Modelos de atribuição: qual usar quando o last click mente

Um grupo de pesquisadores da Northwestern e da Columbia publicou em abril de 2026, pelo NBER, um estudo com 2.226 experimentos controlados de anúncios da Meta. A pergunta era simples: o número que aparece no painel tem alguma relação com as vendas que o anúncio realmente causou? A atribuição de último clique em 7 dias, padrão da indústria, explicou 19% da variação na incrementalidade real. O modelo preditivo que eles propuseram chegou a 88%.
Dezenove por cento. É pouco mais que sorte para um número que decide onde milhões de reais são alocados todo mês.
Isso não quer dizer que você deva abandonar o last click amanhã. Quer dizer que vale entender o que cada modelo de atribuição está fazendo com os seus dados antes de tomar a próxima decisão de orçamento em cima dele.
O que é um modelo de atribuição, em uma frase
Modelo de atribuição é a regra que decide qual canal leva o crédito por uma venda. O last click dá tudo ao último toque, e por isso premia quem fecha, não quem gera demanda. Para a maioria das empresas brasileiras, a combinação que funciona é: modelo baseado em dados para o dia a dia e testes de incrementalidade para as decisões grandes de orçamento.
O resto deste texto é sobre como chegar lá sem comprar ferramenta nova.
Por que o last click mente (e quando ele acerta)
O last click não é burro, é literal. Ele registra o último clique rastreável antes da conversão e entrega o crédito inteiro para ele. O problema é que, na maioria das jornadas, o último clique é a busca pela marca, o remarketing ou o e-mail que o cliente já ia abrir de qualquer jeito. São os canais de colheita. O crédito vai para quem estava na porta quando a pessoa decidiu entrar.
Na prática, o que vemos nas contas que operamos é um padrão quase cômico: o canal mais barato do relatório é sempre a busca por marca, e o canal mais caro é sempre o prospecting. Aí alguém corta o prospecting, e três semanas depois a busca por marca também cai. Ninguém liga uma coisa à outra porque o painel não liga.
O last click acerta em dois cenários. Quando a jornada é realmente curta, de um toque só, como numa venda por impulso de ticket baixo. E quando você está comparando duas coisas dentro do mesmo canal, dois criativos no mesmo conjunto, por exemplo, onde o viés afeta os dois lados igualmente. Para comparar canais entre si, ele é o pior instrumento disponível.
Os modelos que existem e onde cada um quebra
Vale conhecer os seis que você vai encontrar em qualquer ferramenta, e um sétimo que não é modelo, mas resolve o que nenhum deles resolve.
| Modelo | O que faz | Onde quebra |
|---|---|---|
| Último clique | 100% para o último toque rastreável | Mata topo de funil e infla marca e remarketing |
| Primeiro clique | 100% para o toque de descoberta | Ignora tudo que converteu e premia volume de tráfego |
| Linear | Divide igual entre todos os toques | Trata um banner visto por engano como igual a uma demo |
| Decaimento no tempo | Peso maior para os toques mais recentes | Continua favorecendo colheita em ciclos longos |
| Baseado em posição | 40% no primeiro, 40% no último, 20% no meio | A regra é arbitrária, não sai de dado nenhum |
| Baseado em dados (GA4, Google Ads) | Modelo estatístico aprende o peso de cada toque na sua conta | Enxerga só o que foi rastreado e não mede quem nunca clicou |
| MMM e testes de incrementalidade | Estimam o efeito causal com dados agregados e grupos de controle | Exigem volume, tempo e disciplina de execução |
Perceba a quebra conceitual na última linha. Os seis primeiros respondem "quem tocou nessa venda". O último responde "essa venda teria acontecido sem o anúncio". São perguntas diferentes, e só a segunda serve para decidir orçamento.
Uma conta real de como o modelo errado queima dinheiro
Conta de serviço B2C, ticket médio de R$ 900, investimento mensal de R$ 60 mil assim dividido: R$ 36 mil em prospecting no Meta, R$ 14 mil em busca da marca no Google, R$ 10 mil em remarketing. O painel, no last click, reporta 200 vendas no mês.
Pelo relatório: 120 vendas vieram da busca da marca, 60 do remarketing, 20 do prospecting. Faça o ROAS de cada um. Busca da marca: 120 × 900 ÷ 14.000 = 7,7. Remarketing: 60 × 900 ÷ 10.000 = 5,4. Prospecting: 20 × 900 ÷ 36.000 = 0,5.
Qualquer gestor olha isso e corta o prospecting. Foi o que esse cliente quis fazer. Em vez disso, desligamos o Meta em metade das praças por três semanas, mantendo o resto igual. As vendas totais nas praças sem Meta caíram 28%.
Vinte e oito por cento de 200 são 56 vendas. O prospecting não gerava 20 vendas, gerava perto de 56. ROAS incremental: 56 × 900 ÷ 36.000 = 1,4. E o detalhe que ninguém espera: nas praças sem Meta, a busca pela marca também caiu, porque menos gente estava procurando a marca. Parte daquelas 120 vendas do Search nunca foi mérito do Search.
Aqui entra o trade-off honesto. ROAS 1,4 não é bom em toda operação. Com margem de 35%, isso é prejuízo. A diferença é que agora a discussão é sobre margem e sobre um número que existe, em vez de sobre um 0,5 que era artefato de contabilidade. Se você ainda não fecha o cálculo do seu custo de aquisição com segurança, vale revisar como calcular CAC antes de mexer em atribuição.
Como escolher o modelo pelo estágio da empresa
A pergunta certa não é "qual é o melhor modelo", é "qual é o melhor modelo que eu consigo operar". Modelo sofisticado em cima de dado sujo produz erro sofisticado.
