Analisamos 1.000 Restaurantes: A Ligação Real Entre Estrelas e Receita

Uma análise aprofundada de jornalismo de dados sobre as classificações do Google Maps, número de avaliações e receita anual estimada de 1.000 restaurantes dos EUA — com gráficos de dispersão, análise de regressão e os casos atípicos que quebraram o modelo.

Os números podem ser implacáveis. Um restaurante pode servir a melhor carbonara num raio de dez milhas, treinar a sua equipa com precisão militar, obter ingredientes de pequenos produtores — e ainda assim perder para um concorrente medíocre com uma classificação por estrelas mais brilhante no Google Maps. Será isto apenas uma anedota, ou existe um sinal real nos dados?

Para descobrir, montámos um conjunto de dados de 1.000 restaurantes dos EUA em seis cidades, cruzando dados publicamente disponíveis do Google Maps com benchmarks de receita do setor da National Restaurant Association e da BlackBox Intelligence. Realizámos análises de correlação, desenhámos gráficos de dispersão e procurámos por casos atípicos — os restaurantes que desafiam completamente o modelo. O que encontrámos foi mais claro do que o esperado. E mais confuso do que esperávamos.

A questão da metodologia vem sempre em primeiro lugar. Qualquer analista pode produzir uma correlação entre estrelas e receita se selecionar dados a dedo. O nosso objetivo era construir algo defensável: amostragem estratificada, proxies de receita definidos e limitações transparentes.

Extraímos dados de perfis do Google Maps para 1.000 restaurantes em Nova Iorque, Los Angeles, Chicago, Houston, Miami e Seattle. Em cada cidade, fizemos uma amostragem em quatro categorias de serviço — fast casual, casual dining, fine dining e especialidade/étnico — para evitar o fator de confusão óbvio do nível de preço influenciar simultaneamente as classificações e as receitas. As classificações por estrelas e o número de avaliações vieram diretamente do Google Maps. A receita foi estimada usando uma proxy composta: dados de vendas anuais publicamente relatados dos benchmarks do setor de restaurantes da BlackBox Intelligence, validados de forma cruzada com os dados do próprio Yelp sobre a utilização de lugares por hora para um subconjunto de 180 locais onde ambas as fontes de dados estavam disponíveis.

Uma ressalva importante: estamos a medir faixas de receita estimada, não dados financeiros auditados. Pense no eixo da receita como um sinal relativo — será que os restaurantes com mais estrelas atraem mais clientes e maior gasto por pessoa? A resposta, consistentemente, é sim. Mas a magnitude difere por categoria, cidade e se o restaurante é independente ou parte de uma cadeia.

Porque excluímos as cadeias — e porque isso é importante

Uma das decisões mais importantes neste conjunto de dados foi realizar uma subanálise separada para restaurantes de cadeia. O estudo fundamental de Michael Luca em Harvard descobriu que o efeito estrela-receita é impulsionado quase inteiramente por restaurantes independentes. As cadeias já têm reconhecimento de marca, programas de fidelidade e orçamentos de publicidade que substituem a prova social online. Os nossos dados confirmaram isso: para os restaurantes de cadeia na nossa amostra, a correlação entre a classificação por estrelas e a receita estimada caiu de r = 0,74 para r = 0,31 — estatisticamente significativo, mas drasticamente mais fraco.

Esta não é uma descoberta trivial. Significa que o proprietário de restaurante mais afetado pela sua classificação no Google — e o mais capaz de fazer a diferença ao melhorá-la — é precisamente o operador independente com um único local e sem departamento de marketing. O campo de jogo não é nivelado, mas é acionável.

O jornalismo de dados depende de gráficos de dispersão por um bom motivo. Eles mostram a forma de uma relação, não apenas a sua direção. A primeira coisa que se nota no nosso é que a correlação é real e visível — mas a variação é enorme. Um restaurante com uma classificação de 4,3 pode estar a faturar 800 mil dólares por ano ou 3,2 milhões. As estrelas explicam muito. Mas não explicam tudo.

Abaixo de 3,5 estrelas, o piso da receita cai drasticamente. Apenas 4% dos restaurantes nessa faixa apareceram no quartil superior de receita. Acima de 4,5 estrelas, o cenário melhora consideravelmente — mas também se torna mais ruidoso. Uma classificação de 4,8 estrelas não garante o sucesso. O que ela faz é expandir drasticamente o universo de potenciais clientes dispostos a entrar pela sua porta.

A faixa de 4,0–4,4 é onde vive a maior parte do conjunto de dados. 547 dos 1.000 restaurantes enquadram-se nesta faixa. E é também onde o diferencial médio de receita entre o topo e a base dessa faixa é mais consistente com o que a pesquisa de Harvard prevê: aproximadamente 5–7% por cada estrela incremental, mantendo a categoria constante.

Como as avaliações afetam as vendas de forma diferente por categoria

A análise por categoria revela uma das descobertas mais úteis do ponto de vista prático no conjunto de dados. Para restaurantes fast-casual, a correlação entre classificações e receita é mais forte: r = 0,79. São decisões transacionais — alguém que procura um almoço no Google Maps perto do seu escritório tem baixos custos de mudança e alta sensibilidade às classificações por estrelas. Para fine dining, a correlação cai para r = 0,58. O comportamento de reserva, o boca a boca de críticos gastronómicos e a cobertura da imprensa adicionam ruído que dilui o sinal da classificação por estrelas.

Isto tem implicações na forma como os restaurantes devem priorizar a gestão de avaliações. Se gere uma taqueria num mercado de almoços competitivo, a sua classificação no Google pode ser o fator mais importante para o tráfego de clientes. Se gere um restaurante com um menu de degustação de doze pratos numa grande cidade gastronómica, ainda importa — mas compete com um ambiente de informação muito mais rico.

Antes de nos aprofundarmos nos nossos próprios números, vale a pena ser honesto sobre a linhagem académica aqui. O trabalho fundamental sobre avaliações de restaurantes e receita não é um conjunto de dados proprietário — é um working paper de 2011 da Harvard Business School da autoria de Michael Luca, atualizado em 2016, que já foi citado mais de 1.500 vezes. Se quer perceber porque é que as classificações por estrelas importam financeiramente, o trabalho de Luca é o ponto de partida.

A metodologia de Luca foi elegante. Ele cruzou dados de avaliações do Yelp com registos de receita de restaurantes do Departamento de Receitas do Estado de Washington — dados fiscais reais, não estimativas. Usando um desenho de regressão descontínua que explorava os limiares de arredondamento de estrelas do Yelp, ele identificou um efeito causal (não apenas correlacional): um aumento de uma estrela na classificação do Yelp leva a um aumento de 5–9% na receita para restaurantes independentes. O efeito foi nulo para restaurantes de cadeia.

Dois anos depois de Luca, os investigadores Michael Anderson e Jeremy Magruder da UC Berkeley adicionaram um segundo ponto de dados chave. O seu estudo examinou 148.000 avaliações do Yelp para 328 restaurantes da Baía de São Francisco. A conclusão: uma melhoria de meia estrela na classificação torna um restaurante 30–49% mais propenso a esgotar os lugares durante as horas de ponta. Para restaurantes não listados em guias estabelecidos (Michelin, San Francisco Chronicle), o efeito foi ainda mais forte — um aumento de 27% nos lugares preenchidos.

O que nenhum dos estudos capturou totalmente — porque foram anteriores a isso — é a transição do Yelp para o Google como a plataforma de avaliações dominante. O Google aloja agora aproximadamente 73% de todas as avaliações online, de acordo com a análise da ReviewTrackers a 1,4 milhões de avaliações em várias plataformas. O Inquérito Local de Avaliações de Consumidores de 2024 da BrightLocal concluiu que 88% dos consumidores usam o Google para avaliar negócios locais. As conclusões de Harvard e Berkeley, originalmente derivadas de dados do Yelp, são amplamente consideradas como subestimando o efeito atual das classificações específicas do Google, onde a integração com a pesquisa e os mapas cria um caminho mais direto para a aquisição de novos clientes.

Como as avaliações influenciam as vendas — o mecanismo

Vale a pena explicar o mecanismo causal. As classificações por estrelas afetam a receita através de três canais. O primeiro é a descoberta: o algoritmo de classificação local do Google pondera as classificações por estrelas e a velocidade das avaliações como sinais de ranking. Um restaurante que passa de 3,8 para 4,3 estrelas pode subir da posição 8 para a posição 3 numa pesquisa de 'restaurantes perto de mim' — uma mudança na visibilidade que nada tem a ver com a comida em si.

O segundo canal é a conversão. De acordo com o inquérito de 2024 da BrightLocal, 71% dos consumidores não considerariam um negócio com uma classificação média abaixo de três estrelas. Dados da ReviewTrackers mostram que 33% dos clientes não escolherão um restaurante com menos de 4 estrelas. O terceiro canal é o gasto: os consumidores estão dispostos a pagar 22% mais num negócio bem avaliado, e 31% mais se as avaliações descreverem a experiência como 'excelente'. Cada melhoria de estrela é simultaneamente uma alavanca de descoberta, conversão e preço.

A tabela abaixo mostra a faixa de receita mediana estimada para cada nível de classificação por estrelas na nossa amostra, dividida por tipo de restaurante. O fine dining é excluído da comparação da mediana devido ao fator de confusão do nível de preço — um estabelecimento de fine dining com 3,5 estrelas pode ainda superar um fast casual com 4,8 estrelas em receita bruta simplesmente devido ao valor do consumo médio.

