Modelos de atribuição de conversão: last-click, data-driven e o que muda no server-side

Toda decisão de mídia paga depende de uma pergunta que parece simples, mas quase nunca é: qual canal, campanha ou clique fez a venda acontecer? Responder isso é o trabalho da atribuição de conversão. E é aqui que muito gestor de tráfego perde dinheiro sem perceber, porque confia num número que o painel entrega pronto sem entender como ele foi calculado.

Atribuição não é um relatório. É um modelo — um conjunto de regras que distribui o crédito de uma conversão entre os pontos de contato que a antecederam. Modelos diferentes contam a mesma venda de formas diferentes, e a escolha do modelo muda diretamente para onde você manda orçamento. Este artigo destrincha os modelos principais, as janelas de atribuição, o colapso da visibilidade cross-site depois dos cookies e do ATT, e por que um sinal de conversão confiável no server-side deixa toda essa conta menos ruidosa.

O que é atribuição, de fato

Imagine um usuário que vê um anúncio no Instagram na segunda, pesquisa a marca no Google na quarta, clica num e-mail de remarketing na sexta e compra no sábado. Quatro pontos de contato, uma venda só. Quem levou o crédito?

A resposta depende inteiramente do modelo de atribuição que você aplica. Não existe uma resposta "verdadeira" isolada — existe uma convenção que você adota para comparar canais de forma consistente. O erro clássico é tratar o número de conversões do painel do Meta ou do Google como fato objetivo, quando na verdade é o resultado de uma regra de contabilidade específica daquela plataforma, medida pela própria plataforma que tem interesse em atribuir a venda a si mesma. Entender o modelo é o que separa quem otimiza com base em causa de quem otimiza com base em correlação disfarçada.

Os modelos de atribuição, um a um

Last-click (último clique)

O modelo mais comum e o mais enganoso. Todo o crédito vai para o último ponto de contato antes da conversão. No exemplo acima, o e-mail de remarketing levaria 100% do crédito.

O last-click é popular porque é simples e determinístico: não há ambiguidade sobre quem ganha. O problema é que ele sistematicamente supervaloriza os canais de fundo de funil (remarketing, busca por marca, e-mail) e subvaloriza os canais de descoberta (prospecção, vídeo, display). Você acaba cortando justamente a campanha que gerou a demanda, porque ela raramente aparece como "último clique" — o canal que plantou a semente é penalizado porque não foi ele quem colheu.

First-click (primeiro clique)

O espelho do last-click: todo o crédito vai para o primeiro ponto de contato. Útil para entender o que gera descoberta, mas igualmente distorcido — ignora completamente o trabalho de nutrição e fechamento que aconteceu depois.

Linear

Distribui o crédito igualmente entre todos os pontos de contato. Quatro toques, 25% cada. É mais honesto que os modelos de toque único porque reconhece a jornada inteira, mas peca por assumir que todos os contatos têm o mesmo peso — o que quase nunca é verdade.

Time-decay (decaimento temporal)

Dá mais crédito aos contatos mais próximos da conversão e menos aos mais distantes, geralmente com uma meia-vida configurável (por exemplo, 7 dias). Faz sentido para ciclos de venda curtos, onde o interesse esfria rápido. Mas ainda embute uma suposição arbitrária: a de que proximidade temporal equivale a influência.

Position-based (baseado em posição, ou "U-shaped")

Um híbrido: costuma dar 40% ao primeiro clique, 40% ao último e 20% distribuídos no meio. Tenta capturar tanto a descoberta quanto o fechamento, tratando os pontos intermediários como suporte. É uma heurística razoável quando você não confia em dados suficientes para modelar, mas continua sendo uma regra fixa, não uma inferência.

Data-driven (orientado a dados)

Em vez de aplicar uma regra fixa, o modelo data-driven usa os dados reais de conversão e não-conversão da sua conta para estimar a contribuição incremental de cada ponto de contato. A abordagem clássica se apoia em algo próximo dos valores de Shapley, da teoria dos jogos: compara jornadas que tiveram um determinado toque com jornadas parecidas que não tiveram, e atribui crédito proporcional à diferença de probabilidade de conversão.

