Atribuição
Você ajuda os usuários a responder a pergunta mais difícil do marketing: qual dos meus esforços realmente causou essa conversão e essa receita? Atribuição é onde os profissionais de marketing mais perdem dinheiro — para canais que parecem bons em um painel e terríveis em outro, para "direto" e "pesquisa de marca" que escondem a fonte real, e para modelos que silenciosamente codificam uma opinião como se fosse um fato.
Este skill tem dois pilares. Saiba qual o usuário precisa antes de mergulhar:
- (A) Interpretação — escolher um modelo de atribuição, selecionar uma abordagem de medição e reconciliar os números conflitantes que suas ferramentas reportam. Isso se aplica a todos, mesmo sem engenharia.
- (B) Ter sua própria atribuição (first-party) — instrumentar e costurar a atribuição você mesmo quando controla o site/app. Esta é a trilha de construção. Use-a quando o usuário disser "quero rastrear isso sozinho" ou estiver lidando com uma conversão que ocorre em um domínio que não possuem.
A maioria dos pedidos começa com (A). Recorra a (B) apenas quando eles controlam a superfície e querem construir.
Contexto do produto: verifique se existe .agents/product-marketing.md e leia-o se presente — tipo de negócio, ciclo de vendas e conversão primária orientam quase todas as recomendações aqui.
Limites — o que este skill NÃO abrange
Declare isso desde o início para que você não reconstrua skills vizinhos:
- Rastreamento geral de eventos, planos de rastreamento, configuração de UTM, GA4/GTM → analytics. Atribuição presume que o rastreamento existe. A linha: analytics = "quais eventos e como dispará-los"; atribuição = "como os toques se juntam às conversões e sobrevivem até a receita."
- Pixels de plataformas de anúncios, CAPI, rastreamento de conversão no servidor → ads (
references/conversion-tracking.md). Atribuição consome números relatados pelas plataformas e corrige seu viés; não configura os pixels. - Estágios do pipeline, ciclo de vida do lead, painéis de receita do CRM → revops. Atribuição alimenta dados do pipeline; não define estágios.
- Aparecer em / medir pesquisa em IA → ai-seo. Atribuição nomeia o tráfego de IA como um ponto cego apenas.
Pilar A — Interpretação
1. O que a atribuição pode e não pode lhe dizer
Defina expectativas antes de tocar em qualquer número:
- Atribuição é direcional, não verdade. É um modelo de causalidade construído a partir de dados incompletos (cookies expiram, sessões se fragmentam, toques offline desaparecem, pessoas pesquisam em um dispositivo e compram em outro). Trate como uma forte dica, nunca um veredito.
- Cada modelo é uma opinião. "First-touch" diz que o primeiro anúncio recebe todo o crédito; "last-touch" diz que o clique de fechamento recebe. Ambos estão errados em direções opostas. Escolher um modelo é escolher a história de quem acreditar — diga isso em voz alta.
- A lacuna de atribuição é normal. A soma das conversões relatadas por canal quase sempre excede as conversões reais, porque cada plataforma reivindica crédito pela mesma venda. Seu trabalho é reduzir e explicar a lacuna, não fazer os números coincidirem perfeitamente. Eles não vão.
Quando um usuário exigir um número verdadeiro único, reformule: "Podemos obter um número defensável e consistente e uma leitura sobre quais canais estão em tendência de alta. Uma única verdade objetiva não existe — aqui está o porquê, e aqui está o que usamos para tomar decisões de qualquer maneira."
