# Uma venda, três donos

> História interativa da Dashcrab sobre atribuição. Versão em texto de https://dashcrab.app/pt-br/stories/una-venta-tres-duenos.html
> Publicada em 12 de outubro de 2026. Outras histórias: https://dashcrab.app/pt-br/stories.html

A Sofi comprou uma jaqueta. A Meta diz que foi graças à Meta. O Google, que foi graças ao Google. O email, que foi o email. Os três têm razão, e a soma mesmo assim está errada.

## A compra

- **Terça, 22h40.** A Sofi rola o Instagram na cama. Aparece um Reel de uma jaqueta de USD 120. Ela toca em "Comprar agora", olha o tamanho e o preço, e fecha o app sem comprar.
- **Quinta.** Ela lembra da jaqueta, mas não do nome exato. Busca no Google e toca no primeiro resultado, que é um anúncio. O resultado orgânico da mesma loja estava logo abaixo.
- **Sábado.** Chega a newsletter da semana: o tamanho dela voltou, com 10% off. Ela clica.
- **Domingo à noite.** Abre o notebook, digita o endereço da loja à mão e compra. Uma jaqueta, USD 120. Uma única venda.

### Como a Meta mede

Por padrão, a Meta fica com uma compra se ela acontecer até **7 dias depois de um clique** no link do anúncio, 1 dia depois de uma interação (um like, um salvamento, ver 5 segundos de vídeo) ou **1 dia depois de só ver o anúncio**. A Meta separou o clique no link das demais interações em março de 2026. O que a Sofi fizer depois no Google, no email ou na loja, a Meta não vê.

### Estudo: cliques que já eram seus

O eBay parou de pagar os anúncios que apareciam quando alguém buscava "ebay" no Bing e no Yahoo, e continuou pagando no Google para comparar. Quase todos os cliques que perdeu voltaram pelo resultado orgânico: quem buscava a marca entrou mesmo assim (Blake, Nosko e Tadelis, Econometrica, 2015). O Google Ads, enquanto isso, fica com a venda se ela acontecer até **30 dias depois do clique** (configurável até 90). A busca da Sofi cai dentro com folga.

## Na segunda, nos relatórios

| Plataforma | O que diz | Por quê |
|---|---|---|
| Meta Ads | 1 compra, USD 120 | Clique no Reel há 6 dias, dentro da janela de 7 |
| Google Ads | 1 conversão, USD 120 | Clique no anúncio há 4 dias, dentro da janela de 30 |
| Plataforma de email | 1 pedido, USD 120 | Clique no email há 2 dias |
| **Soma dos relatórios** | **3 compras, USD 360** | |
| **Sua loja** | **1 compra, USD 120** | |

### Psicologia: viés de autoatribuição

As pessoas tendem a atribuir a si mesmas os sucessos e culpar as circunstâncias pelos fracassos (Miller e Ross, Psychological Bulletin, 1975). As plataformas não têm ego, mas suas regras produzem o mesmo efeito: cada uma olha só os próprios contatos e, se encontra um dentro da sua janela, anota a venda inteira. Nenhuma desconta o que a outra reivindicou.

### Como o GA4 mede

Nos relatórios de aquisição, o GA4 dá a compra ao último canal que não foi direto. A Sofi entrou direto no domingo, então o crédito pula para o email de sábado. O GA4 não vê impressões, então para ele a visualização de um anúncio não existe, e perde quem recusa os cookies. É uma terceira opinião, não um árbitro.

### Por que piorou

Desde o iOS 14.5, em abril de 2021, cada app precisa pedir permissão para rastrear. O Safari apaga os cookies criados por JavaScript após 7 dias sem visitas, ou após 24 horas se a pessoa chegou por um link com parâmetros de rastreamento. O que já não veem, as plataformas completam com conversões modeladas: estimativas misturadas com o observado, no mesmo número.