No primeiro degrau, a maior fonte de verdade não é ferramenta nenhuma: é o campo "como você nos conheceu" no formulário. Soma-se isso a UTMs padronizadas e você já decide melhor do que 90% dos concorrentes. Se o seu problema hoje é dividir a verba entre as etapas, o raciocínio está detalhado no funil de tráfego pago.
No terceiro degrau aparece o teste de holdout geográfico, que é a ferramenta de maior retorno por hora investida em toda essa lista. Você escolhe um conjunto de cidades ou estados comparáveis, desliga um canal em metade deles por três a quatro semanas e compara a receita total das duas metades. Não depende de cookie, de consentimento nem de API de conversão. Depende de disciplina para não mexer em nada durante o teste.
No quarto degrau vive o marketing mix modeling. O Google abriu o Meridian, o próprio MMM de código aberto, para qualquer empresa em janeiro de 2025, com inferência causal bayesiana e a possibilidade de usar resultados de experimentos como ponto de partida do modelo. Deixou de ser território exclusivo de multinacional, mas continua exigindo alguém que saiba ler o resultado.
Antes de discutir modelo, resolva o que está embaixo
Existe um desconforto nessa conversa que vale encarar. A discussão sobre atribuição é sedutora porque parece técnica e avançada, e muitas vezes ela está sendo usada para adiar um problema mais chato: ninguém está olhando o número depois que ele é calculado.
O Panorama de Marketing e Vendas 2026 da RD Station, publicado em julho de 2026 com cerca de 3 mil profissionais brasileiros ouvidos, mostra o tamanho disso. 54% dos times de marketing não acompanham os motivos de perda das oportunidades. Só 31% usam IA para análise de dados ou relatórios, e apenas 7% fazem qualquer tipo de análise preditiva. Trocar o modelo de atribuição numa operação assim é escolher a lente de um telescópio que ninguém vai olhar.
Esse é o gargalo que a gente vê repetido nas startups que mentoramos: não falta dado nem relatório, falta distância curta entre o dado e a ação. É o problema que estamos atacando no Sherlok, o company brain que estamos construindo. O cliente conecta as fontes do negócio, de marketing a financeiro, e um agente passa a monitorar aqueles dados e a sugerir o próximo passo. Hoje o agente recomenda e o time executa e marca como feito; a direção seguinte é ele executar mediante aprovação, e isso ainda não roda. Vale dizer o que é presente e o que é roadmap.
Enquanto isso, o mínimo operacional é ter uma rotina semanal de leitura dos números. Montamos um guia do que deve estar nessa tela no artigo sobre dashboard para gestores, e o conjunto de métricas que sustenta uma conversa com cliente ou board está em KPIs além do ROAS.
Perguntas frequentes
Qual é o melhor modelo de atribuição no Google Ads?
Para contas com volume razoável, o modelo baseado em dados é o padrão e costuma ser a melhor escolha disponível dentro da plataforma. Ele aprende com os caminhos de conversão da sua conta em vez de aplicar uma regra fixa. Mas ele enxerga apenas o que o Google rastreia, então não substitui um teste de incrementalidade na hora de decidir cortes.
O que mudou na atribuição do GA4?
O GA4 trabalha com atribuição entre canais e usa o modelo baseado em dados como padrão, tendo aposentado os modelos de regra como primeiro clique, linear, decaimento e posição nos relatórios de atribuição. Na prática, você compara último clique e data-driven, e a diferença entre os dois já diz bastante sobre o peso do topo de funil no seu negócio.
Atribuição e incrementalidade são a mesma coisa?
Não. Atribuição reparte o crédito de vendas que já aconteceram entre os toques registrados. Incrementalidade estima quantas dessas vendas não teriam acontecido sem o anúncio, comparando um grupo exposto com um grupo de controle. A primeira organiza o relatório; a segunda sustenta a decisão de orçamento.
Preciso de ferramenta paga para medir atribuição direito?
Na maioria dos casos, não. GA4, o modelo baseado em dados das plataformas, UTMs padronizadas e um teste de holdout geográfico por trimestre cobrem bem a faixa até algumas centenas de milhares de reais por mês. Ferramenta paga entra quando o volume de canais e de dados passa do que a planilha consegue segurar.
Quanto tempo leva para confiar num teste de incrementalidade?
Planeje de três a quatro semanas de teste limpo, sem mexer em orçamento, criativo ou segmentação durante o período. Com menos de duas semanas, variação natural e sazonalidade se confundem com efeito. O maior inimigo do teste não é estatística, é a ansiedade de otimizar no meio dele.
O modelo é um meio, a decisão é o fim
Atribuição não é um problema para resolver de uma vez: é uma escolha que você refaz conforme a operação cresce. Comece pelo degrau que cabe no seu volume, fique nele até ele parar de responder suas perguntas, e suba. Enquanto isso, rode um holdout por trimestre no canal que mais consome verba. É o único jeito barato de descobrir se o número do painel tem alguma relação com o dinheiro que entra na conta.
Se você quer essa estrutura de medição montada junto com a operação de mídia, em vez de um relatório bonito que ninguém usa, é exatamente isso que fazemos em growth marketing na Growth Ninja. Também vale ler nosso guia sobre orçamento de marketing com dados para conectar atribuição ao planejamento do próximo trimestre.
Fontes: Gordon, Moakler e Zettelmeyer, "Predicted Incrementality by Experimentation (PIE) for Ad Measurement", NBER Working Paper 35044, abril de 2026; Panorama de Marketing e Vendas 2026, RD Station, julho de 2026; anúncio do Google sobre a abertura do Meridian, janeiro de 2025.