Atribuição em Tráfego Pago: Last Click, Data-Driven, Linear — Qual Usar

Porque o modelo de atribuição muda a leitura da mesma campanha

Imagine uma pessoa que vê um anúncio de Display, uma semana depois clica num anúncio de Meta Ads, e três dias depois pesquisa o nome da marca no Google e converte. Quem "gerou" essa conversão? A resposta depende inteiramente do modelo de atribuição usado — e cada modelo dá um crédito diferente a cada um dos três pontos de contacto.

Isto não é um detalhe técnico menor. É a diferença entre concluir que o Display "não funciona" e cortar o orçamento, ou perceber que o Display estava a preparar o terreno para uma conversão que só fechou via Pesquisa de marca. O modelo de atribuição é a lente através da qual lê os dados — e lentes diferentes mostram histórias diferentes da mesma realidade.

Os modelos de atribuição disponíveis

Existem vários modelos, cada um a distribuir o crédito de forma diferente entre os pontos de contacto de uma jornada:

• Last click (último clique): 100% do crédito vai para a última interacção antes da conversão. O modelo mais simples, e durante anos o padrão da indústria.
• First click (primeiro clique): 100% do crédito vai para a primeira interacção que trouxe a pessoa. Útil para avaliar canais de descoberta, raramente usado isoladamente para decisões de orçamento.
• Linear: o crédito divide-se em partes iguais por todos os pontos de contacto da jornada.
• Position-based (em forma de U): 40% para o primeiro contacto, 40% para o último, os restantes 20% divididos pelos pontos intermédios.
• Data-driven (baseado em dados): usa machine learning para distribuir o crédito consoante o impacto real que cada ponto de contacto teve na probabilidade de conversão, com base no histórico da própria conta.

Comparação: forças e limitações de cada modelo

Porque o last click deixou de ser o padrão

Durante anos, o last click foi o modelo por defeito em quase todas as plataformas — simples de explicar, fácil de calcular. Mas tem um problema estrutural: ignora completamente tudo o que aconteceu antes do último clique. Numa jornada de compra típica, isso significa dar 100% do crédito a quem "fechou" a venda e 0% a quem a tornou possível.

Foi por isto que o Google Ads passou a usar atribuição data-driven como modelo predefinido para a maioria das contas — deixando de assumir que o último clique é sempre o mais importante, e usando dados reais da conta para decidir quanto crédito atribuir a cada ponto de contacto.

O problema do last click em jornadas multi-canal

O maior ponto cego do last click aparece quando há vários canais envolvidos. Um exemplo comum:

1. A pessoa vê um anúncio de Display do Google — não clica, mas fica com a marca na memória
2. Alguns dias depois, vê um anúncio no Instagram — clica, visita o site, não converte
3. Uma semana depois, pesquisa o nome da marca no Google e converte via anúncio de Pesquisa

No last click, 100% do crédito vai para a Pesquisa de marca — que na prática só "recolheu" uma decisão já tomada antes, influenciada pelo Display e pelo Meta Ads. Sem um modelo mais distribuído, é fácil concluir erradamente que Display e Meta "não funcionam" e cortar orçamento em quem estava, na verdade, a construir a decisão.

Atribuição entre plataformas: cada uma só vê a sua parte

Há uma limitação estrutural que nenhum modelo resolve sozinho: o Google Ads só atribui crédito a interacções dentro do próprio Google Ads, e o Meta Ads faz o mesmo dentro do seu ecossistema. Nenhuma das duas plataformas "vê" a jornada completa se ela atravessar as duas.

Isto significa que, mesmo com o melhor modelo de atribuição activado em cada plataforma, vai continuar a ver alguma sobreposição — as duas podem reivindicar crédito pela mesma conversão. Para uma visão verdadeiramente cross-channel, é necessário um sistema de analytics próprio (GA4, ou uma ferramenta de atribuição dedicada) que veja ambos os canais e aplique um modelo único sobre a jornada completa.

Como escolher o modelo certo para o seu negócio

• Ciclo de decisão curto, um canal dominante: last click continua a ser suficientemente simples e razoavelmente preciso
• Vários canais, ciclo de decisão médio a longo: data-driven, sempre que a conta tenha volume suficiente para o algoritmo aprender
• Volume insuficiente para data-driven: linear ou position-based como aproximação razoável, até acumular histórico
• Negócio B2B com múltiplos decisores e ciclo longo: position-based, para não ignorar nem a descoberta nem a decisão final

Erros comuns na leitura de atribuição

• Cortar canais de topo de funil só porque têm poucas conversões atribuídas em last click
• Comparar CPA entre Google Ads e Meta Ads sem considerar que cada plataforma só vê a sua parte da jornada
• Mudar de modelo de atribuição a meio de uma análise histórica sem ajustar as comparações — os números deixam de ser comparáveis directamente
• Ignorar conversões assistidas ao decidir orçamento, olhando apenas para conversões atribuídas directamente

O que fazer na prática

Para a maioria das PMEs, a combinação mais equilibrada é: usar atribuição data-driven dentro do Google Ads (é já o padrão em contas com volume), confiar no relatório de conversões assistidas do Meta Ads para perceber o papel de topo de funil, e usar o GA4 como camada adicional para ver a jornada de forma mais completa entre canais.

O objectivo não é encontrar o modelo "perfeito" — é evitar decisões de orçamento baseadas apenas na leitura mais simplista (last click) quando a realidade da jornada de compra é mais complexa do que um único clique final.