## A jornada inteira, de fora das plataformas

Quatro contatos e uma compra de USD 120. Assim cada modelo divide:

| Modelo | Reel do Instagram (Meta) | Anúncio no Google | Newsletter | Direto |
|---|---|---|---|---|
| Primeiro contato | USD 120 | USD 0 | USD 0 | USD 0 |
| Último contato | USD 0 | USD 0 | USD 0 | USD 120 |
| Último não direto | USD 0 | USD 0 | USD 120 | USD 0 |
| Linear | USD 30 | USD 30 | USD 30 | USD 30 |
| Decaimento (meia-vida de 7 dias) | USD 23 | USD 27 | USD 33 | USD 37 |
| Em U (40/20/40) | USD 48 | USD 12 | USD 12 | USD 48 |

O crédito muda de mão, mas a soma sempre dá USD 120. Falta o sétimo modelo, data-driven, e ele não dá para calcular olhando uma só compra.

## Data-driven, passo a passo

Uma loja pequena com três jornadas:

- Juan: Meta → Google → Email → **comprou**
- Ana: Meta → não comprou
- Leo: Google → Email → não comprou

Último contato dá tudo ao email. Primeiro contato, tudo à Meta. As duas regras olham só a jornada do Juan. O data-driven olha as três.

**Passo 1. O mapa.** De cada lugar, que parte das pessoas foi para cada lado:

| De | Para | Probabilidade |
|---|---|---|
| Início | Meta | 67% (2 de 3) |
| Início | Google | 33% (1 de 3) |
| Meta | Google | 50% |
| Meta | Nada | 50% |
| Google | Email | 100% |
| Email | Compra | 50% |
| Email | Nada | 50% |

**Passo 2. A probabilidade de comprar.** Somam-se os caminhos que chegam à compra:

- Meta → Google → Email → Compra: 67% × 50% × 100% × 50% = 17%
- Google → Email → Compra: 33% × 100% × 50% = 17%
- Total: **33%**

**Passo 3. O efeito de remoção.** Tira-se um canal do mapa e recalcula-se:

- Sem a Meta: sobra só o caminho do Google, 33% × 100% × 50% = 17%. Cai 50%.
- Sem o Google: ninguém chega à compra. 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: **Meta 20%, Google 40%, Email 40%**.

### Como se calcula

O data-driven trata cada jornada como uma cadeia de Markov de primeira ordem: a probabilidade de ir para um passo depende só do passo em que você está (Anderl, Becker, von Wangenheim e Schumann, International Journal of Research in Marketing, 2016). Com todas as jornadas de um período, com e sem compra, calcula quanto cairia a probabilidade de comprar se um canal não existisse, e divide o crédito na proporção.

- O bom: usa as jornadas que não compraram, que as regras fixas ignoram. Um canal que aparece em muitos caminhos que não vendem perde crédito.
- O que não faz: não sabe o que teria acontecido sem o anúncio. Tira um canal de um mapa, não do mundo. E precisa de volume: com poucas jornadas, o mapa é ruído.
- O Dashcrab Atribuição calcula sobre as jornadas do período escolhido. Fora os 30 canais mais frequentes, o resto é agrupado como "outros".

## Um mês inteiro: todos os canais, os sete modelos

Dados de exemplo de uma loja: 204 compras e 2.380 jornadas sem compra, calculados com as mesmas regras do Dashcrab Atribuição. Compras atribuídas a cada canal; cada coluna soma 204.

| Canal | Primeiro contato | Último contato | Último não direto | Linear | Decaimento | Em U | Data-driven |
|---|---|---|---|---|---|---|---|
| Meta | 80 | 8 | 24 | 39 | 30 | 42 | 47 |
| Google | 54 | 58 | 78 | 62 | 61 | 58 | 51 |
| Email | 12 | 24 | 58 | 23 | 28 | 20 | 27 |
| Orgânico | 32 | 18 | 18 | 25 | 23 | 25 | 17 |
| Direto | 26 | 96 | 26 | 55 | 62 | 59 | 62 |

- A Meta leva 8 compras no último contato e 80 no primeiro contato: abre muitas conversas e quase nunca fecha.
- O data-driven dá 47: o que se perderia sem a Meta, contando também as 1.280 pessoas que passaram pela Meta e não compraram.
- O Direto recebe 62 no data-driven, porque muitas jornadas terminam ali e tirá-lo as interrompe. Nenhum modelo é neutro.

