Numa operação com busca orgânica relevante, a diferença entre o que o relatório de última interação mostra e o que uma análise de caminho completo devolve ao canal costuma ser grande o bastante para mudar decisão de orçamento. Não é um erro de implementação: é o modelo funcionando exatamente como foi desenhado. A pergunta que este texto responde é outra — como estimar o tamanho dessa diferença na sua base, sem trocar de ferramenta e sem esperar seis meses.
O que o modelo de última interação realmente mede
Última interação (ou last click) atribui 100% da conversão ao último canal não direto antes do fechamento. É um modelo de registro, não de causalidade: ele responde “por onde a pessoa entrou desta vez”, e essa é uma pergunta legítima. O problema começa quando a resposta é usada para decidir onde investir, porque aí a pergunta deixa de ser “por onde entrou” e passa a ser “o que fez a pessoa comprar” — e são coisas diferentes.
A distorção tem um padrão previsível. Canais que aparecem cedo no caminho, quando a pessoa ainda está descobrindo que tem um problema, quase nunca são o último clique. Canais que aparecem tarde, quando a pessoa já decidiu e está só localizando a página, quase sempre são. Busca orgânica de topo, conteúdo educativo, vídeo e redes sociais caem no primeiro grupo. Busca paga de marca, e-mail de carrinho abandonado e retargeting caem no segundo.
Isso significa que o modelo tende a subestimar sistematicamente o primeiro grupo e superestimar o segundo. A magnitude varia muito: em venda de ticket baixo e ciclo de um dia, a diferença entre modelos costuma ser pequena, porque há poucos pontos de contato para distribuir. Em B2B com ciclo de semanas ou meses e oito a quinze toques registrados, a diferença fica grande o suficiente para inverter o ranking de canais.
Onde o orgânico desaparece da conta
Há três mecanismos distintos que tiram crédito do orgânico, e eles se somam. Vale separá-los porque cada um exige uma correção diferente.
O primeiro é a posição no caminho, já descrita. O segundo é a canibalização por marca: alguém lê um artigo seu, sai, volta três dias depois digitando o nome da empresa no buscador e clica no anúncio de marca que está acima do resultado orgânico. O último clique registra mídia paga. A busca orgânica que gerou o conhecimento não aparece em lugar nenhum, e o anúncio de marca recebe crédito por uma intenção que ele não criou.
O terceiro é a perda de rastro entre dispositivos e sessões. Descoberta no celular, compra no desktop, janela de cookie expirada, navegador que limita armazenamento — cada uma dessas situações quebra o caminho e transforma um toque intermediário em uma sessão direta ou em um caminho de um único clique. O efeito é assimétrico: o toque perdido é quase sempre o mais antigo, ou seja, o do canal de descoberta.
Os quatro modelos e o que cada um distorce
Nenhum modelo baseado em regra é neutro. Cada um embute uma teoria sobre como a decisão de compra acontece, e a escolha entre eles é a escolha de qual erro você prefere cometer.
| Modelo | Como distribui | Superestima | Quando faz sentido |
|---|---|---|---|
| Última interação | Tudo para o último toque não direto | Marca paga, retargeting, e-mail transacional | Ciclo curto, poucos toques, decisão por impulso |
| Primeira interação | Tudo para o toque inicial | Canais de descoberta e prospecção fria | Avaliar geração de demanda nova, não fechamento |
| Linear | Peso igual entre todos os toques | Canais de alta frequência e baixo custo | Ciclo longo, quando nenhum toque é claramente decisivo |
| Decaimento temporal | Peso maior quanto mais perto do fechamento | Ainda favorece o fim, mas sem zerar o começo | Meio-termo razoável para B2B com ciclo de semanas |
Há ainda modelos orientados a dados, que ajustam os pesos a partir da comparação entre caminhos que converteram e caminhos que não converteram. Eles são melhores que regras fixas quando há volume suficiente de conversão, mas continuam sendo correlação — descrevem o que acompanha a conversão, não o que a causa. E são sensíveis à mesma perda de rastro descrita acima: se o dado de entrada está incompleto, o modelo aprende o padrão da lacuna.
Como refazer a conta sem ferramenta nova
Dá para estimar a ordem de grandeza da distorção com o que a maioria das operações já tem. O procedimento tem cinco etapas.
