Atribuição de vendas: como saber de onde veio o lead em uma jornada multicanal

Você roda mídia em 6 canais. O lead converte. O CRM registra “origem: Google Ads”. Você celebra o paid. Três meses depois, descobre que 80% dos leads que converteram via Google Ads tinham visitado o site organicamente 2 semanas antes, lido 4 emails da newsletter, e assistido a um webinar. O Google Ads foi o último clique. Não foi o único responsável.

Esse é o problema clássico de atribuição: a ferramenta que você usa define a realidade que você enxerga. Last-click supervaloriza canais de conversão direta (paid search, remarketing). First-click supervaloriza canais de descoberta (SEO, social orgânico). Linear divide o crédito igualmente entre todos os toques — o que soa justo mas ignora que nem todo toque tem o mesmo peso.

A verdade desconfortável: não existe modelo perfeito. Existe modelo adequado pra pergunta que você está fazendo. E a maioria das operações nem sabe qual pergunta está tentando responder.

O que é atribuição de vendas em 2026?

Atribuição é o método que você usa pra distribuir crédito de conversão entre os pontos de contato da jornada do lead. Em português direto: quando alguém vira cliente, quais canais merecem crédito?

Até 2020, a resposta padrão era last-click: o último canal antes da conversão leva todo o crédito. Simples, rastreável via cookie, compatível com Google Analytics Universal. O problema: ignora completamente o trabalho de awareness e consideração que outros canais fizeram antes.

Em 2026, last-click ainda domina operações pequenas — não porque é bom, mas porque é o default do GA4 e da maioria dos CRMs. Mas três mudanças estruturais tornaram a conversa sobre atribuição incontornável:

• Morte do cookie de terceiros (Chrome deprecation completa em Q3 2024, efetiva em 2025) — rastreamento cross-site morreu. Atribuição tradicional baseada em cookie perdeu 40-60% da cobertura.
• Jornadas multicanal viraram regra — B2B médio tem 7-12 touchpoints antes de conversão (Gartner 2025). B2C tem 4-8. Atribuir tudo ao último clique é mentir pra si mesmo.
• Marketing Mix Modeling (MMM) voltou — método estatístico dos anos 80, ressuscitado porque não depende de rastreamento individual. Google, Meta e Microsoft investiram pesado em MMM entre 2023-2025.

Resultado: a pergunta deixou de ser “qual ferramenta de atribuição eu uso?” e virou “qual modelo de atribuição responde a pergunta que eu preciso fazer?”.

Os 5 modelos de atribuição: o que cada um mede

Antes de comparar ferramentas, compare modelos. Cada um responde uma pergunta diferente. Se você não sabe qual pergunta está fazendo, vai escolher o modelo errado.

Last-click · o mais usado, o mais mentiroso

O que mede: qual canal fechou a conversão. Pergunta implícita: “onde eu boto o último real do orçamento pra garantir conversão?”

Last-click atribui 100% do crédito ao último touchpoint antes da conversão. Se o lead clicou em Google Ads 5 minutos antes de comprar, Google Ads leva todo o crédito — mesmo que ele tenha descoberto a marca via orgânico 3 semanas antes e lido 8 emails no meio.

Quando funciona: operações pequenas (até 200 conversões/mês), ciclo de venda curto (menos de 7 dias), poucos canais ativos (2-3). Quando falha: jornadas longas, múltiplos touchpoints, orçamento distribuído em awareness + conversão.

First-click · o oposto igualmente problemático

O que mede: qual canal trouxe o lead pela primeira vez. Pergunta implícita: “onde eu invisto pra gerar demanda nova?”

First-click dá todo o crédito ao canal de descoberta. Se o lead chegou via post no LinkedIn, LinkedIn leva 100% — mesmo que ele tenha ignorado o site por 2 meses e só convertido depois de clicar em email + remarketing.

Quando funciona: você quer medir força de topo de funil. Útil pra decidir onde investir em awareness. Quando falha: como único modelo — ignora completamente o trabalho de conversão.