2. Modelos de atribuição
Os seis modelos padrão e quando cada um mente:
| Modelo | Regra de crédito | Melhor para | Como mente |
|---|---|---|---|
| First-touch | 100% para o primeiro toque conhecido | Avaliação de topo de funil / geração de demanda; ciclos curtos | Ignora tudo que fechou o negócio; superestima canais de conscientização |
| Last-touch | 100% para o último toque antes da conversão | Resposta direta, e-commerce rápido | Superestima o fundo de funil + pesquisa de marca/direto; ignora o que criou demanda |
| Last non-direct | 100% para o último toque, pulando "direto" | Uma correção barata para poluição direta | Ainda é um único toque; apenas move o ponto cego |
| Linear | Crédito igual a cada toque | Jornadas longas e multicanal onde cada etapa importa | Trata uma visita descartável como uma demonstração; favorece canais de alta frequência |
| Time-decay | Mais crédito para toques próximos à conversão | Ciclos mais longos onde a atualidade importa | Subestima o topo de funil; ainda é uma suposição, não uma medição |
| Position-based (em U) | 40% primeiro, 40% último, 20% meio | B2B com momentos claros de "criação" + "fechamento" | A divisão 40/40/20 é arbitrária; toques intermediários são prejudicados |
| Data-driven (algorítmico/Shapley) | Crédito da contribuição marginal modelada | Contas de alto volume com conversões suficientes | Uma caixa preta; precisa de volume; não pode ver toques offline/escuros que nunca foram alimentados |
Regras práticas:
- Nunca relate um modelo único isoladamente para um ciclo de vendas longo. Mostre first-touch e last-touch lado a lado — a verdade vive entre eles, e a lacuna entre eles é o insight.
- Atribuição data-driven precisa de volume (Google Ads historicamente a exigia atrás de ~3.000 interações de anúncios e ~300 conversões em 30 dias; desde então relaxou os mínimos e tornou o DDA o padrão, mas baixo volume ainda é ruído disfarçado de ciência). Use position-based quando você estiver com poucos dados.
- O modelo importa muito menos do que ser consistente e combiná-lo com uma verificação de sanidade fora do modelo (Pilar A §4, autorrelatado).
Para a matemática do modelo, exemplos trabalhados de uma jornada pontuada de seis maneiras e Shapley explicado de forma simples, veja references/attribution-models.md.
3. Os três paradigmas de medição
Modelos dividem o crédito dentro de seus dados rastreados. Paradigmas são como você chega à causalidade — cada vez mais rigorosos, cada vez mais caros:
| Paradigma | O que é | Responde | Precisa | Cuidado |
|---|---|---|---|---|
| MTA (atribuição multicanal) | Costurar toques em nível de usuário, aplicar um modelo | "Quais pontos de contato aparecem em jornadas de conversão?" | Rastreamento limpo em nível de usuário entre dispositivos | Perda de cookies + privacidade destruíram dados em nível de usuário; mede silenciosamente menos |
| MMM (modelagem de mix de mídia) | Regressão top-down de gastos vs. resultados ao longo do tempo | "Qual é a contribuição agregada de cada canal, incluindo offline/marca?" | 2–3 anos de dados semanais, variação de gastos | Correlacional; lento para reagir; precisa de mudanças reais no orçamento para aprender |
| Incrementalidade (geo holdout, PSA, anúncios fantasma, liga/desliga) | Experimento controlado: exposto vs. retido | "Este canal causou um aumento que eu não teria obtido de qualquer maneira?" | Capacidade de reter; volume suficiente para significância | O padrão ouro, mas você só pode testar algumas coisas de cada vez |
Como escolher: orçamento pequeno / ciclo curto → bom UTM + last-non-direct + uma pesquisa autorrelatada vence um modelo sofisticado. Orçamento médio, vários canais → MTA para o dia a dia + testes periódicos de incrementalidade em seus maiores itens de linha. Orçamento grande, gastos offline + marca → MMM para o portfólio + incrementalidade para validar os coeficientes do MMM. Incrementalidade é o desempate sempre que dois canais reivindicam as mesmas conversões.
Tabela de decisão por orçamento × ciclo de vendas × número de canais, e como ler um teste geo-holdout / PSA (não um tutorial de estatística), em references/measurement-paradigms.md.
4. Atribuição autorrelatada
O sinal mais subutilizado e frequentemente o mais honesto para ciclos longos e mídia social escura. Uma pesquisa pós-conversão "Como você ouviu falar de nós?" captura o que o rastreamento estruturalmente não consegue: podcasts, boca a boca, comunidades do Slack, um tweet do fundador, "um amigo me contou."
- Quando supera o rastreamento: ciclos de consideração longos, alto boca a boca, liderado por marca/comunidade, ou muito social escuro (veja §5). Se uma grande parte de suas jornadas é "direto", você tem um buraco em forma de autorrelatado.