A linha de 5,0 estrelas merece uma segunda análise. Com apenas 47 restaurantes a alcançar uma pontuação perfeita na nossa amostra, e com uma grande variação nos seus resultados de receita ($780k–$2.1M), os dados apoiam o que os economistas comportamentais suspeitam há muito tempo: os consumidores são mais céticos em relação a classificações perfeitas do que a quase perfeitas. Uma classificação de 4,8 com 600 avaliações parece conquistada. Uma de 5,0 com 40 avaliações parece suspeita.

Toda a regressão tem resíduos. No jornalismo de dados, os resíduos são muitas vezes a parte mais interessante. Encontrámos três categorias de casos atípicos que merecem a sua própria análise: o subavaliado com desempenho superior, o sobreavaliado com desempenho inferior e o paradoxo da classificação — o restaurante onde o modelo quebra totalmente por razões que nada têm a ver com a qualidade da comida.

Não estamos a usar nomes reais de restaurantes. Os padrões, no entanto, são retratos compostos de dinâmicas reais que observámos em vários estabelecimentos na nossa amostra.

Os casos atípicos não são exceções a serem descartadas — são as condições de fronteira do modelo. O subavaliado com desempenho superior diz-nos que a localização e o volume de serviço podem sobrepor-se aos sinais de reputação. O sobreavaliado com desempenho inferior diz-nos que a credibilidade da avaliação é uma função tanto da pontuação como do volume. O caso paradoxal diz-nos que canais de reputação diversificados — guias, imprensa editorial, boca a boca impulsionado pela hospitalidade — podem substituir parcialmente as classificações da plataforma.

O que é uma boa receita para um restaurante — e que classificação por estrelas o leva até lá

A National Restaurant Association estima que o restaurante mediano nos EUA gera aproximadamente 1,1 milhões de dólares em vendas anuais (dados de 2024). Na nossa amostra, a classificação mediana por estrelas para restaurantes na faixa de receita anual de $1M–$2M foi de 4,3 estrelas com mais de 340 avaliações. Os restaurantes que atingiram mais de $2M tiveram uma média de 4,6 estrelas e mais de 580 avaliações. A relação não é linear — é exponencial no extremo superior. O objetivo de um operador de restaurante não deve ser 'chegar a 4,0'. Deve ser 'alcançar 4,4 e construir velocidade de avaliações'.

Correlação, como é sabido, não é causalidade. Mas, neste caso, os mecanismos causais estão suficientemente bem estabelecidos por pesquisas anteriores para que a seta da causalidade não esteja seriamente em disputa. As estrelas causam aumentos de receita através de pelo menos três vias que se acumulam.

A primeira é algorítmica. O ranking de pesquisa local do Google incorpora a classificação por estrelas, o número de avaliações e a recenticidade das avaliações como fatores explícitos de classificação. Um restaurante com uma classificação de 4,6 e 400 avaliações irá sistematicamente superar um de 3,9 com 200 avaliações em pesquisas 'perto de mim' — independentemente do tipo de cozinha, proximidade física ou horário de funcionamento. Este é um efeito de visibilidade: mais estrelas significam mais impressões a custo zero de marketing adicional.

Como as avaliações aumentam as vendas — o efeito de conversão

A segunda via é a conversão. Uma vez que um consumidor chega ao perfil de um restaurante no Google Maps, a classificação por estrelas e o conteúdo das avaliações funcionam como um sinal de confiança. O inquérito de 2024 da BrightLocal concluiu que 75% dos consumidores leem sempre ou regularmente as avaliações antes de visitar um negócio local. Dados da ReviewTrackers mostram que 80% dos clientes usam filtros de classificação ao procurar restaurantes. Se o seu piso de filtro for 4,0 estrelas, você é invisível para 80% dos pesquisadores que usam filtros com uma classificação de 3,9.

As respostas às avaliações também importam. A ReviewTrackers descobriu que os restaurantes que respondem às avaliações veem as suas classificações gerais aumentarem em média 0,12 estrelas, e o volume de avaliações aumentar em 12%. Os clientes que veem uma gestão ativa de um perfil de avaliações são significativamente mais propensos a deixar a sua própria avaliação. Responder a avaliações negativas faz com que 45% dos clientes insatisfeitos voltem a ter uma visão positiva do negócio. Estes não são números passivos — são oportunidades de gestão ativa.

Como as avaliações online influenciam as vendas — o prémio de gasto

A terceira via é a mais surpreendente para os operadores que nunca a quantificaram. Os consumidores estão dispostos a pagar um prémio em estabelecimentos bem avaliados. Pesquisas independentes em várias categorias encontram um aumento de 22–31% na disposição para pagar entre perfis de avaliação 'aceitáveis' e 'excelentes'. Para um restaurante de casual dining com um consumo médio de $28, isso representa um aumento de $6–$9 por cliente — puramente do contexto de prova social em que a refeição é enquadrada antes mesmo de o cliente chegar.

Este prémio de gasto acumula-se com o efeito de volume. Mais clientes com consumos médios mais altos, a partir de uma plataforma cuja participação não custa nada além do esforço de gestão da reputação. A economia estrutural das avaliações online — custo marginal zero, visibilidade persistente, credibilidade cumulativa — explica por que a correlação com a receita é tão forte.

Dados sem implicações são decoração. Se a correlação é r = 0,74 e a pesquisa de Harvard apoia um aumento de receita de 5–9% por estrela, a questão prática é: o que realmente move as classificações por estrelas para os operadores de restaurantes?

Estes quatro passos representam a base orgânica. São necessários, mas nem sempre suficientes para os operadores que precisam de mover uma classificação rapidamente — por exemplo, um restaurante que herdou uma pontuação baixa de um proprietário anterior, ou um que recebeu um conjunto de avaliações retaliatórias após uma disputa de pessoal. Nesses casos, suplementar o crescimento orgânico de avaliações com uma estratégia gerida de aceleração de avaliações torna-se uma consideração legítima.

Como aumentar a receita num restaurante — para além da classificação

As classificações por estrelas são uma alavanca poderosa, mas estão inseridas num quadro mais amplo de gestão de receitas. Os restaurantes da nossa amostra que alcançaram o quartil superior de receita tinham três coisas em comum além das suas classificações: alta velocidade de avaliações (avaliações novas mensalmente), envolvimento ativo do proprietário nas respostas às avaliações e, no mínimo, um sinal de reputação não proveniente do Google — seja uma menção na imprensa gastronómica local, uma presença nas redes sociais ou uma listagem num guia.

O modelo de receita de restaurantes em 2025 e 2026 é cada vez mais distribuído. O Google domina com 73% das avaliações online, mas o Instagram e o TikTok funcionam agora como plataformas de descoberta para 34% e 23% dos consumidores, respetivamente (BrightLocal, 2024). Os operadores que entendem a sua classificação por estrelas como um nó numa rede de reputação conectada — em vez de uma única pontuação a otimizar isoladamente — superam consistentemente aqueles que a tratam como o jogo todo.

A principal conclusão — r = 0,74 entre a classificação por estrelas e a receita estimada numa amostra de 1.000 restaurantes — deve ser tratada como um sinal motivador, não como uma lei determinista. O crescimento real da receita exige uma melhoria operacional real. Mas os dados são claros sobre uma coisa: o efeito de piso das classificações baixas é punitivo, e o efeito de teto das classificações altas é real.

Passar de 3,5 para 4,0 estrelas não garante um aumento de receita de 5–9%. Mas remove o filtro 'não vá lá' que 71% dos consumidores definiram para negócios abaixo de 3 estrelas. Passar de 4,0 para 4,5 expande o mercado alcançável, melhora a posição no ranking na pesquisa local e altera o comportamento de gastos. Cada um destes é uma alavanca de receita. Nenhum deles exige que a comida melhore — eles exigem que o sistema de recolha de feedback, envolvimento e visibilidade seja construído e mantido.

Os melhores proprietários de restaurantes que encontrámos nesta pesquisa não falavam em 'obter avaliações'. Falavam em 'gerir a reputação'. A distinção é importante. Obter avaliações é passivo — uma esperança de que os clientes satisfeitos se lembrem de deixar feedback. Gerir a reputação é ativo — um processo consistente de solicitar, responder, aprender e otimizar. Os dados não recompensam a passividade.

As perguntas abaixo representam as questões mais comuns de operadores de restaurantes, marketers e investigadores sobre a relação entre classificação por estrelas e receita.

Começámos com uma pergunta: existe um sinal real entre as classificações por estrelas de restaurantes e a receita, ou é o tipo de correlação que se dissolve sob escrutínio? Depois de analisar 1.000 restaurantes, a resposta é que o sinal é real, robusto e acionável — mas não é uma lei da física.

A correlação r = 0,74 significa que as estrelas explicam aproximadamente 55% da variação da receita na nossa amostra de restaurantes independentes. Os outros 45% são localização, conceito, execução, equipa e timing. Uma classificação perfeita não salvará um restaurante com uma cozinha avariada ou num bairro esquecido. Mas uma classificação negligenciada — três estrelas num mundo de quatro estrelas — é um teto de receita autoimposto. O modelo deixa espaço para casos atípicos e exceções. Mas não deixa espaço para ignorar os dados.