Linear · divisão igualitária, justeza falsa

O que mede: crédito igual pra todos os touchpoints. Pergunta implícita: “todo canal que tocou o lead merece reconhecimento?”

Linear divide o crédito em partes iguais. Lead teve 5 touchpoints (orgânico → email → webinar → paid → email)? Cada um recebe 20%.

Quando funciona: migração de last-click pra algo mais justo sem dados suficientes pra modelo complexo. Bom como ponte. Quando falha: ignora que touchpoints têm pesos diferentes. Um webinar de 60min não vale o mesmo que uma impressão de banner.

Time-decay · peso cresce conforme proximidade da conversão

O que mede: importância crescente dos touchpoints mais próximos da conversão. Pergunta implícita: “quais canais aceleraram a decisão final?”

Time-decay atribui mais crédito aos touchpoints recentes. Touchpoint de 1 semana atrás recebe mais peso que touchpoint de 1 mês atrás. O mais recente recebe o maior peso — mas não 100% como no last-click.

Quando funciona: ciclos de venda médios (15-45 dias), múltiplos touchpoints, você quer balancear awareness e conversão sem ignorar nenhum dos dois. Quando falha: ciclos muito longos (90+ dias) onde touchpoints antigos são tão importantes quanto recentes.

Data-driven · algoritmo aprende o padrão, mas exige volume

O que mede: peso estatístico de cada touchpoint baseado em padrões de conversão reais. Pergunta implícita: “o que os dados dizem sobre o peso real de cada canal?”

Data-driven usa machine learning pra calcular quanto cada touchpoint contribui pra probabilidade de conversão. Compara jornadas que converteram vs jornadas que não converteram, identifica padrões, atribui crédito proporcional à influência real.

Quando funciona: 400+ conversões/mês (mínimo técnico do Google Ads), dados limpos, múltiplos canais rastreáveis. Quando falha: baixo volume, dados sujos (duplicatas, bots, sessões fantasma), canais não-rastreáveis dominam a operação (offline, dark social, word-of-mouth).

MMM: o sexto modelo que não rastreia nada

Marketing Mix Modeling é estatística, não rastreamento. Correlaciona investimento por canal (input) com vendas totais (output) ao longo do tempo, controlando sazonalidade e eventos externos. Não rastreia jornadas individuais — analisa agregados.

O que mede: contribuição de cada canal pro volume total de vendas em uma janela de tempo. Pergunta implícita: “se eu aumentar investimento no canal X em 20%, quanto as vendas sobem?”

MMM voltou com força em 2023-2025 porque resolve o problema que matou atribuição tradicional: não depende de cookie, pixel ou rastreamento individual. Funciona com dados agregados de investimento (quanto você gastou em cada canal por semana) + vendas totais (quantas conversões aconteceram por semana).

Quando funciona: operações com orçamento mensal consistente (R$ 50k+), múltiplos canais (4+), histórico de 12-24 meses de dados limpos. Ideal pra entender peso de canais não-rastreáveis (TV, OOH, rádio, word-of-mouth). Quando falha: baixo volume de conversões, orçamento errático, menos de 6 meses de histórico, tentativa de usar MMM como substituto de atribuição granular (não é — são complementares).

Qual modelo escolher: veredito por estágio da operação

A escolha certa de modelo depende de 3 variáveis: volume de conversões, número de canais ativos, e complexidade da jornada.

Nota sobre MMM: não substitui atribuição granular — complementa. Use MMM quando você precisa entender força de canais não-rastreáveis (TV, OOH, podcast, word-of-mouth) ou quando quer decisão de budget estratégica (aumentar investimento em X vai gerar Y de retorno agregado). Use atribuição granular (time-decay ou data-driven) quando você precisa otimizar campanhas específicas, testar criativos, ajustar lances.

Case · last-click pra MMM em 90 dias

O case abaixo é anonimizado mas verificável. Marca DTC de bem-estar, R$ 2-3M de faturamento mensal, operação digital com 5 canais: Google Ads (search + shopping), Meta Ads, SEO, email, influenciadores.

