Multi-Touch Attribution (MTA)
Multi-touch attribution (MTA) e a pratica de distribuir o credito de conversao por todos os pontos de contato de marketing com os quais um cliente interagiu no caminho ate a conversao - nao apenas o primeiro ou o ultimo clique. Em vez de dizer "o Google Ads recebe 100% deste negocio de US$ 5.000", a MTA pode dividi-lo em 30% blog, 20% LinkedIn, 30% Google, 20% ligacao de vendas.
Multi-touch attribution (MTA) e a pratica de distribuir o credito de conversao por todos os pontos de contato de marketing com os quais um cliente interagiu no caminho ate a conversao - nao apenas o primeiro ou o ultimo clique. Em vez de dizer "o Google Ads recebe 100% deste negocio de US$ 5.000", a MTA pode dividi-lo em 30% blog, 20% LinkedIn, 30% Google, 20% ligacao de vendas.
Por que importa
Os modelos de toque unico - first-touch e last-touch - sao a atribuicao mais simples possivel, mas mentem rotineiramente. O last-touch da o credito ao canal que levou o usuario ate a linha de chegada, ignorando os meses de trabalho de conscientizacao que o aproximaram. O first-touch da o credito ao canal que apresentou a marca, ignorando os toques que de fato fecharam o negocio. Ambos produzem alocacoes de orcamento absurdamente distorcidas. A MTA tenta ser honesta quanto ao fato de que os compradores passam por 8 a 20 toques antes da compra e que cada toque contribui com algo. Bem feita, ela direciona o orcamento para os verdadeiros cavalos de batalha. Mal feita (ou com dados ruins), produz respostas confiantemente erradas.
Modelos comuns de MTA
Linear: Credito igual para cada ponto de contato. Facil de calcular, facil de explicar. Trata um banner e uma demonstracao de 30 minutos como igualmente importantes - normalmente generoso demais com os toques iniciais.
Time decay: Toques mais proximos da conversao recebem mais credito. Reflete a intuicao de que uma ligacao de vendas ontem importa mais do que uma leitura de blog seis meses atras.
U-shaped (baseado em posicao): 40% ao primeiro toque, 40% ao ultimo toque, 20% distribuidos entre os toques intermediarios. Reconhece tanto a descoberta quanto a decisao.
W-shaped: Adiciona o evento de criacao do lead como um terceiro ponto ponderado: 30% primeiro, 30% criacao do lead, 30% ultimo, 10% intermediarios.
Data-driven (MTA do Google, cadeias de Markov): Usa analise estatistica de caminhos que convertem e que nao convertem para atribuir credito. Melhores resultados quando ha dados suficientes; inutil em amostras pequenas.
Custom: Pesos ajustados manualmente com base no conhecimento interno do negocio. Arriscado, mas as vezes necessario.
Por que a MTA e dificil em 2026
Fim dos cookies: Os cookies de terceiros estao morrendo ou ja sumiram nos principais navegadores. O rastreamento entre sites - a base da MTA classica - mal funciona mais.
Dark social: Uma parcela enorme dos toques B2B acontece em DMs, Slack e e-mails que nenhuma ferramenta de analytics enxerga.
iOS / regulacao de privacidade: ATT, GDPR e regimes semelhantes restringem a uniao entre dominios de que a MTA precisa.
Referenciadores de busca com IA: Muitas fontes de trafego vindas de ChatGPT, Perplexity e Gemini chegam como direto ou sem atribuicao.
Ciclos de vendas longos: Jornadas B2B que se estendem por 6 a 18 meses excedem a maioria das janelas de atribuicao.
Self-serve / multicanal: Os compradores modernos pesquisam no Reddit, assistem a uma resenha no YouTube e depois se cadastram diretamente - a cadeia de toques parece um unico evento no analytics.
Alternativas ganhando espaco
Marketing Mix Modeling (MMM): Analise estatistica do investimento por canal versus resultados de negocio no nivel agregado, e nao no nivel do usuario. Amigavel a privacidade. Usado por times enterprise a medida que a era dos cookies termina.
Atribuicao autodeclarada: Perguntar "Como voce ficou sabendo de nos?" nos formularios de cadastro. Imperfeito, mas captura o dark social onde a MTA nao consegue.
Teste de incrementalidade: Holdouts geograficos, pausas em canais pagos e experimentos controlados medem o lift causal diretamente.
Triangulacao: Combinar MTA, MMM e respostas autodeclaradas para triangular a verdade, ja que nenhum metodo isolado e confiavel.
Quando a MTA ainda funciona
B2C de alto volume com sessoes rastreadas de forma limpa: E-commerce com usuarios logados.
Jornadas em um unico dominio: Quando a maioria dos toques acontece nas suas proprias propriedades.
Ciclos de consideracao curtos: Quando toda a jornada cabe em uma janela de 30 dias.
Apenas eventos internos: Aberturas de e-mail, interacoes in-app, logins de dashboard - sinais first-party que voce controla de ponta a ponta.
Erros comuns
Tratar a saida da MTA como verdade: E o melhor palpite, nao uma medicao. Sempre mostre intervalos de confianca.
Misturar modelos por canal: Comparar o ROI de first-touch de um canal com o ROI de last-touch de outro garante conclusoes erradas.
Ignorar o dark social: Se 40% dos leads de ligacao de vendas dizem "um amigo me indicou", sua MTA sempre esteve 40% errada.
Otimizar o orcamento pelas pontuacoes de MTA mensalmente: Modelos que oscilam de mes a mes por ruido vao redirecionar seu orcamento para problemas.
Acreditar que a MTA data-driven nao precisa de revisao: A atribuicao por ML ainda e um modelo, com suas proprias premissas e modos de falha.
Fingir que o MMM e so "a MTA antiga": Eles respondem a perguntas diferentes. Use os dois.
Fontes: