O que é atribuição de marketing

Você abre o painel do Meta numa segunda de manhã. Ele diz que fechou R$ 84 mil em vendas no mês. Você abre o Google Ads. Ele diz que fechou R$ 76 mil. Soma dá R$ 160 mil. Você olha o caixa da empresa no mesmo mês: R$ 92 mil. Bem-vindo ao problema da atribuição. Duas plataformas reportando 100% da mesma venda — porque cada uma só enxerga o que aconteceu dentro dela, e cada uma puxa o crédito pra si dentro de uma janela generosa. Sem um modelo do seu lado pra arbitrar essa briga, você vai gastar mais no canal que grita mais alto, não no que vende mais.

O que atribuição realmente responde

Atribuição de marketing é o processo de decidir qual canal, campanha ou interação leva o crédito por uma conversão — e quanto desse crédito leva. Parece técnico, mas a pergunta é comercial: de onde veio essa venda, e onde eu coloco o próximo real do orçamento? Se você não responde isso com método, está respondendo com sentimento. E sentimento, em mídia paga, custa caro.

Honestamente: a maioria das empresas que conheço usa last-click do Google Analytics como verdade absoluta e nunca questionou. Funciona até o dia em que funciona. No primeiro mês ruim, ninguém sabe se o problema foi criativo, público, sazonalidade ou se o canal que alimentava o resto foi cortado seis semanas atrás porque “não convertia”.

Os cinco modelos clássicos — e o que cada um esconde

Antes de falar do que funciona pra negócio com CRM, vale entender os cinco modelos que toda ferramenta de analytics oferece. Eles não são inúteis — são lentes diferentes pra um mesmo dado. O problema é confundir lente com realidade.

First-touch — quem trouxe pra festa

Dá 100% do crédito pro primeiro toque. Útil quando você quer entender de onde vem awareness, qual canal é bom em introduzir a marca pra gente que nunca te ouviu falar. É o modelo dos times de branding e topo de funil. Mente sobre o fundo: faz parecer que o canal de descoberta está fechando vendas sozinho, quando na verdade ele só abriu a porta seis semanas antes.

Last-touch — o crédito do golpe final

Dá 100% pro último clique. É o padrão da maioria das ferramentas (incluindo Google Analytics histórico) porque é o mais fácil de calcular. O que ninguém te conta: ele superestima brutalmente canais de captura final como busca de marca, retargeting e e-mail — justamente os canais que aparecem no fim porque outro canalfez o trabalho pesado antes. Se você decidir orçamento por last-touch, vai cortar topo de funil. E aí, três meses depois, vai sentar pra entender por que “o retargeting parou de funcionar”.

Linear — democracia ingênua

Divide o crédito igualmente entre todos os toques. Justo na aparência, ingênuo na prática: trata uma impressão acidental de display com o mesmo peso de uma reunião agendada. Usado raramente como modelo principal, às vezes como sanity check contra last-touch.

Time-decay — quanto mais perto, mais peso

Toques mais recentes pesam mais que os antigos. A curva é geralmente exponencial — um toque de ontem vale dez vezes mais que um de trinta dias atrás. Bom pra ciclos de venda curtos (ecom, infoproduto), onde a memória da semana realmente conta mais que a memória do mês passado. Ainda enviesado pro fim do funil, só que de forma mais suave.

U-shape (position-based) — começo e fim importam

Dá 40% pro primeiro toque, 40% pro último, 20% distribuído no meio. O modelo favorito de quem vende B2B com ciclo de 30 a 90 dias: ele reconhece que descobrir a marca e fechar a venda são os dois momentos que mais movem o ponteiro, sem ignorar tudo que aconteceu no meio. Não é perfeito, mas é o melhor compromisso entre simplicidade e justiça na maioria das operações de venda consultiva.

Por que o ROAS da plataforma sempre engana

Cada plataforma tem atribuição interna própria. O Meta padroniza last-click numa janela de 7 dias de clique e 1 dia de view. O Google faz parecido com data-driven próprio. O TikTok mais agressivo ainda. Como cada uma só enxerga eventos dentro do seu jardim murado, e como todas reivindicam crédito por qualquer toque dentro da janela, é matematicamente garantido que a soma dos ROAS das plataformas vai exceder a sua receita real. Isso não é bug, é desenho — cada uma quer mostrar pro anunciante que está performando.

O caso que sempre conto: ecom de moda, faturamento de R$ 1,2 milhão mês, gastando 60% do orçamento de mídia no Meta porque o relatório last-touch dizia que Meta gerava 90% da receita. Decidiram cortar Google. No mês seguinte, faturamento caiu 28%. Foram olhar atribuição 1:1 no CRM e descobriram: o Google trazia 60% do topo de funil — a primeira visita, o primeiro clique, o primeiro contato com a marca. O Meta só fechava o que o Google enchia. Cortaram o motor pensando que estavam cortando o pneu reserva.

Atribuição 1:1 deterministic — a fonte da verdade

Em vez de modelo estatístico que tenta adivinhar com base no histórico, atribuição 1:1 (também chamada de deterministic attribution) faz o caminho contrário: cria uma identidade única por lead e segue ela do clique no anúncio até o negócio ganho no CRM. O fluxo é o seguinte:

1. O clique no anúncio gera um click_id único (UTM + cookie + fingerprint do navegador).
2. O lead preenche o formulário ou abre o WhatsApp — o ID viaja junto, gravado no contato do CRM.
3. Esse ID acompanha o lead em cada movimento do pipeline: qualificação SDR, reunião marcada, proposta enviada, contrato assinado.
4. Em paralelo, a Conversions API devolve esse ID pro Meta a cada estágio relevante — lead, MQL, oportunidade, ganho — pra alimentar a otimização do algoritmo no servidor, sem depender do pixel do navegador.
5. Quando o negócio vira “Ganho” com R$ X de receita, o sistema atribui 100% desse R$ X à campanha, ad set, criativo e palavra-chave originais.

Resultado: ROAS aferido em receita real recebida, não em conversão declarada por plataforma. Você descobre que a campanha A tem ROAS declarado de 8x no Meta, mas ROAS real de 2,1x. E que a campanha B, que parecia mediana com 3x declarado, na verdade está em 5,4x real porque os leads dela fecham mais rápido e com ticket maior. É outro jogo.

E o data-driven? E o MMM?

Existem dois primos mais sofisticados que merecem nota. O modelo data-driven (Google chama assim, Meta chama de “robust”) usa machine learning pra distribuir crédito comparando jornadas que converteram com jornadas que não converteram. Funciona razoavelmente bem em conta com volume — pense em centenas de conversões por semana. Em conta pequena, é ruído com cara de ciência.

Já o MMM (Marketing Mix Modeling) é outra liga inteira: regressão estatística no nível de mercado, considerando mídia paga, mídia orgânica, sazonalidade, preço, distribuição, eventos macro. É o que grandes anunciantes usam pra decidir alocação anual entre TV, digital, OOH e trade. Não substitui atribuição 1:1 — complementa, num horizonte de tempo diferente.

Quando cada modelo faz sentido

Não existe modelo universal. Existe modelo certo pro seu ciclo de venda, volume de conversão e maturidade de tracking. A tabela abaixo é o atalho que dou em consultoria:

O que você devia fazer hoje

Se sua operação tem CRM e mídia paga, a verdade incômoda é simples: atribuição 1:1 deterministic não é luxo, é o mínimo viável pra decisão de orçamento. A plataforma vai continuar mentindo (porque tem incentivo pra isso). O Google Analytics vai continuar mostrando last-touch como padrão. E você vai continuar adivinhando — a menos que o ID do clique entre no seu CRM, viaje com o lead e volte a fechar com a receita do negócio. É isso que o AdSales Hub faz nativamente, sem você ter que costurar três ferramentas e rezar pra que o pixel tenha disparado no navegador certo.

Perguntas frequentes