No-show preditivo por canal de origem: como decidir onde investir a verba de anúncio da clínica odontológica?

"Como usar o no-show preditivo por canal de origem para decidir onde investir a verba de anúncio da minha clínica?"

Você olha o relatório da agência, vê o CPL de cada canal e redireciona a verba para o mais barato. Na semana seguinte, a agenda continua com furos. Cadeiras vazias. Pacientes que agendaram e não apareceram.

O problema não está no anúncio. Está no que acontece DEPOIS do clique, e em qual canal gerou aquele lead.

A maioria das clínicas não rastreia o canal de origem do lead até o comparecimento. Perdem a atribuição no meio do caminho (anúncio, WhatsApp, agendamento, consulta) e ficam cegas para decidir verba. Modelos preditivos de no-show existem e funcionam, mas nenhum deles inclui o canal de origem como variável. Esse é o gap.

Quando você cruza CPL por canal com taxa de agendamento e taxa de comparecimento esperada, chega ao custo real por paciente na cadeira. E essa conta, quase sempre, inverte a decisão que o CPL sozinho sugere.

Neste guia você vai ver:

• O que é no-show preditivo e quais variáveis os modelos atuais usam (e qual falta)
• Estatísticas de no-show odontológico no Brasil e no mundo com fonte
• Por que o canal de origem do lead é o fator cego dos modelos
• Como o comportamento pós-clique por canal antecipa o comparecimento
• O cálculo do custo real por paciente na cadeira (CPL x agendamento x comparecimento)
• Como realocar verba sem cair na armadilha do CPL barato
• O que impede a maioria das clínicas de fazer essa conta hoje

O que é no-show preditivo e como funciona

No-show preditivo é um modelo que estima a probabilidade de um paciente faltar ANTES da consulta acontecer. Em vez de reagir depois (ligar para remarcar, perder a cadeira), a clínica age antes: confirma, liga, faz overbooking seletivo nos horários de maior risco.

Os modelos usam variáveis como:

• Histórico de faltas anteriores do paciente (o preditor mais forte na maioria dos estudos)
• Tempo de antecedência do agendamento (quanto mais longe, mais chance de faltar)
• Dia da semana e horário da consulta
• Especialidade ou procedimento agendado
• Confirmação por SMS (se respondeu ou não)

Um estudo publicado na PMC/National Library of Medicine desenvolveu modelos de machine learning para prever no-show em consultas odontológicas e alcançou, no melhor resultado, AUC de 0,718 e F1 score de 66,5%, superando a baseline em mais de 55% de F1. O estudo usou dados de agendamento (data, hora, duração, confirmação por SMS, médico), sem incluir canal de origem ou fonte de aquisição do paciente.

Funciona. Mas repare no que está faltando na lista de variáveis.

O que os modelos preditivos NÃO medem: o canal de origem do lead

Nenhum dos modelos publicados até agora usa o canal de origem do lead (Google Ads, Meta Ads, WhatsApp, indicação, orgânico) como variável preditiva de no-show.

Isso não é por acaso. Existe uma razão prática: a maioria das clínicas perde a atribuição do canal antes do agendamento. O lead chega por um anúncio no Meta, entra pelo WhatsApp, a secretária agenda no sistema, e quando ele comparece (ou não), ninguém sabe mais de onde veio.

Sem rastrear o canal até a cadeira, é impossível incluir essa variável no modelo. E sem incluir, ninguém sabe se o lead que veio pelo formulário falta mais ou menos do que o que veio pelo WhatsApp.

Esse é o gap. Não é falta de tecnologia de modelagem. É falta de dado conectado de ponta a ponta.

Estatísticas de no-show odontológico: a dimensão do problema

Antes de falar de canal, vale dimensionar o impacto. No-show não é incidente isolado. É uma hemorragia crônica de faturamento.

Um estudo publicado na PMC/National Library of Medicine analisou 196.018 agendamentos odontológicos em uma clínica em Riade, Arábia Saudita, e encontrou taxa de no-show de 42,68%, com 83.663 faltas no dataset.