- Pergunte no momento da conversão (inscrição, primeira compra, solicitação de demonstração) — maior recordação, antes que a memória se apague.
- Redação: aberta ("Como você ouviu falar de nós pela primeira vez?") captura social escuro; uma lista de opções curta é mais fácil de quantificar, mas pré-vicia a resposta. Melhor prática: lista de opções de seus canais conhecidos mais um campo de texto livre "outro/conte-nos mais."
- Trate como uma entrada de triangulação, não como verdade absoluta — a recordação é imprecisa e as pessoas creditam o toque memorável, não o primeiro. É a verificação fora do modelo que mantém seus modelos rastreados honestos.
- No lado da construção, este é um campo de formulário escrito em seu CRM/analytics como uma propriedade de pessoa — veja Pilar B e
references/first-party-tracking.md.
5. Reconciliando fontes conflitantes
O pedido por trás da maioria dos trabalhos de atribuição: "Google diz 50, Meta diz 40, GA diz 60, meu CRM diz 35 — quem está certo?" Ninguém está. Aqui está a estrutura.
Por que cada fonte mente sistematicamente:
| Fonte | Tendenciosa para | Porque |
|---|---|---|
| Plataformas de anúncios (Google/Meta/LinkedIn) | Superestima a si mesma | Reivindica conversões de view-through + clique em sua própria janela; cada plataforma conta a mesma venda; motivada a parecer boa |
| GA / web analytics | Último clique não direto | Perde entre dispositivos, perde usuários com bloqueio de cookies, joga o desconhecido no direto |
| CRM | O que o representante digitou / o formulário capturou | Entrada humana, substituições de lead source, negócios offline sem rastro digital |
| Pesquisa autorrelatada | O toque memorável | Viés de recordação; subestima toques chatos, mas reais, como retargeting |
Como triangular:
- Escolha uma fonte de verdade para a contagem de conversões — geralmente seu CRM ou backend (o sistema onde o dinheiro é real). Todo o resto explica de onde vieram, eles não podem redefinir quantos.
- Nunca some entre plataformas. Se o Google e o Meta reivindicam uma conversão, você tem uma conversão com dois reivindicantes, não duas conversões. Desduplique contra o total da fonte de verdade.
- Leia concordância direcional, não correspondência absoluta. Se toda fonte diz que a pesquisa paga está subindo e o orgânico está caindo neste trimestre, essa tendência é confiável, mesmo que nenhum dois números coincidam.
- Use o autorrelatado como desempate quando as plataformas brigam pelas mesmas conversões, e incrementalidade quando os riscos justificam um teste.
- Espere e faça orçamento para a lacuna. Relate "as plataformas reivindicam N; podemos verificar M; o delta é superestimação + view-through + não rastreado — aqui está nossa melhor alocação."
O resultado é uma alocação honesta com níveis de confiança, não uma reconciliação falsa até a casa decimal.
6. Os pontos cegos
Onde as conversões se escondem, fazendo os canais reais parecerem fracos:
- Direto — a gaveta de bagunças. Favoritos e URLs digitados, sim, mas também referenciadores removidos, app-para-web, social escuro e qualquer toque que seu rastreamento perdeu. Uma grande parcela direta é um problema de medição, não um canal.
- Pesquisa de marca — pessoas que descobriram você em outro lugar e pesquisaram seu nome. Last-touch entrega o crédito à pesquisa de marca paga/orgânica; o verdadeiro impulsionador foi o que quer que as tenha feito pesquisar. Segmente pesquisa de marca vs. não-marca ou você desfinanciará o topo de funil.
- Social escuro — compartilhamento que não carrega referenciador: DMs, Slack/Discord, podcasts, newsletters, capturas de tela. Estruturalmente invisível ao rastreamento; autorrelatado é a única maneira de vê-lo (§4).
- Tráfego de IA — assistentes e pesquisa em IA cada vez mais influenciam compradores, depois os enviam por pesquisa de marca ou direto, então o toque de IA é invisível na análise. Nomeie-o e passe o trabalho mais profundo para ai-seo.
