Um cliente vê um anúncio no Instagram e ignora-o. Dias depois pesquisa a marca no Google, clica num anúncio de pesquisa, mas não compra. Uma semana mais tarde recebe um email, volta ao site e finalmente compra. Pergunta simples, resposta difícil: qual destes contactos merece o crédito pela venda? A resposta que escolher determina onde vai investir o próximo euro de marketing — e é por isso que a atribuição é uma das decisões mais consequentes, e mais mal resolvidas, do marketing digital.
Durante anos, a resposta por omissão foi simples e errada: dar todo o crédito ao último clique. É cómodo, é o que a maioria das ferramentas mostra por defeito, e sobrevaloriza sistematicamente os canais que aparecem no fim do percurso, à custa dos que criam a procura no início. Escolher mal o modelo de atribuição não é um detalhe técnico; é redistribuir orçamento com base numa fotografia distorcida da realidade.
Este artigo compara as principais abordagens à atribuição — do last-click aos modelos data-driven, passando pelo Marketing Mix Modeling e pelos testes de incrementalidade — com os prós, os contras e o contexto de 2026, em que medir se tornou mais difícil por razões de privacidade. O objetivo não é eleger um vencedor único, mas perceber que cada método responde a uma pergunta diferente.
O que é atribuição e porque é tão difícil
Atribuição é o processo de distribuir o crédito por uma conversão pelos vários contactos de marketing que a precederam. Parece contabilidade, mas é, no fundo, uma tentativa de responder a uma pergunta causal: que parte deste resultado se deve a cada ação que tomámos? E as perguntas causais são notoriamente traiçoeiras.
A dificuldade tem três raízes. Primeiro, os percursos reais são longos e multicanal, muitas vezes cruzando dispositivos e semanas. Segundo, correlação não é causa: um canal pode aparecer sempre antes da compra sem a ter provocado — as pessoas que já iam comprar também pesquisam a marca. Terceiro, boa parte do efeito do marketing é indireto e diferido: uma campanha de notoriedade hoje pode gerar vendas dentro de meses, que nenhum modelo de clique consegue ligar à sua origem.
Last-click: o modelo por omissão que engana
O modelo de último clique atribui 100% do crédito ao último contacto antes da conversão. A sua única virtude é a simplicidade: é fácil de calcular, fácil de explicar e não exige dados sofisticados. Foi durante muito tempo o padrão de facto das ferramentas de web analytics.
O problema é que premeia quem chega por último e ignora quem preparou o terreno. Canais de fundo de funil — pesquisa de marca, retargeting, email — recebem crédito desproporcionado, enquanto os canais que geram procura no topo — display, vídeo, redes sociais, notoriedade — parecem ineficazes e vêem o orçamento cortado. O resultado típico é uma espiral: corta-se no topo do funil, a procura seca meses depois, e ninguém percebe porquê, porque o modelo nunca viu essa ligação. O last-click não é inútil, mas usá-lo como única lente é uma das formas mais comuns de tomar más decisões de orçamento com dados aparentemente objetivos.
Modelos baseados em regras: first-click, linear, time-decay
Entre o last-click e os métodos mais avançados houve uma geração de modelos baseados em regras que tentavam repartir o crédito de forma mais justa. O first-click dá tudo ao primeiro contacto; o linear divide o crédito por igual entre todos os pontos; o time-decay dá mais peso aos contactos mais próximos da conversão; o position-based reforça o primeiro e o último. Todos partilham a mesma limitação de fundo: a repartição é arbitrária, decidida por uma regra fixa e não pelos dados.
Vale a pena notar uma mudança prática relevante: em 2023, o Google descontinuou os modelos baseados em regras (first-click, linear, time-decay e position-based) no GA4 e no Google Ads, deixando essencialmente a atribuição data-driven e o last-click. Muitas equipas que ainda pensam em termos destes modelos estão, na prática, a trabalhar com ferramentas que já os abandonaram.
Atribuição data-driven: deixar os dados repartir o crédito
A atribuição orientada a dados (data-driven attribution, ou DDA) substitui a regra fixa por um algoritmo que aprende, a partir dos percursos observados, quanto cada canal contribui de facto. Técnicas como os valores de Shapley ou as cadeias de Markov comparam os caminhos que convertem com os que não convertem e estimam o peso marginal de cada contacto. Em teoria, é a resposta mais justa dentro do que é observável.
Tem, porém, três limites importantes. Precisa de volume de dados suficiente para ser fiável — em contas pequenas, é ruído. É específico de cada plataforma e frequentemente uma caixa negra: o Google atribui à sua maneira, a Meta à sua, e cada um tende a puxar o crédito para si, o que gera duplas contagens quando se somam relatórios de canais diferentes. E, crucialmente, continua limitado ao que consegue observar ao nível do utilizador — precisamente o que a privacidade está a tornar mais escasso.
Marketing Mix Modeling: a visão de cima para baixo
O Marketing Mix Modeling (MMM) aborda o problema pelo lado oposto. Em vez de seguir utilizadores individuais, usa dados agregados — investimento por canal, vendas, preço, sazonalidade, promoções, fatores externos como o tempo ou a economia — e, através de modelos estatísticos, estima quanto cada canal contribuiu para as vendas totais. Não precisa de cookies nem de identificar pessoas, o que o torna naturalmente resistente às restrições de privacidade.
As suas forças são exatamente as fraquezas dos modelos de clique: capta o efeito de canais offline, de campanhas de notoriedade e de meios onde não há clique para medir; incorpora o impacto diferido e de longo prazo; e dá uma visão de conjunto útil para alocar orçamento entre grandes blocos de investimento. Em contrapartida, é uma abordagem de baixa granularidade — responde bem a "quanto investir em vídeo versus pesquisa", mal a "que anúncio específico otimizar hoje" — e exige um histórico longo e cuidado metodológico para separar correlação de causa.
