível à qualidade desses eventos. Conversões de baixo valor (micro-conversões como view content ou add to cart) não aceleram o aprendizado da mesma forma que conversões finais (purchase, lead qualificado). Isso significa que campanhas otimizadas para eventos de topo de funil demoram mais para estabilizar e apresentam volatilidade de CPM maior durante o aprendizado.
Outro padrão observado: o Andrômeda reage de forma mais agressiva a edições durante a fase de aprendizado. Mudar criativo, ajustar lance, ou alterar segmentação de público reinicia o aprendizado de forma mais penalizante do que no sistema anterior. A recomendação prática é consolidar testes na fase de planejamento e evitar intervenções nos primeiros 4-5 dias após o lançamento de um conjunto, mesmo que os resultados iniciais pareçam ruins. O sistema precisa de tempo para explorar diferentes segmentos de público antes de convergir na combinação ótima.
Campanhas que nunca saem da fase de aprendizado - geralmente por causa de orçamento insuficiente ou fragmentação excessiva em múltiplos conjuntos - agora enfrentam penalidades de custo permanentes. O Andrômeda interpreta instabilidade crônica como sinal de baixa qualidade de campanha e aumenta o CPM de forma estrutural. A solução é consolidação de conjuntos de anúncios: agrupar públicos similares em um único conjunto com orçamento maior, em vez de segmentar em múltiplos conjuntos pequenos que competem entre si.
Públicos personalizados e lookalike sob o novo sistema
Públicos personalizados baseados em listas de clientes (e-mail, telefone) ganharam peso no Andrômeda, porque representam first-party data puro. Lookalikes gerados a partir dessas listas - especialmente quando enriquecidas com eventos de API de Conversões - performam melhor do que lookalikes baseados em engajamento de página ou pixel, porque o sistema consegue modelar padrões de conversão com mais confiança. A recomendação é priorizar lookalikes de compradores de alto valor (top 25% de LTV) em vez de lookalikes genéricos de "todos os clientes".
Por outro lado, públicos personalizados baseados em engajamento (visualizações de vídeo, interações com posts) perderam eficácia relativa. O Andrômeda entende que engajamento em conteúdo orgânico não prediz conversão em anúncios pagos, então trata esses públicos de forma similar a públicos amplos. Se antes um público de "quem assistiu 75% do vídeo X" tinha vantagem clara de CPM, agora essa vantagem é marginal - o que importa é o histórico de conversão da conta no segmento que o público representa.
A erosão de dados do iOS também afeta a qualidade dos públicos personalizados. Listas de remarketing baseadas em pixel de contas sem API de Conversões estão subnotificadas (missing 30-50% dos eventos reais), o que resulta em lookalikes menos precisos e em exclusões de público que não funcionam corretamente. A solução é implementar correspondência avançada no pixel (enviar e-mail/telefone hashados em cada evento) e configurar a API para capturar conversões que o pixel perdeu.
Criativos: quais formatos o Andrômeda favorece
O Andrômeda não tem preferência declarada por formato (imagem, vídeo, carrossel), mas o sistema detecta e recompensa criativos que mantêm atenção e g