A linha condutora: quando "direto" e "pesquisa de marca" dominam, seu topo de funil está funcionando e sua atribuição está escondendo isso. Diga isso explicitamente — é a leitura incorreta mais comum no marketing.
7. Bifurcação por tipo de negócio
Os padrões diferem muito. Resumo aqui; playbooks completos em references/by-business-type.md.
- SaaS B2B (ciclo longo, assistido por vendas): as jornadas duram semanas a meses e envolvem várias pessoas, então modelos de toque único enganam severamente. Ancora no CRM como fonte de verdade, use first-touch + position-based lado a lado, confie fortemente em autorrelatado na demonstração/inscrição, e trate a atribuição de pipeline/receita (→ revops) como o placar real. Toques offline (eventos, conversas de vendas) tornam o MTA mais fraco e o autorrelatado mais forte aqui.
- E-commerce / DTC (ciclo curto, autoatendimento): jornadas rápidas, alto volume, gastos concentrados em social pago + pesquisa. Ancora no ROAS da plataforma, mas desconfie (inflação iOS/CAPI), valide com MMM quando o gasto for material e testes de incrementalidade/geo-holdout em seus maiores canais, e use uma pesquisa pós-compra para capturar o que os pixels perdem. Last-touch é defensável para SKUs de giro rápido; MMM+incrementalidade é como você aloca o orçamento real.
Pilar B — Tenha sua própria atribuição (first-party)
Use quando o usuário controla o site/app e quer instrumentar a atribuição sozinho — especialmente para uma conversão que acontece em um domínio que eles não possuem (uma reserva no SavvyCal/Calendly/Cal.com, uma página de checkout do Stripe). Este pilar é baseado em construções de produção reais; o manual completo com padrões de código está em references/first-party-tracking.md. O essencial:
O grafo de identidade
Atribuição first-party é uma ideia: unir a navegação anônima à conversão eventual.
- Um visitante chega anonimamente; sua ferramenta de análise atribui um
distinct_idanônimo e carimba propriedades de first-touch ($initial_referrer,$initial_utm_*) em seus eventos. - Na conversão (inscrição, reserva, compra) você chama
identify()com um id estável (email ou UUID do usuário). Isso mescla o histórico anônimo a uma pessoa conhecida — first-touch agora sobrevive até a conversão. - Cada evento de conversão agora pode ser dividido por canal de first-touch. Esse é o jogo todo.
Fechando a lacuna do identify()
A falha mais comum do first-party: nada nunca chama identify(), então as conversões nunca se juntam ao histórico de navegação e todo cliente parece ter aparecido do nada. (Estrutura adaptada da abordagem da Tessa Kriesel no PostHog.) A correção é chamar identify em cada conversão real. Audite primeiro — muitos apps SaaS já identificam na inscrição; não reconstrua o que funciona. Encontre as conversões especificamente não instrumentadas e feche apenas essas.
Costurando conversões em um domínio de terceiros
O único caso que precisa de maquinário real: uma conversão que ocorre em um domínio que você não controla (Stripe Checkout, Calendly, um formulário Typeform). A abordagem padrão:
- Inclua um campo oculto ou parâmetro na URL que carregue os parâmetros de rastreamento (UTM, gclid, etc.) e, de preferência, qualquer id de usuário anônimo.
- No sistema de terceiros, use um webhook para enviar os dados de volta ao seu backend ou ferramenta de análise, ou extraia-os da URL de retorno após a conversão.
- Combine esses dados com seu grafo de identidade no backend.
O manual completo, incluindo padrões de código para instrumentação do lado do cliente e do servidor, está em references/first-party-tracking.md.
Referências
Os seguintes arquivos fornecem detalhes mais profundos:
references/attribution-models.md— matemática do modelo, exemplos trabalhados, Shapley explicado.references/measurement-paradigms.md— tabela de decisão por orçamento × ciclo × canais, como ler testes geo-holdout/PSA.references/by-business-type.md— playbooks completos para B2B SaaS, e-commerce/DTC e outros.references/first-party-tracking.md— manual de construção com padrões de código para instrumentação first-party.references/conversion-tracking.md(no skill de ads) — configuração de pixel/CAPI..agents/product-marketing.md— contexto do produto, se presente.