O MMM deixou de ser exclusivo de grandes anunciantes com consultoras caras. Em fevereiro de 2025, o Google tornou aberto o Meridian, sucessor do LightweightMMM, com uma abordagem bayesiana e modelação ao nível geográfico; a Meta mantém o Robyn, que automatiza a otimização de parâmetros. Estas ferramentas open-source baixaram a barreira de entrada, ainda que continuem a exigir dados de qualidade e conhecimento estatístico para dar resultados fiáveis.
Incrementalidade: a única pergunta que interessa
Por trás de toda a atribuição está uma pergunta que nenhum modelo correlacional responde plenamente: esta venda teria acontecido na mesma sem o anúncio? A isto chama-se incrementalidade, e a forma mais robusta de a medir não é modelar o passado, mas fazer experiências. Um teste geográfico (geo-lift) desliga o investimento numas regiões e mantém-no noutras, comparando depois os resultados; um holdout retém um grupo de controlo que não é exposto à campanha.
Estes testes são o padrão de ouro porque criam um contrafactual real — um "e se não tivéssemos feito nada" observado, não estimado. São mais exigentes de montar e implicam, por vezes, abdicar de algum alcance para ter um grupo de controlo, mas respondem à pergunta causal que a atribuição só aproxima. Uma prática madura combina modelos de atribuição para o dia a dia com testes de incrementalidade periódicos para calibrar o que os modelos dizem.
Privacidade em 2026: menos sinal, não menos cookies
Há uma narrativa persistente de que "as cookies vão acabar". Convém ser rigoroso. O Google recuou, em 2024, na intenção de eliminar as cookies de terceiros no Chrome e, em outubro de 2025, anunciou o desmantelamento de boa parte das tecnologias do Privacy Sandbox, mantendo apenas um conjunto reduzido de funcionalidades. Ou seja: as cookies de terceiros continuam a existir no Chrome.
Isso não significa que o problema de medição desapareceu — pelo contrário. O sinal ao nível do utilizador continua a degradar-se por outras vias: o Safari e o Firefox bloqueiam as cookies de terceiros há anos, o iOS limitou o rastreio entre apps com o App Tracking Transparency, e o consentimento exigido pelo RGPD reduz a fração de utilizadores observáveis. O efeito prático é que a atribuição baseada em rastreio individual vê cada vez menos do percurso real. É esse contexto — e não o fim das cookies em si — que explica o regresso do MMM e dos testes de incrementalidade, métodos que não dependem de identificar pessoas.
Como escolher: uma abordagem em camadas
A pergunta "qual é o melhor modelo de atribuição" está mal colocada, porque cada método responde a uma pergunta diferente e opera a uma escala diferente. As organizações mais maduras não escolhem um; combinam-nos em camadas:
- MMM para a decisão estratégica de alto nível: como repartir o orçamento entre grandes canais ao longo de trimestres.
- Atribuição data-driven para a otimização tática do dia a dia dentro dos canais digitais, ciente das suas limitações e das duplas contagens.
- Testes de incrementalidade como árbitro: quando o MMM e a atribuição discordam, uma experiência bem desenhada diz quem tem razão.
A regra prática é usar cada ferramenta para aquilo em que é boa e desconfiar de qualquer número que venha de uma só fonte. Quando três métodos independentes apontam na mesma direção, pode agir com confiança; quando divergem, essa divergência é ela própria informação valiosa sobre onde os seus dados são fracos.
Mini-caso: reconciliar duas histórias
Considere uma empresa de comércio eletrónico que geria as suas campanhas quase só pelo last-click. Por essa lente, a pesquisa de marca e o retargeting eram os heróis, e o investimento em vídeo e redes sociais parecia desperdício — pelo que foi sendo cortado. Durante dois trimestres, as vendas de "resposta direta" mantiveram-se, mas as vendas totais foram escorregando, sem explicação aparente nos relatórios.
A equipa construiu um MMM simples com dois anos de histórico. O modelo sugeriu que os canais de topo de funil, aparentemente ineficazes no last-click, contribuíam para uma parte relevante da procura que só se materializava semanas depois noutros canais. Para não decidir apenas com base num modelo, correram um teste geográfico: reativaram o vídeo em metade das regiões e mantiveram-no desligado na outra metade.
Ao fim de seis semanas, as regiões com vídeo mostravam vendas totais visivelmente superiores às do grupo de controlo, confirmando o que o MMM indicava e o last-click nunca poderia ver. A empresa reequilibrou o orçamento para o topo do funil de forma gradual, guiada por experiências e não por intuição. O ponto não é que o vídeo é sempre bom — é que nenhuma lente única mostrava o quadro completo.
Na prática
A atribuição não é um problema que se resolve escolhendo o modelo certo de uma lista; é uma disciplina de triangulação. O last-click continua útil como sinal operacional rápido, desde que se saiba que sobrevaloriza o fim do percurso. A atribuição data-driven afina a otimização dentro dos canais digitais. O MMM devolve a visão de conjunto e resiste às restrições de privacidade. E os testes de incrementalidade são o único método que responde diretamente à pergunta causal que a todos interessa.
Em 2026, com o sinal individual cada vez mais escasso mas as cookies ainda presentes no Chrome, a recomendação não é apostar tudo numa tecnologia, mas construir um sistema de medição que cruze abordagens e que trate cada número com o ceticismo saudável de quem sabe como foi produzido. Quem alocar orçamento com base numa só fonte vai continuar a premiar os canais que aparecem por último — e a estranhar, trimestre após trimestre, porque é que a procura não aparece.
