Atribuição last-click: usos e limites

Por que último clique virou padrão (mesmo sendo problemático)

Atribuição de último clique não é o melhor modelo — é o mais simples. Ela ganhou status de padrão por três razões históricas que ainda hoje influenciam o mercado.

Herança das plataformas de anúncio. Google Ads, Meta Ads e demais plataformas de mídia precisam contabilizar conversões para cobrar e otimizar entrega. A forma mais simples de fazer isso é creditar o último anúncio clicado. Cada plataforma, naturalmente, atribui crédito a si mesma — Google credita Google, Meta credita Meta. Como o Google Analytics historicamente herdou esse padrão, último clique virou modelo de referência mesmo fora do contexto de mídia paga.

Simplicidade computacional. Calcular o último clique é trivial: olhe a sessão imediatamente anterior à conversão, atribua o crédito. Modelos multi-toque exigem armazenar toda a jornada, identificar o usuário entre dispositivos, decidir como distribuir peso entre toques — operações computacionalmente caras e cheias de definições subjetivas.

Comparabilidade. Como praticamente todas as ferramentas reportam último clique por padrão, você pode comparar o que o Google Analytics 4 mostra com o que o Google Ads, o Meta Business Manager e a RD Station mostram. Modelos mais sofisticados são, na prática, incompatíveis entre fornecedores.

A consequência é que último clique sobrevive por inércia institucional, não por qualidade analítica. Em quase toda operação com mais de cinco canais ativos e ciclo de decisão acima de 30 dias, ele distorce o crédito de forma mensurável.

Último clique e último clique sem direto

Vale distinguir duas variantes que geram confusão. Último clique puro credita o último ponto de contato registrado — inclusive sessões diretas (quando o usuário digita a URL ou usa marcador). Último clique sem direto (last-non-direct) é o padrão histórico do Google Analytics: se a última sessão foi direta, a ferramenta procura na jornada o último ponto de contato não direto e credita esse.

Por que a diferença importa: muitas sessões diretas são, na verdade, sessões cuja origem foi perdida (clique em email sem rastreamento, app que não preserva referrer, navegador anônimo). Atribuir 100% a essas sessões mascara o trabalho real dos canais identificáveis. Por isso o Google Analytics historicamente usa último clique sem direto como padrão.

Em operações com volume alto de tráfego direto (marca forte, base de retorno consolidada), revisar como sessões diretas estão sendo classificadas é o primeiro ajuste. Em operações com volume baixo de direto, a diferença é menor.

O que último clique entrega bem

Apesar das limitações, último clique tem usos legítimos quando aplicado no contexto certo.

Avaliação de canais de fundo de funil. Para canais que tipicamente fecham vendas — pesquisa paga com palavra-chave de marca, redirecionamento, email de oferta direta a base — último clique reflete bem a contribuição. Esses canais existem para converter intenção próxima da decisão, e o último clique captura isso com fidelidade.

Operações com ciclo curto e poucos canais. Em e-commerce B2C com ciclo de menos de sete dias e dois ou três canais ativos, a diferença entre modelos é pequena. Último clique simplifica decisão sem perder muito sinal.

Comparação entre plataformas. Quando você precisa comparar o que o Google Ads relatou com o que o Meta Ads relatou, ambos usam último clique. Forçar comparação em outro modelo introduz inconsistências.

Painel operacional do dia a dia. Para decisões táticas rápidas — "este anúncio gerou venda hoje?", "este canal está respondendo à campanha desta semana?" — último clique entrega a leitura mais clara. Decisões estratégicas de longo prazo são outra conversa.

O que último clique distorce sistematicamente

As distorções de último clique não são aleatórias — são estruturais e previsíveis. Conhecê-las permite ajustar leitura mesmo quando o modelo permanece em uso.

Subestima topo de funil. Conteúdo orgânico, redes sociais espontâneas, mídia paga de descoberta (anúncios de exibição, vídeo em alcance) raramente são o último clique antes da conversão — mas frequentemente são o primeiro contato que iniciou a jornada. Sob último clique, esses canais aparecem com retorno baixo e tendem a perder orçamento, mesmo quando são responsáveis por trazer o tráfego que outros canais convertem.

Premia desproporcionalmente pesquisa de marca. Quando alguém pesquisa "[sua marca] preço" no Google, clica no anúncio de marca e converte, último clique credita 100% à pesquisa paga de marca. Mas a maioria desses usuários já sabia da marca antes — descobriu por outro canal. A pesquisa de marca recebe crédito por intermediar uma intenção que já existia.

Premia redirecionamento (retargeting). Anúncios de redirecionamento mostram-se para quem já visitou o site. Eles fecham conversões que estavam próximas de acontecer com ou sem o anúncio. Último clique credita esses anúncios pelo fechamento, sem considerar o canal que trouxe o tráfego inicial.

Esconde efeito de halo de marca. Campanhas amplas de reconhecimento de marca aumentam volume de pesquisa direta e pesquisa orgânica de marca. Sob último clique, esse efeito aparece nos canais "pesquisa direta" e "pesquisa orgânica", não na campanha que o gerou.

Distorce decisão entre topo e fundo. Como consequência das distorções acima, gestores que usam último clique para decisão de orçamento sistematicamente direcionam mais investimento para fundo de funil — onde o crédito aparece — e cortam topo, onde o crédito é invisível. Em médio prazo, o pipeline seca.

