Como este tema funciona na sua empresa
Raramente justifica abandonar last-click por atribuição linear. Em jornadas curtas e mídia concentrada em um ou dois canais, last-click já reflete bem a realidade. Quando há dúvida sobre canais de topo de funil, é mais barato perguntar diretamente ao cliente ("como você nos conheceu?") via pergunta no formulário — atribuição autodeclarada — do que configurar e interpretar modelo linear no GA4. Vale o esforço só quando há mais de três canais regulares e ciclo de decisão acima de 30 dias.
Linear é uma boa ponte para mostrar à direção que canais de topo entregam, sem complexidade de modelos avançados. Útil em apresentações: a comparação lado a lado entre last-click e linear mostra exatamente quanto canais de descoberta (SEO, redes sociais orgânicas, podcasts, conteúdo) ficam invisíveis no modelo de último clique. Implementação simples no GA4. Recomendação: usar como ponte para evoluir depois para position-based ou data-driven.
Linear aparece como um dos modelos no relatório multi-modelo, ao lado de last-click, first-click, time-decay e data-driven. Útil como ponto de comparação para revelar a distribuição "democrática" e contrastar com modelos que valorizam intensidade (time-decay) ou posição (position-based). Time de analytics avançado considera linear como modelo de transição na evolução para modelos mais sofisticados como Markov chains ou Shapley values.
Atribuição linear
é o modelo de atribuição de marketing que divide o crédito de uma conversão igualmente entre todos os touchpoints da jornada do cliente — se a jornada teve cinco interações antes da conversão, cada uma recebe 20% do crédito; se teve dez, cada uma recebe 10%. É o modelo mais "democrático" entre os baseados em regra (não probabilísticos), reconhecendo todos os canais que tocaram o cliente, mas ignorando a intensidade do toque (um clique em redirecionamento conta igual a um download de material aprofundado) e o momento (primeiro contato vale o mesmo que último clique).
O problema que atribuição linear tenta resolver
O modelo padrão na maior parte das empresas brasileiras é last-click — o último clique antes da conversão leva 100% do crédito. É simples, é o padrão de GA4, e funciona bem para jornadas curtas com poucos canais. Mas tem um defeito conhecido: esmaga canais de topo de funil.
Imagine uma jornada típica em B2B: o usuário descobre a empresa em um post no LinkedIn (canal: redes sociais orgânicas), volta dias depois via busca por nome da marca (canal: orgânico de marca), recebe um email de nutrição (canal: email), pesquisa pelo concorrente no Google (canal: orgânico genérico), e finalmente converte clicando em um anúncio de remarketing (canal: pago). Em last-click, o anúncio leva 100%. LinkedIn, busca de marca, email e busca genérica recebem zero.
O resultado prático: a direção olha o relatório, vê que paid traz tudo, corta investimento em conteúdo, SEO e redes sociais. Em três a seis meses, as conversões caem — porque os canais de descoberta desapareceram, e sem descoberta, não há remarketing. O modelo last-click distorceu a percepção de causalidade.
Atribuição linear é uma das respostas mais simples a esse problema: todos os canais que tocaram a jornada recebem crédito igual. No exemplo acima, com cinco touchpoints, cada um leva 20%. LinkedIn, busca de marca, email, busca genérica e remarketing — todos visíveis no relatório.
Como o modelo funciona em detalhe
A regra é mecânica: identifica-se a sequência completa de touchpoints da jornada do cliente (dentro de uma janela de atribuição, geralmente 30 ou 90 dias), conta-se quantos touchpoints existem, e divide-se o crédito de forma igual.
Se a conversão gerou R$ 1.000 de receita e a jornada teve quatro touchpoints, cada um leva R$ 250. Se foram dez touchpoints, cada um leva R$ 100. Se foi um único touchpoint (jornada de clique único), esse touchpoint leva R$ 1.000 — nesse caso, linear coincide com last-click.
Aplicado a uma carteira de campanhas: somam-se todos os créditos por canal ao longo do mês. Um canal que aparece em 1.000 jornadas como touchpoint único leva muito; um canal que aparece em 10.000 jornadas como um de cinco touchpoints leva proporcionalmente. O retrato final é mais granular e mais "justo" que last-click no sentido de não esconder canais de topo.
Importante: linear depende da identificação correta da sequência. Em ambientes com múltiplos dispositivos, navegação anônima e bloqueio de cookies, partes da jornada se perdem, e o modelo trabalha com sequência parcial. Isso é limitação geral da atribuição digital, não específica do linear.
Vantagens da atribuição linear
Simplicidade. Não exige modelo estatístico, não exige volume mínimo de conversões. Divide igual entre touchpoints — qualquer pessoa entende o cálculo.
