Cachinhos Dourados e o Problema da Atribuição: não existe cama certa para todo mundo

TL;DR:

A maioria dos gestores usa o modelo de atribuição padrão da ferramenta sem questionar. Mas não existe modelo certo para todo mundo — a escolha depende do ciclo de venda, ticket, mix de canais e maturidade dos dados. First-touch, last-touch e multi-touch com pesos fixos têm limitações sérias. Modelos algorítmicos como Shapley Value e Markov Chain são mais honestos — mas exigem volume de dados. O caminho certo é testar dois ou três modelos em paralelo, comparar as decisões que cada um geraria, e calibrar com o campo. Como Cachinhos Dourados: não existe cama certa para todo mundo. Existe a cama certa para o seu negócio — e você só descobre testando.

“Essentially, all models are wrong, but some are useful.” — George Box

Era uma vez uma menina de cachinhos dourados que entrou na casa de três ursos. Ela experimentou o mingau do Papai Urso — quente demais. O da Mamãe Ursa — frio demais. O do Bebê Urso — na medida certa. Fez o mesmo com as cadeiras. E com as camas. Encontrou o que procurava, dormiu profundamente — e fugiu correndo quando os ursos voltaram para casa.

Fim do conto.

Ou quase.

Porque se você trabalha com marketing digital e lida com dados de campanha acabou de ler uma alegoria perfeita sobre um dos problemas mais persistentes da área: como atribuir crédito aos canais que realmente contribuíram para uma conversão?

A jornada de Cachinhos não foi nada simples. Ela não entrou pela porta e imediatamente deitou na cama certa. Ela percorreu a casa. Testou. Errou. Ajustou. E só então chegou ao resultado. Isso é exatamente o que faz um cliente real antes de comprar — e é exatamente o que a maioria dos modelos de atribuição faz questão de ignorar.

🐻 Papai Urso: o modelo de First-Touch

O Papai Urso é grande, imponente, e tem uma visão muito clara do mundo: quem abriu a porta merece todo o crédito.

No contexto de atribuição, isso se chama first-touch: 100% do valor da conversão é atribuído ao primeiro ponto de contato que o cliente teve com a marca. Aquele anúncio no Google que apareceu quando ele buscou o produto / serviço pela primeira vez. O post orgânico nas redes sociais que chamou a atenção no feed. O outdoor, ou qualquer outro OOH, se você conseguisse rastreá-lo.

A lógica tem uma certa coerência lógica: sem a porta aberta, Cachinhos nunca teria entrado. Sem o primeiro contato, não haveria jornada.

O problema é que abrir a porta não é o mesmo que fechar a venda. O modelo de first-touch supervaloriza os canais de awareness e ignora sistematicamente tudo que acontece no meio e no fim da jornada — o e-mail de nurturing, o retargeting que trouxe o cliente de volta, a página de produto que finalmente convenceu. É um modelo útil para quem quer entender como os clientes chegam até a marca. É um modelo perigoso para quem usa isso para decidir onde cortar orçamento.

🐻 Mamãe Ursa: o modelo de Last-Touch

A Mamãe Ursa tem a postura oposta. Para ela, o que importa é quem fechou o negócio. O último passo. O clique final.

No marketing, isso é o last-touch: todo o crédito da conversão vai para o último canal com o qual o cliente interagiu antes de comprar. Na prática, é o modelo padrão do Google Analytics por anos, e ainda hoje o mais usado — especialmente entre empresas que não questionaram as configurações padrão da ferramenta.

Sua prevalência tem uma explicação prosaica: é simples de implementar e simples de comunicar. “Esse canal gerou X reais em vendas” é uma frase que todo gestor entende.

O que a frase não conta é que o último clique frequentemente não foi o mais importante. O cliente que compra via e-mail de remarketing viu seu produto antes em algum lugar. Alguém plantou essa semente. O last-touch entrega o troféu para quem cortou a fita — e esquece os engenheiros que construíram a ponte.

Nas categorias de alto ticket ou ciclo longo de venda, o last-touch pode ser especialmente enganoso: o cliente pesquisou por semanas, consumiu conteúdo, comparou concorrentes, recebeu indicação de um colega — e converteu no e-mail disparado na hora certa. O modelo vai creditar o e-mail. A realidade é mais complexa.

🐻 Bebê Urso: os modelos de distribuição arbitrária

O Bebê Urso representa uma evolução natural: em vez de concentrar tudo num único ponto, vamos distribuir.

Aqui entram os modelos de multi-touch com pesos fixos: o linear (crédito igual para todos os touchpoints), o time decay (mais crédito para os contatos mais recentes), o U-shaped ou position-based (40% para o primeiro, 40% para o último, 20% distribuído no meio) e variações como o W-shaped (que adiciona peso ao momento em que o lead foi qualificado).

Esses modelos são um passo honesto na direção certa. Eles reconhecem que a jornada tem múltiplos atores. O problema é que a distribuição de crédito ainda é arbitrária — ela não emerge dos dados, ela é imposta a eles. Por que 40-20-40? Por que não 50-10-40? Não há resposta empírica. É uma escolha filosófica vestida de análise.

É o Bebê Urso: melhor que os anteriores, mas ainda não na medida certa.

Os pontos cegos que nenhum urso vê

Antes de avançar para os modelos mais sofisticados, vale pausar para nomear o que todos os modelos clássicos ignoram.

