Um cliente clicou num anúncio do Instagram na terça, assistiu um vídeo no YouTube no sábado, pesquisou a marca no Google na segunda e comprou digitando o site direto na quarta. Pergunta: qual canal vendeu? Quem responde “o último” está usando last click. Quem responde “todos, em alguma medida” está pensando em atribuição multi-touch. E quem responde “depende do modelo, e nenhum é a verdade absoluta” provavelmente já apanhou de relatório o suficiente pra escrever este post.

Em mais de 8 anos operando acima de R$50 milhões em mídia paga (Google, Meta, LinkedIn, TikTok, Bing), a lição que mais se repetiu foi essa: o número de conversão que aparece no relatório é uma opinião do modelo de atribuição, não um fato. Aqui vou explicar o que é atribuição multi-touch, quais modelos existem, como aplicar com ferramenta que você já tem, e onde parar de acreditar no dado.

O que é atribuição multi-touch?

Atribuição multi-touch é o método que divide o crédito de uma conversão entre vários pontos de contato da jornada do cliente, em vez de entregar 100% pra um toque só. Modelos de toque único (first click, last click) escolhem um vencedor. Modelos multi-touch (linear, time decay, position-based, data-driven) reconhecem que a venda foi construída em etapas.

Na prática, a jornada típica que eu vejo em contas de lead gen B2B tem de 4 a 8 toques rastreáveis. E-commerce de compra por impulso fica entre 1 e 3. Quanto mais caro o produto e mais longo o ciclo, mais o last click distorce, porque o último toque quase sempre é busca de marca ou tráfego direto, ou seja, gente que já estava decidida.

No fluxo acima, o last click daria todo o crédito pro toque 4 (ou pro 3, dependendo da regra de tráfego direto). O Instagram, que apresentou a marca, aparece com zero. Multi-touch existe pra corrigir exatamente essa injustiça, mas cada modelo corrige de um jeito diferente, e é aí que a coisa complica.

Quais são os modelos de atribuição e como cada um distribui crédito?

Os seis modelos que você vai encontrar em qualquer discussão séria de atribuição:

• Last click: 100% do crédito pro último clique não-direto. Simples, determinístico, e cego pra tudo que veio antes.
• First click: 100% pro primeiro toque. Útil pra avaliar canais de descoberta, inútil como número oficial.
• Linear: crédito igual pra todos os toques. Numa jornada de 4 toques, 25% pra cada. Honesto na intenção, preguiçoso na execução: tratar um vídeo assistido pela metade igual ao clique que fechou a venda raramente reflete a realidade.
• Time decay: toques mais próximos da conversão pesam mais. Faz sentido em ciclo curto, penaliza demais o topo de funil em ciclo longo.
• Position-based (40/20/40): 40% pro primeiro toque, 40% pro último, 20% dividido no meio. É o meio-termo que eu uso como referência mental quando não confio no data-driven.
• Data-driven (DDA): um algoritmo compara jornadas que converteram com jornadas que não converteram e calcula a contribuição marginal de cada toque. É o único que aprende com os dados da sua conta, e também o único que você não consegue auditar numa planilha.

Detalhe importante de 2026: o GA4 removeu first click, linear, time decay e position-based como modelos aplicáveis a relatórios lá em 2023. Eles sobrevivem só como referência conceitual e em ferramentas de BI. Dentro do GA4, a escolha real é entre data-driven e last click. Escrevi a comparação completa entre eles no post sobre atribuição no GA4.

Por que o last click ainda domina (e quando ele engana)?

Se multi-touch é conceitualmente superior, por que a maioria das contas que eu audito ainda decide budget em last click? Três motivos práticos. Primeiro, ele funciona sem volume: roda numa conta que converteu 15 vezes no mês. Segundo, ele é auditável: você consegue replicar o número. Terceiro, ele conversa com as plataformas: Meta, TikTok e LinkedIn reportam em lógicas próximas de last touch, então os números “quase batem” e ninguém questiona.

O problema é quando o last click deixa de ser simplificação e vira mentira operacional. Os dois erros clássicos que eu já vi custarem caro:

• Cortar canal de descoberta porque “não converte”. YouTube e Display quase nunca são o último clique. Em last click, eles parecem dinheiro jogado fora. Corta, e 6 a 10 semanas depois o custo por lead da busca de marca sobe, porque a demanda que alimentava a marca secou.
• Escalar busca de marca porque “é o canal mais rentável”. Busca de marca colhe decisão pronta. Dobrar o investimento ali não cria demanda nova, só paga mais caro pelo mesmo cliente.

Minha regra: last click serve como número oficial em conta pequena e como referência de auditoria em qualquer conta. O que ele não pode ser é o único critério pra decidir onde o próximo real de budget entra.

Como funciona o data-driven attribution do GA4 na prática?