No Brasil, um estudo com dados de Centros de Especialidades Odontológicas (CEO) encontrou prevalência de 27,7% (IC 95%: 26,8%-28,5%) de pacientes que faltaram a pelo menos uma consulta agendada. Entre os fatores associados estavam idade menor ou igual a 42 anos e participação no programa Bolsa Família, porém o estudo não incluiu canal de aquisição entre as variáveis analisadas.

E na pesquisa Panorama das Clínicas e Hospitais 2025, da Doctoralia em parceria com Feegow (1.048 respondentes em 26 estados brasileiros), o não comparecimento de pacientes foi apontado como o 4o maior desafio de gestão por 22% dos participantes, e 31% das instituições registraram taxa de no-show superior a 11% em 2024.

Três estudos, três recortes, mesma lacuna: em nenhum deles o canal de origem aparece como variável.

Lembre: cada falta é uma cadeira vazia que custou verba de anúncio, tempo de CRC e slot de agenda. O custo do no-show não é só o paciente perdido: é todo o funil que foi gasto para trazer alguém que não apareceu.

Por que o canal de origem é um preditor forte (mesmo sem aparecer nos modelos)

Se o canal de origem não está nos modelos, por que acreditamos que ele importa? Porque os dados de comportamento pós-clique por canal são radicalmente diferentes, e comportamento pós-clique é proxy direto de engajamento e propensão a comparecer.

Nos dados internos da Odonto Results (18 clínicas, 4.936 sessões dentro do atendimento via WhatsApp/IA, março a junho de 2026):

Métrica (in-channel)	WhatsApp CTWA	Formulário Meta	Orgânico
Respondeu à clínica	65,0%	42,2%	77,3%
Tempo mediano até responder	1,8 min	14,0 min	1,0 min
Lead que agenda (in-channel)	16,7%	11,9%	15,7%
Agendado entre respondentes	25,7%	28,2%	20,3%

Os números contam uma história clara: o lead de WhatsApp responde mais rápido e com mais frequência. O lead de formulário demora e responde menos. Mas, entre os que respondem, o formulário converte levemente melhor em agendamento (28,2% contra 25,7%).

O gargalo do formulário não é a qualidade do lead. É fazer ele responder.

E aqui está a ponte com o no-show: um lead que demora 14 minutos para responder e só responde em 42% dos casos demonstra um nível de engajamento inferior. Se o engajamento pré-agendamento é menor, a probabilidade de comparecer tende a acompanhar.

Nenhum estudo publicado ainda comprovou essa correlação direta (canal de origem para no-show), justamente porque a atribuição se perde antes da consulta. Mas os dados pós-clique são o proxy mais forte disponível.

Veja mais sobre o comportamento por canal em WhatsApp ou formulário para clínica odontológica.

Lembrete automático resolve o no-show? Só até certo ponto

Antes de chegar na realocação de verba, vale desarmar uma crença comum: "basta mandar lembrete que o no-show cai."

O estudo com 196.018 agendamentos publicado na PMC/National Library of Medicine argumenta que lembretes automáticos enviados de forma genérica ("blind reminders") têm sucesso limitado sozinhos para reduzir no-show.

Lembrete ajuda. Mas lembrete trata o sintoma, não a causa. Se o lead que agendou era frio, desqualificado ou entrou por impulso de um formulário que não exige nenhum compromisso, o lembrete não conserta a origem do problema.

A eficácia do lembrete varia pouco entre canais de envio (SMS, WhatsApp, e-mail). O que varia muito é a qualidade do lead que recebe o lembrete. E a qualidade do lead depende de como ele chegou: por qual canal, com qual nível de intenção, com qual velocidade de resposta.

Isso reposiciona o problema. Não é "como lembrar melhor" e sim "como trazer lead que comparece."

Veja como a confirmação automática se encaixa no funil em como reduzir o no-show da clínica odontológica.