Os touchpoints invisíveis. Cachinhos chegou à casa dos ursos por algum motivo. Alguém pode ter mencionado a casa. Ela pode ter visto uma placa. Nenhum urso estava rastreando esse momento. No marketing, isso são as conversas offline, as indicações boca a boca, os artigos lidos sem cookie, as buscas orgânicas sem login. Esses pontos existem — e influenciam — mas não aparecem em nenhum relatório.

O viés de sobrevivência. Só analisamos as jornadas que terminaram em conversão. E as Cachinhoses que foram embora antes de dormir? Os clientes que percorreram metade do funil e sumiram? Os modelos de atribuição são construídos sobre os vencedores e ignoram os abandonos — o que distorce sistematicamente nossa compreensão do que funciona.

A fuga depois da conversão. No conto, Cachinhos dorme — e foge quando os ursos voltam. Ela converteu, mas não retornou. Os modelos de atribuição, na sua maioria, são obsessivamente focados na primeira conversão e cegos para o que acontece depois: recompra, LTV, churn. Atribuição zero para a cama mais confortável que ela já encontrou.

Além dos ursos: os modelos algorítmicos

Existem abordagens que tentam superar a arbitrariedade dos pesos fixos, derivando a distribuição de crédito a partir dos próprios dados.

Shapley Value, originário da teoria dos jogos cooperativos (e que ganhou o Nobel de Economia em 2012 nas mãos de Lloyd Shapley), responde à pergunta: qual é a contribuição marginal de cada canal, considerando todas as combinações possíveis de canais em que ele aparece? Se o Google Ads aparece em 80% das jornadas que convertem, mas quando você o remove a taxa de conversão cai apenas 5%, seu crédito real é menor do que sua presença sugere. O modelo é matematicamente elegante e respeita a interdependência entre canais.

Markov Chain aborda o problema de forma diferente: modela a jornada como uma sequência de estados (canais) e calcula a probabilidade de transição entre eles até chegar à conversão. O insight mais poderoso é a chamada removal effect: você simula o que aconteceria com a taxa de conversão se um canal específico fosse removido do sistema. É uma forma de responder “e se?” com base nos dados reais de comportamento — não em suposições.

Ambos os modelos são mais honestos. E ambos têm limitações: exigem volume de dados significativo para produzir estimativas estáveis, são mais difíceis de explicar para stakeholders, e ainda operam dentro do ecossistema rastreável — ou seja, não resolvem o problema dos touchpoints invisíveis.

Não existe cama certa para todo mundo

Chegamos ao ponto central.

A pergunta que gestores de marketing frequentemente fazem — “qual modelo de atribuição devo usar?” — está mal formulada. A pergunta certa é: o que caracteriza a jornada de compra do meu cliente, e qual modelo captura melhor essa realidade?

Isso depende de variáveis concretas:

Não existe um modelo que vença em todas as dimensões. Existe o modelo que serve melhor ao contexto específico — e essa escolha é responsabilidade do gestor, não da ferramenta.

A lógica do experimento: como testar e calibrar

Encontrar o modelo certo para o seu negócio não é uma decisão que se toma uma vez e pronto, é um processo iterativo.

Para ajudá-lo nessa jornada, separei algumas dicas práticas:

1. Rode dois ou três modelos em paralelo usando os mesmos dados históricos. Não compare os números absolutos — compare as decisões que cada modelo geraria. Se o first-touch diz para escalar Meta Ads e o modelo Markov diz para cortar Meta Ads, a divergência revela onde está o risco da escolha arbitrária.

2. Faça o teste da coerência qualitativa. Mostre as recomendações geradas pelo modelo para o time comercial ou de vendas. Eles reconhecem o padrão? O canal que o modelo aponta como decisivo bate com o que eles ouvem dos clientes? A intuição do campo é um dado. Não o único — mas não deve ser ignorado.

3. Aceite que o modelo vai mudar. Quando o negócio cresce, quando o mix de canais muda, quando o perfil do cliente evolui — o modelo de atribuição também precisa ser revisitado. O erro mais comum não é escolher o modelo errado: é tratar um modelo como definitivo.

De volta ao conto

Cachinhos não encontrou a cama certa por acidente ou intuição. Ela testou. Ela teve o desconforto de experimentar o que não funcionava — e isso foi necessário para chegar ao que realmente funcionava.

O gestor que encontra o modelo de atribuição adequado ao seu negócio faz o mesmo. Não copia o benchmark do mercado. Não usa o padrão da ferramenta sem questionar. Testa modelos diferentes, compara as implicações, ouve as opiniões de quem está no campo, e aceita que “na medida certa” é uma resposta relativa — relativa ao seu negócio, ao seu momento, aos seus dados.

E, ao contrário de Cachinhos, não foge quando os ursos voltam.

Qual urso você está usando para tomar decisões hoje — sem ter questionado por quê?

Referências e leituras complementares

• Shapley, L.S. (1953). A Value for n-Person Games. Contributions to the Theory of Games.
• Shao, X., & Li, L. (2011). Data-driven multi-touch attribution models. KDD ‘11.
• Box, G.E.P., & Draper, N.R. (1987). Empirical Model Building and Response Surfaces. Wiley.
• Dalessandro, B. et al. (2012). Causally motivated attribution for online advertising. AdKDD Workshop.