- Exporte os caminhos de conversão dos últimos 90 dias. Você precisa da sequência de canais por conversão, não do relatório já agregado por canal.
- Separe as conversões por número de toques. Um clique, dois a três, quatro ou mais — essa quebra sozinha já mostra quanto da sua base está em ciclo curto.
- Reprocesse cada grupo em dois modelos: última interação e linear. A diferença percentual por canal, dentro do grupo de quatro ou mais toques, é a sua estimativa de distorção.
- Isole a busca de marca do resto da mídia paga. Marca misturada com prospecção esconde o efeito de canibalização, que é justamente o que você quer enxergar.
- Compare o crédito do orgânico nos dois modelos e escreva a faixa, não o número. Algo como “entre X% e Y% mais crédito no modelo linear” é uma conclusão defensável; um número único não é.
Esse exercício não prova causalidade. Ele mostra quanto da sua leitura atual depende da escolha de modelo — e essa informação já muda a conversa com quem aprova orçamento, porque tira a discussão do terreno da opinião.
O teste que resolve a discussão
Atribuição descreve caminhos registrados. Para saber o que aconteceria sem o canal, é preciso desligá-lo em algum lugar e comparar. O desenho mais barato para isso é o teste geográfico: escolhe-se um conjunto de regiões comparáveis, suspende-se o investimento no canal em metade delas, mantém-se na outra metade, e observa-se a diferença de receita total — não de receita atribuída.
Duas exigências tornam esse teste viável ou inviável. A primeira é volume: regiões com poucas conversões por semana produzem variação aleatória grande o bastante para engolir o efeito. A segunda é tempo: o período precisa cobrir pelo menos um ciclo de venda completo, e depois mais um, porque o efeito de desligar um canal de descoberta aparece com atraso. Em operação de ciclo longo, isso significa um teste de meses, o que muitas vezes é o argumento real contra fazê-lo.
Quando o teste não cabe, a alternativa honesta é assumir a incerteza: manter o modelo atual como registro operacional, tratar a faixa calculada na seção anterior como margem de erro conhecida e não usar variação de poucos pontos percentuais entre canais como base para realocar orçamento.
Qual modelo usar em qual situação
Para operação de ciclo curto, ticket baixo e maioria de caminhos com um ou dois toques, última interação é adequado e trocar por outra coisa adiciona complexidade sem ganho. A distorção existe, mas é pequena diante do ruído natural da operação.
Para ciclo de semanas com quatro ou mais toques típicos, decaimento temporal é a escolha mais defensável entre os modelos de regra. Ele não finge que todos os toques pesam igual, o que é implausível, nem zera o começo do caminho, que é o erro grave do último clique. Não é correto — nenhum é — mas erra menos onde erra mais caro.
Para qualquer decisão de aumentar ou cortar investimento acima de uma fatia relevante do orçamento, nenhum modelo de atribuição deveria ser suficiente sozinho. Aí vale o teste geográfico, mesmo que demore. O custo de rodá-lo é conhecido e limitado; o custo de cortar por três meses um canal que sustentava a demanda do fundo do funil não aparece em relatório nenhum até ser tarde.
Perguntas frequentes
Trocar o modelo de atribuição muda a receita real?
Não. Muda apenas a distribuição do crédito entre canais. A receita total é a mesma em qualquer modelo — o que varia é a quem ela é creditada, e portanto quais decisões de orçamento parecem justificadas.
Conversões marcadas como diretas podem ser recuperadas?
Parcialmente. Parte do tráfego direto é gente que realmente digitou o endereço; outra parte é rastro perdido. Comparar a proporção de diretas entre dispositivos e entre páginas de entrada ajuda a separar os dois casos, mas não existe forma de recuperar a origem de uma sessão cujo caminho foi quebrado.
Vale a pena implementar atribuição no servidor?
Ajuda no terceiro mecanismo descrito acima — a perda de rastro — e costuma reduzir a proporção de caminhos de um único clique. Não resolve a canibalização por marca nem a questão de posição no caminho, porque essas são limitações do modelo, não da coleta.
Qual janela de atribuição usar?
Ela precisa ser pelo menos tão longa quanto o ciclo de venda observado, medido da primeira visita ao fechamento, no percentil alto e não na média. Janela mais curta que o ciclo descarta o começo do caminho por construção — e o começo do caminho é exatamente onde o orgânico aparece.
Deixe um comentário