O cálculo que muda a decisão de verba: custo real por paciente na cadeira

Agora vem a conta que quase nenhuma clínica faz. A maioria decide verba olhando o CPL (custo por lead). Canal mais barato leva mais verba. Mas CPL sozinho é métrica cega: não sabe se o lead agendou, não sabe se compareceu.

A métrica que decide verba de verdade é o custo por paciente na cadeira, que exige três fatores cruzados:

Custo por paciente na cadeira = CPL / taxa de agendamento / taxa de comparecimento

Suponha dois canais hipotéticos (exemplo ilustrativo):

Fator	Canal A	Canal B
CPL	R$ 12,00	R$ 18,00
Taxa de agendamento	12%	20%
Taxa de comparecimento esperada	50%	70%
Custo por paciente na cadeira	R$ 200,00	R$ 128,57

O Canal A é 33% mais barato no CPL. Mas o Canal B custa 36% menos por paciente que comparece.

Se você decide verba pelo CPL, coloca mais dinheiro no Canal A. Se decide pelo custo por paciente na cadeira, inverte a alocação. A resposta muda completamente dependendo de qual métrica você usa.

Nos dados internos da Odonto Results (50 clínicas, 779 campanhas Meta, 36 meses rolantes), o CPL mediano de WhatsApp foi R$13,35 e o de formulário R$11,86, com faixas sobrepostas e sem vencedor estrutural entre os dois canais. O formulário custa centavos a menos por lead, mas tem taxa de resposta menor (42,2% contra 65,0% no WhatsApp). Na ponta, a diferença de CPL pode se inverter quando você multiplica pela taxa de agendamento e comparecimento.

Lembre: não pause o canal com CPL mais alto sem olhar a taxa de comparecimento. O canal mais barato no CPL pode ser o mais caro por paciente na cadeira.

Benchmarks de verba: por que eles não ajudam sem o funil completo

Você encontra na internet recomendações genéricas de alocação de verba de marketing: "invista X% do faturamento em Google Ads", "divida 60/40 entre Meta e Google", "SEO é o canal com melhor ROI de longo prazo."

Nenhuma dessas regras inclui a qualidade do lead gerado, a taxa de agendamento ou o comparecimento. São benchmarks de gasto, não de resultado.

Decidir verba por benchmark genérico é como decidir dieta pelo peso médio da população. Não leva em conta a sua clínica, a sua região, o seu mix de procedimentos, o seu atendimento.

O que funciona é medir o funil completo, por canal, na sua operação:

1. Quanto custou o lead (CPL por canal)
2. Quantos leads agendaram (taxa de agendamento por canal)
3. Quantos agendados compareceram (taxa de comparecimento por canal)
4. Quanto custou cada paciente na cadeira (cruzamento dos três)

Com esses quatro números por canal, você tem informação real para decidir verba. Sem eles, está alocando no escuro.

Veja o funil completo com números em funil da clínica odontológica em números.

O que impede a maioria das clínicas de fazer essa conta

Se a conta é simples (CPL x agendamento x comparecimento), por que quase ninguém faz? Porque falta o dado.

O problema não é matemático. É de rastreamento. A jornada anúncio, clique, WhatsApp, agendamento, consulta tem pelo menos três rupturas típicas de atribuição:

• Ruptura 1: anúncio para WhatsApp. O lead clica no anúncio, abre o WhatsApp, mas a origem (campanha, adset, canal) se perde se não houver UTM ou rastreio de CTWA configurado.
• Ruptura 2: WhatsApp para sistema de agenda. A secretária ou CRC agenda no software da clínica, mas não registra de onde o lead veio. O agendamento fica órfão de origem.
• Ruptura 3: agendamento para comparecimento. Mesmo quando a origem chega até o agendamento, o registro de comparecimento (veio ou não) fica em sistema separado ou nem é registrado.

Cada ruptura elimina a possibilidade de medir o funil por canal. E sem medir por canal, não tem como construir modelo preditivo que use canal como variável, nem decidir verba com base em comparecimento.