O DDA do GA4 é hoje a forma mais acessível de atribuição multi-touch de verdade: vem de graça, já integrado, e é o modelo padrão da propriedade. Por baixo, ele usa uma adaptação de valores de Shapley (teoria dos jogos): compara a probabilidade de conversão de jornadas com e sem cada touchpoint e distribui o crédito proporcionalmente à contribuição marginal de cada um.

Exemplo do que isso significa: se jornadas com Display + busca de marca convertem bem mais que jornadas só com busca de marca, o Display ganha crédito incremental, mesmo nunca sendo o último clique. Se o Display aparece em milhares de jornadas que não converteram, ele perde crédito. O modelo aprende com a sua conta, não com uma regra fixa.

As duas limitações que você precisa aceitar antes de usar: é caixa-preta (o Google não publica os pesos por toque, então você não audita o cálculo) e só enxerga o que o GA4 rastreou. Impressão de anúncio no Meta que não virou clique não existe pro DDA. Por isso eu sempre leio o DDA ao lado do last click no relatório de comparação de modelos, nunca sozinho. Mostro esse fluxo de leitura no post sobre relatórios do GA4.

Como aplicar atribuição multi-touch com ferramentas acessíveis?

Você não precisa de plataforma de atribuição de US$2.000/mês. Precisa de uma base de tracking limpa e de disciplina de leitura. O caminho que eu implanto nas contas, em ordem:

1. Arrume a fundação antes do modelo. Atribuição multi-touch em cima de tracking sujo é lixo sofisticado. Comece pelo setup do GA4 pra mídia paga: eventos de conversão bem definidos, um por etapa real do funil.
2. Padronize UTMs. Se metade do tráfego do Meta chega como referral ou (not set), o modelo distribui crédito em cima de dado errado. A estrutura de UTMs é o que garante que cada toque seja classificado no canal certo.
3. Elimine conversão duplicada. Pixel + API de conversão + importação no Google Ads contando o mesmo pedido duas vezes infla canal na proporção errada. A deduplicação de conversão vem antes de qualquer discussão de modelo.
4. Feche buracos de jornada. Checkout em domínio separado sem cross-domain tracking quebra a sessão no meio, e o toque final vira “direto”. Jornada quebrada é crédito perdido.
5. Use o relatório de comparação de modelos do GA4. Publicidade > Atribuição > Comparação de modelos. DDA e last click lado a lado, por canal. É de graça e responde 80% das perguntas.
6. Monte uma visão por canal no Google Data Studio. Uma tabela com crédito em last click vs DDA, share de cada canal e a variação entre modelos. É esse delta que vira conversa de budget com o cliente.

Janela de lookback: eu mantenho 30 dias pra e-commerce e 90 dias pra B2B e lead gen de ciclo longo. Janela curta demais em ciclo longo amputa o topo do funil do cálculo, e aí nem o melhor modelo salva.

Multi-touch morreu com o fim dos cookies de terceiros?

Morreu a versão dos slides de 2018, aquela do mapa completo da jornada, toque por toque, pessoa por pessoa. Essa nunca vai voltar. O iOS 14.5 quebrou o tracking do Meta em 2021, o ITP do Safari corta cookie first-party em 7 dias, e o Link Tracking Protection do iOS remove parâmetro de rastreio em link compartilhado. O resultado prático: em 2026 é normal ver 20-30% das conversões classificadas como “direto” no GA4 quando parte delas veio de mídia paga com o rastro perdido.

Isso afeta o DDA diretamente: o modelo aprende com jornadas cada vez mais incompletas e preenche o resto com inferência. As plataformas fazem o mesmo do lado delas com conversões modeladas. Ou seja, todo número de atribuição que você olha hoje é parte medição, parte estimativa. Quem te vender precisão de duas casas decimais em atribuição multi-touch está vendendo ficção.

Pra quem investe pesado (na minha régua, acima de R$500 mil/mês), vale adicionar camadas que não dependem de cookie: marketing mix modeling e testes de incrementalidade por região. Pra todo o resto, o combo GA4 bem configurado + comparação de modelos + leitura crítica entrega 90% do valor por 0% do custo.

Meu processo: as 3 leituras que faço antes de mexer em budget

Pra fechar, o checklist que eu rodo em toda revisão de investimento, usando só o relatório de comparação de modelos:

1. Quem é injustiçado? Canal que ganha muito mais crédito no DDA do que no last click é canal de descoberta. Antes de cortar, eu simulo o efeito de segunda ordem: o que acontece com a busca de marca daqui a 2 meses se esse canal sumir?
2. Quem é supervalorizado? Canal que domina no last click e murcha no DDA (quase sempre busca de marca) é canal de colheita. Mantenho, mas não escalo esperando demanda nova.
3. Quem é estável? Canal com share parecido nos dois modelos é onde o real incremental costuma render melhor, porque a leitura não depende da opinião do modelo.

É menos glamouroso que uma plataforma de atribuição com IA no nome, mas foi o que segurou as melhores decisões de budget que eu tomei nesses 8 anos. Modelo bom é o que você entende o suficiente pra desconfiar.

Perguntas frequentes