Last-click está mentindo: como atribuir valor real a cada canal

Imagine que um cliente viu seu anúncio no Instagram, depois pesquisou no Google, clicou num resultado orgânico, e duas semanas depois digitou o site direto e assinou. Quem recebe o crédito pela venda?

Se você usa Google Analytics no modo padrão, a resposta é: o acesso direto ao site. O último clique antes da conversão leva 100% do crédito. O Instagram que despertou o interesse? Zero. O Google que levou à pesquisa? Zero.

Isso é o modelo last-click — e ele está mentindo para você.

Por que o last-click domina (e por que é um problema)

O last-click é o padrão porque é o mais fácil de implementar. Você só precisa registrar de onde veio o último acesso antes da compra. Mas essa simplicidade tem um custo enorme: ele ignora completamente a jornada do cliente.

Em serviços recorrentes e vendas B2B, a jornada raramente é linear. O cliente interage com vários canais antes de decidir. Quando o last-click atribui tudo ao último toque, ele sistematicamente:

• Supervaloriza canais de fundo de funil — busca direta, busca por marca, remarketing
• Subvaloriza canais de descoberta — redes sociais, conteúdo, indicação informal
• Incentiva cortar o que funciona — se você corta o canal de descoberta porque o last-click diz que ele "não converte", o funil seca em 2-3 meses

O que a pesquisa acadêmica mostra

Shao e Li (2011), em um estudo publicado no ACM SIGKDD, analisaram modelos de atribuição multi-touch usando dados reais de campanhas digitais. A conclusão foi clara: modelos que distribuem crédito entre múltiplos pontos de contato são significativamente mais precisos que o last-click para prever conversões futuras.

O guia publicado pelo IAB em parceria com a MMA (2019) vai além e compara duas abordagens alternativas: Multi-Touch Attribution (MTA) e Marketing Mix Modeling (MMM). Ambas tentam resolver o problema do last-click, mas de formas diferentes.

MTA vs MMM: qual serve para PMEs?

Multi-Touch Attribution (MTA)

Distribui crédito entre todos os pontos de contato do cliente. Precisa de dados de nível individual (cookies, IDs de usuário). É mais granular, mas mais difícil de implementar — especialmente com as restrições crescentes de privacidade (fim dos cookies de terceiros, iOS 14+).

Marketing Mix Modeling (MMM)

Usa dados agregados (gasto semanal por canal vs receita semanal) para estimar a contribuição de cada canal. Não precisa de dados individuais. É mais robusto para PMEs porque funciona com os dados que você já tem.

Um exemplo real de distorção

Em uma análise de empresa de serviços recorrentes, o last-click atribuía 45% das conversões ao "acesso direto ao site". Mas quando rastreamos a jornada completa dos clientes, descobrimos que a maioria havia tido contato prévio com um consultor ou visto uma indicação — e só depois acessou o site diretamente para assinar.

O "acesso direto" não era um canal de aquisição. Era o passo final de uma jornada que começou em outro lugar. Dar crédito ao acesso direto seria como dar o crédito de um gol ao jogador que cruzou a linha — ignorando quem deu o passe, quem roubou a bola e quem armou a jogada.

Como começar a corrigir

Você não precisa de um sistema sofisticado de atribuição para melhorar significativamente:

1. Pergunte ao cliente: no momento da assinatura, inclua a pergunta "como você nos conheceu?" — simples e surpreendentemente eficaz.
2. Cruze CRM com analytics: se o cliente está no CRM e no Google Analytics, você pode reconstruir parte da jornada manualmente para os maiores clientes.
3. Use proxy de primeiro toque: em vez de last-click, registre o primeiro canal de contato. Não é perfeito, mas é menos enviesado para decisões de orçamento.
4. Compare retenção por canal: mesmo sem atribuição perfeita, se clientes de um canal cancelam 2x mais, isso já indica onde o valor real está.

O custo de não fazer nada

Enquanto você usa last-click, suas decisões de orçamento estão sistematicamente erradas. Você está provavelmente investindo demais em canais de último toque (que parecem converter) e de menos em canais de descoberta (que parecem não converter mas alimentam todo o funil).

Corrigir a atribuição não é um luxo analítico. É a diferença entre investir certo e jogar dinheiro fora com convicção.

Referências

• Shao, X. & Li, L. (2011). "Data-Driven Multi-Touch Attribution Models." ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. dl.acm.org/doi/10.1145/2020408.2020453
• IAB & MMA (2019). "MTA Guidebook: Methodology, Use Cases & Best Practices." iab.com/wp-content/uploads/2019/11/IAB_MMA_MTA-Guidebook_Nov-2019.pdf