### Nenhum modelo é a verdade

- **Primeiro contato:** qual canal abre a conversa?
- **Último contato:** o que aconteceu logo antes de comprar?
- **Último não direto:** o mesmo, mas Direto só conta se não houve outra coisa. É o critério do GA4.
- **Linear:** quem esteve? Todos, em partes iguais.
- **Decaimento:** o recente pesa mais. O peso cai pela metade a cada 7 dias para trás.
- **Em U:** 40% para quem abre, 40% para quem fecha, 20% para o meio.
- **Data-driven:** quanto se perde sem cada canal, segundo as suas próprias jornadas?

Por isso vale a pena vê-los lado a lado e não se casar com um. O que não muda em nenhum: uma venda vale uma venda.

### Atribuição não é causalidade

Pesquisadores da Kellogg compararam 15 experimentos com grupo de controle no Facebook com os métodos que o mercado usa sem experimento. Mesmo com centenas de variáveis de controle, esses métodos muitas vezes não chegavam ao efeito real (Gordon, Zettelmeyer, Bhargava e Chapsky, Marketing Science, 2019). Em 2023 repetiram o teste com 663 experimentos, com o mesmo resultado (Gordon, Moakler e Zettelmeyer, 2023). Um modelo de atribuição divide o crédito de vendas que já aconteceram; não diz quais iam acontecer de qualquer jeito. Para isso há um só caminho: desligar algo e ver o que acontece.

## Três coisas para fazer esta semana

1. **Olhe primeiro o total real.** Sua loja, seu CRM ou suas vendas por WhatsApp. Se a soma das plataformas passar disso, a diferença é sobreposição, não crescimento.
2. **Iguale as janelas antes de comparar.** Meta em 7 dias após o clique, sem visualização. Google em 7 dias após o clique. Não elimina a contagem dupla, mas diminui.
3. **Desligue algo e observe.** Uma campanha de marca ou uma região, duas ou três semanas, longe de uma data forte. Se você vender o mesmo, esse canal cobrava por uma demanda que já existia.

Uma conversão vale 1. Se divide, não se multiplica. O Dashcrab Atribuição monta a jornada de cada cliente com um pixel próprio, instalado pelo Google Tag Manager, e divide cada venda entre os canais que a geraram, com sete modelos lado a lado, data-driven incluído: https://dashcrab.app/pt-br/attribution.html

## Fontes

- Meta, separação do clique no link das demais interações (março de 2026): https://www.facebook.com/business/news/click-attribution
- Blake, Nosko e Tadelis, "Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment", Econometrica (2015): https://www.nber.org/papers/w20171
- Google Ads, Sobre as janelas de conversão: https://support.google.com/google-ads/answer/3123169
- Miller e Ross, "Self-serving biases in the attribution of causality: Fact or fiction?", Psychological Bulletin (1975).
- Apple, App Tracking Transparency: https://developer.apple.com/documentation/apptrackingtransparency
- WebKit, Tracking Prevention in WebKit: https://webkit.org/tracking-prevention/
- Anderl, Becker, von Wangenheim e Schumann, "Mapping the customer journey: Lessons learned from graph-based online attribution modeling", International Journal of Research in Marketing (2016).
- Gordon, Zettelmeyer, Bhargava e Chapsky, "A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook", Marketing Science (2019): https://www.kellogg.northwestern.edu/faculty/gordon_b/files/fb_comparison.pdf
- Gordon, Moakler e Zettelmeyer, "Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement" (2023).
- A versão longa no blog: https://dashcrab.app/pt-br/blog/por-que-google-ads-y-meta-ads-se-adjudican-la-misma-venta.html