Sete modelos de atribuição para dividir uma venda

Um modelo de atribuição é a regra que decide como uma venda é dividida entre os contatos que vieram antes dela: o Reel que a pessoa viu, o anúncio do Google em que clicou, o email que abriu. Existem sete em uso e nenhum deles é a verdade. Cada um responde a uma pergunta diferente, e convém saber qual antes de mover orçamento pelo que ele diz. A única coisa que não muda de um modelo para outro: uma venda vale 1. Ela se divide, não se multiplica.

Neste artigo os sete são calculados sobre a mesma compra, com as regras exatas que o Dashcrab Atribuição usa. São fórmulas curtas. A mais longa, data-driven, cabe em quatro passos e uma tabela.

O que é um modelo de atribuição, e o que não é

Um modelo de atribuição precisa de três coisas. Uma jornada: a lista de contatos de uma pessoa com a sua marca, em ordem cronológica. Uma janela: quantos dias para trás a partir da compra esses contatos são considerados, 30 por padrão, e mais para um ciclo longo (um negócio B2B pode olhar 180). E uma regra: como os 100% da venda são divididos entre os contatos que ficaram dentro da janela.

Um contato é uma sessão. Se alguém entra pelo orgânico e dez minutos depois clica num anúncio, são dois contatos: o clique pago não se perde. A volta de um gateway de pagamento ou de um login com Google não conta como contato, porque não trouxe ninguém. E uma compra sem nenhum contato registrado é reportada como "sem caminho": ela não é dada de presente para o Direto.

O que um modelo de atribuição não é: o que cada plataforma de anúncios faz. Meta e Google Ads aplicam uma regra de último contato ao pedaço da jornada que cada uma vê, e por isso as duas reivindicam a mesma venda. Um modelo de atribuição, bem feito, olha a jornada completa de fora das plataformas e divide uma só vez.

A compra que vamos dividir

A Sofi compra uma jaqueta de USD 120. Antes de comprar, passou por quatro lugares. Na terça viu um Reel no Instagram, tocou em "Comprar agora", olhou o tamanho e fechou o app. Na quinta buscou a loja no Google e entrou pelo anúncio. No sábado chegou a newsletter com o tamanho dela de volta e 10% de desconto, e ela clicou. No domingo à noite digitou o endereço à mão no notebook e comprou.

Quatro contatos, uma compra, USD 120. Os quatro caem dentro de uma janela de 30 dias. É a mesma jornada da história interativa "Uma venda, três donos", caso você prefira ver na tela em vez de em tabelas.

Os seis modelos de regras fixas

Seis dos sete modelos são regras aplicadas a uma jornada isolada. Não precisam saber nada dos outros clientes: a lista de contatos e as datas bastam. Por isso dá para calculá-los à mão.

1. Primeiro contato

100% para o primeiro contato da janela. Sofi: Meta USD 120, o resto USD 0. Responde "qual canal abre a conversa?". Engana quando o canal que abre é barato e massivo: um vídeo com alcance enorme leva todo o crédito embora ninguém compre sem os três contatos seguintes.

2. Último contato

100% para o último contato antes da compra. Sofi: Direto USD 120. Responde "o que aconteceu logo antes da compra?". É o modelo mais usado porque é o mais fácil de medir, e é o que cada plataforma aplica ao seu próprio pedaço da jornada. Engana a favor dos canais de fechamento: Direto, a busca de marca e o retargeting cobram uma demanda que outro canal criou.

3. Último contato não direto

Percorre-se o caminho de trás para a frente e a venda inteira vai para o primeiro contato que não seja Direto. Se todos foram diretos, fica com o último. Sofi: Email USD 120, porque a visita direta de domingo é pulada e o email de sábado é o anterior. É o critério do GA4 nos relatórios de aquisição, e a lógica é que alguém que digita o seu endereço à mão já conhecia você por outro lado.

4. Linear

Partes iguais: 1 dividido pela quantidade de contatos. A Sofi tem quatro, então cada um recebe 25%: USD 30 para Meta, Google, Email e Direto. Responde "quem esteve lá?". Não premia ninguém e não castiga ninguém, que é a sua virtude e o seu limite: um clique de 29 dias atrás pesa o mesmo que o de uma hora atrás.

5. Decaimento temporal

O recente pesa mais. Cada contato recebe um peso de 2 elevado a menos a quantidade de dias que o separam do último contato, dividido pela meia-vida. Com a meia-vida padrão de 7 dias, um contato de 7 dias atrás pesa metade de um de hoje, e um de 14 dias atrás pesa um quarto. Depois todos os pesos são divididos pela soma para que deem 1.

Um detalhe de implementação que importa: a distância é medida até o último contato, não até a compra. Normalizado dá exatamente o mesmo, e evita que numa janela de 180 dias os pesos fiquem tão pequenos que o computador os arredonde para zero. A meia-vida é um parâmetro: com 30 dias o modelo se achata em direção ao linear, com 2 dias se parece com o último contato.

6. Em U, ou baseado em posição

40% para o primeiro contato, 40% para o último e os 20% restantes divididos em partes iguais entre os do meio. Sofi: Meta USD 48, Google USD 12, Email USD 12, Direto USD 48. Responde "quem abriu e quem fechou?". Com um só contato ele leva 100%; com dois, 50 e 50. É o modelo que mais se parece com a forma como uma equipe de marketing descreve o próprio funil, e por isso é confortável. Também é o mais arbitrário: os 40/40/20 não saem de nenhum dado.