A solução não é um software novo. É conectar os pontos que já existem: UTM no anúncio, rastreio de origem no CRC/IA, flag de comparecimento no sistema de gestão. Parece trivial, mas a maioria das clínicas não tem essa cadeia fechada.

Modelo de decisão prático: como realocar verba usando comparecimento

Com o funil fechado por canal, a realocação de verba segue uma lógica direta:

1. Calcule o custo por paciente na cadeira para cada canal. CPL / taxa de agendamento / taxa de comparecimento. Use os últimos 60 a 90 dias para ter volume significativo.

2. Ordene os canais do mais barato ao mais caro por paciente na cadeira. Esse ranking provavelmente será diferente do ranking por CPL.

3. Aumente verba no canal com menor custo por paciente na cadeira. Não no canal com menor CPL.

4. Não pause o canal "caro" sem testar. Um canal com CPL mais alto mas comparecimento melhor pode estar subsidiando o resultado. Pausar sem medir o impacto na cadeira é risco.

5. Revise mensalmente. O comportamento do lead muda com sazonalidade, criativo e saturação. A decisão de verba não é fixa: é um ajuste contínuo baseado em dado atualizado.

Esse modelo não exige machine learning. Exige rastreamento de ponta a ponta e uma planilha. A sofisticação não está na ferramenta, está na disciplina de medir até a cadeira.

Para quem quer o painel preditivo completo, veja como montar um score de risco de falta.

O impacto financeiro do no-show: a conta que a clínica ignora

O custo do no-show não é só "um paciente a menos". É uma cadeia de custos que se acumula:

• Verba de anúncio que gerou o lead.
• Tempo de CRC/IA que atendeu, qualificou e agendou.
• Slot de agenda bloqueado que poderia ter sido preenchido.
• Custo fixo da operação (equipe, aluguel, equipamento) que roda independente da cadeira ocupada.

Quando o no-show é alto, você não está "perdendo pacientes". Está pagando para gerar agenda vazia.

E o pior: sem saber de qual canal veio o paciente que faltou, você não sabe ONDE está o vazamento. Pode estar colocando mais verba exatamente no canal que gera mais falta, porque só olha o CPL.

Fechar o rastreamento por canal transforma o no-show de "problema genérico da agenda" em "problema identificável e corrigível por canal".

Veja como a IA pode acionar a CRC quando o risco de falta é alto em IA acionar CRC quando no-show previsto.

O próximo gap: canal de origem como variável preditiva

O estudo que atingiu AUC de 0,718 não usou canal de origem. O estudo brasileiro que encontrou prevalência de 27,7% em CEOs também não. A pesquisa Panorama das Clínicas 2025 da Doctoralia/Feegow não cruza no-show com canal de aquisição.

Nenhum faz porque o dado não existe na maioria das clínicas.

A clínica que fechar esse rastreamento (canal, lead, agendamento, comparecimento) vai ter uma vantagem que não é replicável por quem não mede: saber, com dado, qual canal produz paciente que comparece e qual canal produz cadeira vazia. E vai poder alimentar um modelo preditivo com essa variável que ninguém tem.

Enquanto isso não vira modelo publicado, o proxy está nos dados de comportamento pós-clique: velocidade de resposta, taxa de resposta, taxa de agendamento por canal. Esses dados já existem em quem usa IA de atendimento com rastreamento de origem.

Seu próximo passo

1. Feche o rastreamento do canal até o comparecimento. UTM no anúncio, origem no CRC, flag de comparecimento no sistema. Sem isso, qualquer decisão de verba é no escuro.
2. Calcule o custo por paciente na cadeira por canal. CPL / taxa de agendamento / taxa de comparecimento, últimos 90 dias. Compare com o ranking por CPL e veja se a decisão muda.
3. Revise a alocação de verba pelo custo na cadeira, não pelo CPL. Redistribua verba para o canal que entrega comparecimento, não para o que entrega lead mais barato.

Quer saber como esse rastreamento funciona na prática e quanto ele muda a decisão de verba na sua clínica? Agende uma apresentação.