Quando manter último clique é defensável

Manter último clique como modelo principal é defensável quando três condições se sobrepõem:

Ciclo de decisão curto (menos de 7 dias entre primeiro contato e conversão). Quanto menor o ciclo, menos toques intermediários existem, menor o erro de creditar tudo ao último.

Poucos canais ativos (até três ou quatro). Com poucos canais, a chance de toques relevantes invisíveis é menor.

Volume baixo de mídia paga de descoberta. Se sua mídia está concentrada em pesquisa paga e redirecionamento, último clique sofre menos. Se inclui exibição, vídeo, áudio, marketing de influência, último clique distorce muito.

Operações típicas onde último clique se mantém razoável: e-commerce B2C de produtos de baixo ticket com mídia paga concentrada em Google Ads pesquisa; serviços profissionais locais (advogado, dentista, oficina) com volume baixo; campanhas de promoção curta (até 14 dias) para base de cadastros já existente.

Quando migrar (e para o quê)

Migrar para outro modelo de atribuição faz sentido quando:

Ciclo de decisão é longo (acima de 30 dias). B2B, ticket médio alto, decisão envolvendo várias pessoas — último clique perde sinal sistematicamente.

Múltiplos canais ativos (mais de cinco). Quanto mais pontos de contato possíveis, maior a chance do último clique creditar incorretamente.

Orçamento significativo em topo e meio de funil (conteúdo, mídia paga de descoberta, marketing de influência, podcast, eventos). Sem outro modelo, esses canais ficam invisíveis no relatório.

Decisão de orçamento depende do dado. Se o relatório de atribuição vai determinar para onde vão centenas de milhares ou milhões de reais, distorção sistêmica é cara.

Para onde migrar, em ordem aproximada de complexidade e investimento:

Multi-toque linear. Crédito igual entre todos os toques da jornada. Simples, melhor que último clique, viés conhecido (subestima toques de meio).

Multi-toque em forma de U. 40% para primeiro toque, 40% para último, 20% distribuído entre os intermediários. Reflete crença comum de que abertura e fechamento são os momentos mais importantes.

Multi-toque com decaimento temporal. Toques mais próximos da conversão recebem mais peso. Razoável quando se acredita que a memória recente influencia mais a decisão.

Dirigido por dados (data-driven). Algoritmo aprende a partir dos dados quanto crédito dar a cada combinação de toques. Disponível gratuitamente no Google Analytics 4 para contas com volume suficiente. É o modelo mais robusto hoje em plataformas de auto-serviço.

Multi-toque com modelagem (MTA com identidade). Empresas grandes constroem identificação de usuário entre dispositivos e canais, e modelam atribuição com algoritmos próprios. Exige investimento alto em plataforma de dados do cliente e analítica avançada.

Modelagem de mix de mídia (MMM). Modelo econométrico que mede contribuição de canais sem precisar de identificação individual — adequado para canais offline (TV, fora de casa, rádio) e para mundo pós-cookies. Resurgindo como complemento a atribuição digital.

Como rodar comparativo entre modelos no Google Analytics 4

Antes de migrar, vale ver com seus próprios dados como modelos diferentes distribuem crédito. O Google Analytics 4 oferece comparação de modelos no relatório de Atribuição (Publicidade > Atribuição > Comparação de modelos).

Passo a passo:

1. Selecione a janela de tempo que importa (60 a 90 dias é razoável para começar).

2. Selecione conversão de interesse (geração de contato qualificado, compra, agendamento).

3. Compare último clique sem direto com dirigido por dados.

4. Foque nas linhas onde a diferença percentual entre modelos é maior que 20% — essas são os canais cuja leitura muda mais.

5. Investigue qualitativamente: por que canal X recebe muito mais crédito em um modelo do que em outro? Faz sentido com a jornada real do cliente?

6. Use a comparação como insumo de discussão estratégica, não como decisão automática. Modelo é mapa — não é o território.

Proteção de dados e atribuição em mundo sem cookies de terceiros

A atribuição entre canais sempre dependeu de rastreamento de jornada — e o rastreamento depende de cookies, parâmetros UTM e identificadores. Com a aposentadoria dos cookies de terceiros (Safari, Firefox e em breve Chrome) e a aplicação da LGPD no Brasil e leis equivalentes em outras jurisdições, o cenário mudou.

Implicações práticas para atribuição:

Banner de consentimento que oferece "rejeitar cookies não essenciais" reduz volume de dados disponível para atribuição. Quanto maior a parcela que rejeita, maior a parcela de jornadas "fantasma" no relatório.

Conversões pelo lado do servidor (server-side) ganham importância. Google Tag Manager Server-Side, API de Conversões do Meta e equivalentes captam conversões mesmo quando bloqueadores de anúncio inutilizam rastreamento no navegador.

Modo de Consentimento (Consent Mode) do Google permite reportar conversões agregadas mesmo quando o usuário rejeitou cookies — com perda de granularidade, mas mantendo sinal global.

Modelagem de mix de mídia (MMM) volta a fazer sentido como complemento, especialmente para canais offline ou de difícil rastreamento.

A direção é clara: atribuição puramente determinística (eu sei exatamente quem fez o quê) tende a perder espaço para abordagens probabilísticas e modelagens. Último clique sobrevive como referência, mas decisão estratégica passa a depender de combinação de fontes.