Os seis, lado a lado, sobre a mesma compra de USD 120:

A Meta leva USD 120, USD 0, USD 30, USD 23 ou USD 48 conforme a regra. Cada linha soma 120. Essa é toda a diferença entre um modelo e outro: para quem vai, nunca quanto existe.

Data-driven, passo a passo

Os seis modelos anteriores têm um ponto cego: só olham as jornadas que terminaram em compra. Se a Meta aparece em 1.000 jornadas e 10 compram, as regras fixas veem 10 jornadas. O data-driven vê as 1.000. A pergunta dele é "quanto se perderia sem cada canal?", e para respondê-la usa também quem não comprou.

Uma loja pequena com três clientes basta para ver. O Juan passou por Meta, Google e Email, e comprou. A Ana passou pela Meta e não comprou. O Leo passou por Google e Email e não comprou. Último contato dá tudo ao email. Primeiro contato, tudo à Meta. As duas regras olham só para o Juan.

Passo 1. O mapa. De cada lugar, que parte das pessoas foi para cada lado. Dois de três começaram na Meta, um no Google. Dos que estiveram na Meta, metade seguiu para o Google e metade abandonou. E assim por diante:

Passo 2. A probabilidade de comprar. Somam-se os caminhos que chegam à compra. Pela Meta: 67% × 50% × 100% × 50% = 17%. Pelo Google direto: 33% × 100% × 50% = 17%. Total: 33%. É a probabilidade base.

Passo 3. O efeito de remoção. Tira-se um canal do mapa, como se não existisse, e recalcula-se. O que entrava nesse canal se perde. Sem a Meta fica só o caminho do Google: 17%. A probabilidade cai 50%. Sem o Google não há como chegar ao email: cai 100%. Sem o Email ninguém chega à compra: cai 100%.

Passo 4. A divisão. 50 + 100 + 100 = 250, e cada canal leva a sua parte proporcional: Meta 20%, Google 40%, Email 40%. De uma venda de USD 120, a Meta recebe USD 24 e os outros dois USD 48 cada.

Isso é uma cadeia de Markov de primeira ordem: a probabilidade de ir ao passo seguinte depende só do passo em que você está, não de como chegou. O método está descrito em Anderl, Becker, von Wangenheim e Schumann, "Mapping the customer journey", International Journal of Research in Marketing, 2016. Com um mês real de dados há três ajustes práticos: se uma pessoa repete o mesmo canal duas vezes seguidas conta como um só passo, porque repetir um estado não muda a probabilidade de chegar à compra; fora dos 30 canais ou campanhas mais frequentes, o resto é agrupado como "outros" para que o mapa continue pequeno; e a probabilidade é calculada por iteração até parar de mudar, não resolvendo matrizes.

Qual usar? Cada um responde a uma pergunta

A pergunta "qual é o melhor modelo de atribuição?" não tem resposta porque está mal formulada. A boa é "o que eu quero saber?".

Por que importa ter isso, com um exemplo. Um mês de uma loja, dados de exemplo calculados com estas mesmas regras: 204 compras e 2.380 jornadas que não compraram. A Meta leva 8 compras em último contato e 80 em primeiro contato. Se você decide o orçamento com último contato, desliga a Meta. Se decide com primeiro contato, dobra. Os dois números saem do mesmo mês e das mesmas vendas. O data-driven dá 47, porque conta também as 1.280 pessoas que passaram pela Meta e não compraram: ela abre muitas conversas e fecha poucas, e sem ela quase um quarto das compras se perderia.

Cada coluna soma 204. É a segunda razão para ter um modelo próprio: a soma do que Meta, Google e a plataforma de email reportam nesse mesmo mês dá bem mais que 204, porque cada uma aplica último contato ao que vê e nenhuma desconta o que a outra reivindicou. Um modelo que divide uma só vez é a única forma de o total da atribuição bater com o total da loja.

E a terceira razão é saber o que um modelo não diz. Atribuição não é causalidade. Pesquisadores da Kellogg compararam 15 experimentos com grupo de controle no Facebook contra os métodos de atribuição sem experimento, e mesmo com centenas de variáveis de controle esses métodos muitas vezes não chegavam ao efeito real. Um modelo divide vendas que já aconteceram. Não diz quais teriam acontecido de qualquer jeito. Para isso há uma só forma: desligar algo por duas ou três semanas, longe de uma data forte, e olhar o total real.

Na prática, três hábitos:

1. Olhe dois modelos opostos, não um. Primeiro e último contato lado a lado dizem o papel de cada canal: o que ganha em primeiro e perde em último abre; o que faz o contrário fecha. Essa leitura vale mais que qualquer número isolado.

2. Use data-driven quando tiver volume, e compare. Com centenas de compras por mês o mapa se estabiliza. Se data-driven e linear dizem coisas parecidas, a divisão é robusta. Se diferem muito num canal, é ali que há algo para olhar.

3. Fixe a janela e a meia-vida antes de comparar períodos. Mudar a janela de 30 para 90 dias recalcula todas as jornadas e move o crédito. Não é um erro, mas um gráfico que mistura as duas configurações não compara nada.

Para não montar isso à mão, o Dashcrab Atribuição registra a jornada de cada cliente com um pixel próprio, instalado pelo Google Tag Manager, e calcula os sete modelos sobre as mesmas vendas, lado a lado, com a janela e a meia-vida que você escolher. Uma conversão vale 1 em cada um deles.

---

As divisões deste artigo saem de aplicar as regras de cada modelo à jornada descrita; a tabela do mês é um conjunto de dados de exemplo calculado com essas mesmas regras, não os resultados de um cliente. O critério do GA4 corresponde à documentação dele em outubro de 2026.