O aprendizado não foi “SEO é melhor que paid”. Foi: atribuição errada leva a decisão errada de budget. Last-click supervalorizava o canal de conversão e ignorava o canal de demanda. MMM corrigiu a visão. Resultado: mais investimento em topo de funil, menos dependência de paid pra gerar demanda do zero.

Checklist: como escolher seu modelo de atribuição

Antes de escolher ferramenta, responda estas 5 perguntas. Suas respostas definem o modelo adequado.

Regra de ouro: não escolha modelo porque ele é mais sofisticado. Escolha modelo porque ele responde a pergunta que você está fazendo. Data-driven com 50 conversões/mês é tiro no pé. MMM sem histórico limpo é jogar dinheiro fora. Time-decay bem configurado entrega 80% do valor de data-driven com 20% da complexidade — pra maioria das operações, isso é vitória.

Ferramentas: onde rodar cada modelo

Você não precisa de ferramenta cara pra começar. GA4 nativo roda last-click, first-click, linear e time-decay gratuitamente. Data-driven está disponível no Google Ads quando você atinge o volume mínimo. MMM exige plataforma terceira ou consultoria.

Opções por modelo:

• Last-click / Linear / Time-decay: Google Analytics 4 (gratuito, nativo). Configure em Advertising > Attribution > Model comparison. Escolha modelo no dropdown.
• Data-driven: Google Ads (gratuito quando atinge 400 conversões/mês + 15k cliques em 30 dias). Plataformas pagas: Rockerbox (US$ 2-5k/mês), Northbeam (US$ 5-10k/mês, forte em DTC), Wicked Reports (US$ 2-4k/mês, forte em info products).
• MMM: Recast (Brasil, R$ 15-30k/mês), Mutinex (global, US$ 20-50k/mês), Cassandra (Meta, integração direta com Ads Manager). Alternativa: contratar consultoria especializada (Bain, McKinsey, BCG cobram US$ 50-150k por projeto de 3-6 meses).

Nota sobre GA4: GA4 tem limitação conhecida em atribuição cross-domain e cross-device. Se sua operação depende de jornadas que começam em um domínio (ex: blog em subdomínio) e convertem em outro (ex: checkout em domínio principal), você precisa configurar corretamente measurement ID unificado + cross-domain tracking — ou os dados vão aparecer fragmentados e a atribuição vai falhar.

O que não fazer: armadilhas comuns de atribuição

Seis erros que eu vi em 90% das operações que reclamam de “atribuição não funciona”:

A armadilha mais comum: achar que atribuição resolve problema de conversão. Atribuição não aumenta conversões — ela distribui crédito entre os canais que geraram as conversões que você já tem. Se sua taxa de conversão é baixa, atribuição não resolve. Melhore a conversão primeiro. Atribua depois.

Atribuição não é verdade · é lente

Todo modelo de atribuição é reducionista. Jornadas humanas são complexas, não-lineares, influenciadas por variáveis que nenhum pixel rastreia: conversa com amigo, resenha no Reddit lida de madrugada, podcast ouvido no carro. Atribuição é aproximação útil, não verdade absoluta.

O erro fatal é tratar o modelo como oráculo. Last-click diz “Google Ads fechou a venda” — mas ignora que SEO gerou awareness 3 semanas antes. Data-driven diz “email tem 18% de contribuição” — mas o algoritmo não sabe que o lead leu 4 emails genéricos e só converteu depois de clicar no quinto, que tinha oferta específica.

Use atribuição como lente de leitura, não como substituto de análise. Combine modelo quantitativo com qualitativo: pesquisa de NPS perguntando “como você nos conheceu?”, gravação de sessões (Hotjar, Clarity), entrevistas com clientes novos. Atribuição te diz o caminho digital. Qualitativo te diz o que aconteceu fora do rastreável.

A decisão certa não é o modelo mais caro. É o modelo que responde a pergunta que você está fazendo com os dados que você tem agora.