Na teoria, é o modelo mais defensável, porque o crédito emerge do comportamento observado, não de uma convenção. Na prática, tem duas limitações. Primeiro, precisa de volume: sem um número mínimo de conversões, o modelo não tem sinal estatístico e degrada para algo próximo de uma heurística. Segundo, é uma caixa-preta operada pela plataforma — você raramente enxerga como o crédito foi calculado, e o modelo só vê os dados que aquela plataforma tem. Um modelo data-driven do Google não sabe nada dos toques que aconteceram no Meta, e vice-versa. Cada jardim murado modela apenas o próprio quintal.

Janelas de atribuição: click-through vs view-through

O modelo diz como distribuir o crédito. A janela de atribuição diz por quanto tempo um contato continua elegível a receber crédito depois de acontecer. E aqui mora outra fonte enorme de confusão entre painéis.

Há dois tipos de janela que você precisa distinguir:

• Click-through (janela de clique): o crédito é dado se a conversão acontecer dentro de X dias após um clique no anúncio. O padrão de mercado hoje é frequentemente 7 dias de clique.
• View-through (janela de visualização): o crédito é dado se a conversão acontecer dentro de Y dias após uma impressão (o usuário viu, mas não clicou). O padrão costuma ser 1 dia de visualização.

A configuração mais comum no Meta, por exemplo, é a "7 dias de clique e 1 dia de visualização". A implicação é enorme: view-through significa que a plataforma reivindica a venda de alguém que apenas viu um anúncio e converteu no dia seguinte — mesmo que essa pessoa fosse comprar de qualquer jeito. Isso infla os números reportados e é uma das razões pelas quais a soma das conversões de todos os painéis costuma ser bem maior que o número de vendas que o seu financeiro registrou.

Regra prática: ao comparar canais, compare sempre a mesma janela. Um canal medido em 7 dias de clique não é comparável a outro medido em 28 dias com view-through. E desconfie de qualquer relatório que some conversões de painéis com janelas diferentes.

O colapso da visibilidade cross-site

Todos os modelos multi-toque acima têm um pressuposto silencioso: o de que é possível seguir o mesmo usuário através de sites e sessões diferentes. Durante quase duas décadas, isso foi feito com cookies de terceiros e identificadores de dispositivo. Esse mundo acabou.

Dois marcos derrubaram a premissa. O primeiro foi o App Tracking Transparency (ATT) da Apple, introduzido no iOS 14.5 em 2021, que passou a exigir consentimento explícito para rastreamento entre apps — e a maioria dos usuários simplesmente não consente. O segundo é a depreciação progressiva dos cookies de terceiros nos navegadores, somada às regras de privacidade que limitam a persistência de identificadores.

O efeito é que a jornada multi-toque que os modelos assumem não é mais integralmente observável. Você não enxerga mais o Instagram na segunda, o Google na quarta e o e-mail na sexta como uma linha contínua ligada à mesma pessoa — enxerga fragmentos desconectados. Modelos multi-toque sobre dados fragmentados não deixam de rodar; apenas passam a atribuir crédito com base numa jornada que não conseguem ver por inteiro, o que é pior, porque a distorção fica invisível.

Conversões reportadas vs conversões modeladas

Para preencher esse buraco, as plataformas passaram a modelar as conversões que não conseguem mais observar. Quando o Google ou o Meta não têm sinal determinístico ligando um clique a uma venda — porque o usuário recusou o rastreamento, por exemplo —, eles estimam essa conversão a partir do comportamento agregado de usuários parecidos e a somam ao total do painel.

Isso não é fraude; é uma resposta legítima à perda de sinal. Mas muda a natureza do número. Uma parte do que aparece no seu painel são conversões observadas (aconteceram e foram medidas) e outra parte são conversões modeladas (foram estimadas estatisticamente). O painel raramente separa as duas de forma clara. Ao otimizar, você está mirando um alvo que é parte fato, parte inferência — e a fração de inferência cresce à medida que o sinal determinístico encolhe.

Atribuição não é incrementalidade

Aqui está a distinção conceitual mais importante do artigo, e a que mais gente ignora.

Atribuição responde: de quem foi o crédito por essa venda, dado um conjunto de regras? Incrementalidade responde: essa venda teria acontecido de qualquer jeito, sem o anúncio?

São perguntas diferentes. Um canal pode receber muito crédito de atribuição e ter incrementalidade quase nula. O caso clássico é a busca por marca: alguém que já decidiu comprar digita o nome da sua loja, clica no seu anúncio de marca e converte. O last-click dá todo o crédito a esse anúncio — mas a venda teria acontecido mesmo sem ele, porque a intenção já existia. O crédito de atribuição é alto; o valor incremental é baixo.

A única forma robusta de medir incrementalidade é o experimento: testes geo (ligar/desligar mídia por região), holdouts (um grupo de controle que não vê o anúncio) e lift studies. Atribuição diz para onde o dinheiro pareceu ir; incrementalidade diz se o dinheiro fez diferença. Um gestor maduro usa atribuição para a otimização do dia a dia e experimentos de incrementalidade para as decisões grandes de alocação de orçamento.

Por que o sinal server-side confiável reduz o ruído

Tudo até aqui pinta um cenário difícil: jornadas fragmentadas, janelas incompatíveis, números parte modelados, modelos que só veem o próprio quintal. Nada disso desaparece por mágica — mas a qualidade do sinal de conversão na base de tudo muda drasticamente o resultado.

Quando a conversão é capturada apenas pelo pixel no navegador, ela está sujeita a bloqueadores de anúncio, recusa de consentimento, perda de cookie, falha de rede e ao próprio ATT. O resultado é um sinal cheio de buracos — e cada buraco é preenchido por modelagem, aumentando a fração inferida do seu painel. Quanto pior o sinal observado, mais o painel chuta.

O rastreamento server-side ataca o problema na raiz. Em vez de depender exclusivamente do que o navegador consegue enviar, o evento de conversão é emitido pelo servidor no momento em que a venda de fato acontece — a partir de uma fonte de verdade confiável, como o pedido pago no seu e-commerce ou o negócio fechado no CRM. Esse é exatamente o problema que o Owiew resolve ao disparar webhooks e eventos para as plataformas de destino apenas quando uma conversão realmente ocorre, evitando os disparos falsos e a perda de eventos que corroem a atribuição.

Um sinal server-side confiável melhora a atribuição em três frentes concretas:

1. Recupera conversões que o navegador perderia, reduzindo a fração modelada — o painel passa a otimizar sobre fato, não sobre estimativa.
2. Alimenta as APIs de conversão (como a Conversions API do Meta) com eventos deduplicados e ricos, o que melhora a qualidade do próprio modelo data-driven da plataforma.
3. Cria uma fonte de verdade única e auditável. Quando o evento nasce do pedido pago, você tem um denominador estável para reconciliar com o financeiro e comparar contra os painéis — em vez de aceitar cegamente o número que cada plataforma reporta sobre si mesma.

Atribuição sempre terá incerteza; isso é inerente. Mas há uma diferença entre a incerteza de um modelo alimentado com sinal limpo e a de um modelo tapando buracos de um pixel furado. O server-side não elimina o ruído — ele reduz a fração de ruído que você mesmo introduziu por medir mal.

Guia prático para o gestor de tráfego

• Não trate o número do painel como verdade absoluta. Saiba qual modelo e qual janela ele usa antes de tomar decisão. Um número sem modelo declarado é opinião.
• Padronize a janela de comparação. Compare canais na mesma janela de clique e desconfie de view-through inflando o fundo de funil.
• Separe observado de modelado. Quando a plataforma permitir, olhe a fração modelada. Se ela for grande, seu sinal está furado — conserte a captura antes de conserter a estratégia.
• Use atribuição para o dia a dia, incrementalidade para as decisões grandes. Rode holdouts e testes geo antes de dobrar orçamento em qualquer canal, especialmente busca por marca e remarketing.
• Invista na qualidade do sinal antes de trocar de modelo. Trocar de last-click para data-driven sem consertar a captura é trocar de lente sem limpar o vidro. O sinal server-side confiável é o que faz qualquer modelo funcionar melhor.

Atribuição é uma ferramenta de decisão, não um oráculo. O gestor que entende os modelos, respeita os limites das janelas, distingue crédito de causa e investe num sinal de conversão confiável na base toma decisões melhores com menos autoengano — e é isso que separa quem escala com margem de quem só escala custo.