Reconhece todos os canais. Resolve o problema do "canal invisível" do last-click. Conteúdo, SEO, redes sociais orgânicas, podcasts e outros canais de descoberta aparecem no relatório, dimensionados pela frequência com que participam de jornadas.
Fácil de explicar. Em apresentação para diretoria, "todos os canais contam igual" é argumento intuitivo. Comparação lado a lado com last-click mostra claramente onde está o desbalanceamento da medição.
Disponível nativamente. GA4 e Adobe Analytics oferecem o modelo de prateleira. Implementação leva poucos cliques.
Sem custo adicional. Diferente de modelos como data-driven que exigem volume mínimo de conversões (GA4 historicamente pedia centenas por mês), linear funciona com qualquer volume.
Distorções e limites do modelo
A "democracia" do linear é também seu maior problema: todos os touchpoints contam igual, mesmo quando claramente não são iguais. Considere a mesma jornada B2B de cinco touchpoints: post no LinkedIn (3 segundos de leitura), busca de marca (clique direto), email aberto (sem clique), busca genérica (5 minutos pesquisando), demo agendada (intenção forte). Em linear, cada um leva 20%. A demo agendada e o LinkedIn de 3 segundos têm peso idêntico — o que não corresponde à realidade.
As três distorções principais:
Ignora intensidade do touchpoint. Um clique em redirecionamento que mostra um banner por um segundo conta o mesmo que um download de material aprofundado de 20 páginas, ou um agendamento de demo. Em jornadas heterogêneas (mix de touchpoints "leves" e "pesados"), essa equivalência distorce.
Ignora momento do touchpoint. Em jornadas longas, contatos próximos da conversão geralmente têm maior intenção do que contatos iniciais. Linear trata um touchpoint do dia 1 igual a um do dia 60. Para ciclos curtos isso é aceitável; para ciclos longos, é problemático.
Penaliza canais de pico. Canal que tem participação alta em jornadas longas é beneficiado; canal que tem participação alta em jornadas curtas (ou que costuma ser único) é prejudicado porque divide menos. Paid intent (Google Search), que costuma ser último clique ou clique único, fica com peso menor em linear do que sua real contribuição.
Quando faz sentido usar linear
Linear funciona melhor em contextos onde os touchpoints têm intensidade semelhante e o momento importa pouco:
Ciclos com touchpoints relativamente comparáveis. Quando o mix de canais é homogêneo (todas as interações são "médias" — email, conteúdo, redes sociais orgânicas, com peso parecido), a divisão igual reflete razoavelmente a contribuição. Em jornadas com mix de "leve" e "pesado", linear distorce.
Como ponte na evolução de modelos. Empresa que sai de last-click puro ganha muito ao adotar linear primeiro, antes de avançar para modelos mais sofisticados. A discussão interna sobre "como os canais contribuem" precisa amadurecer antes de chegar em data-driven attribution.
Como modelo de comparação em relatório multi-modelo. Em empresas grandes, linear aparece ao lado de last-click, first-click, time-decay e data-driven. A diferença entre os modelos revela quanto a escolha de modelo importa para a decisão de alocação.
Em jornadas curtas com poucos touchpoints. Quando o ciclo tem 2-4 toques, a diferença entre linear e modelos mais elaborados é pequena. Vale o esforço só quando ciclos crescem.
Quando linear não cabe
Ciclos muito longos. Jornadas com 15, 20, 30 touchpoints ao longo de meses fazem o crédito por touchpoint ficar pequeno demais (1-2% cada) e o modelo perde poder de diferenciação. Time-decay (que valoriza mais touchpoints recentes) ou data-driven costumam ser melhores escolhas.
Touchpoints muito heterogêneos. Quando a jornada mistura sinais "leves" (impressões, banners) com sinais "pesados" (demo agendada, download de material aprofundado, ligação com vendas), a equivalência distorce. Position-based (que valoriza primeiro e último) ou data-driven captam melhor essa heterogeneidade.
Decisões de mídia paga com investimento alto. Para definir onde colocar centenas de milhares de reais em ads, linear como modelo único é arriscado — pode subdimensionar canais de paid intent. Combinar com last-click ou com data-driven é prudente.
Conversões em ciclos B2B com forte componente humano. Quando metade da jornada acontece fora do digital (ligações, reuniões, eventos), nenhum modelo digital captura bem. Self-reported attribution ("como você nos conheceu?") complementa.
Como configurar atribuição linear em GA4 e Adobe
O GA4 oferece linear nativamente em duas áreas:
Path de Conversões (Caminhos de Conversão). O GA4 mostra a sequência completa de touchpoints por conversão e permite trocar o modelo de atribuição no relatório. Acesse Publicidade ? Configurações de atribuição ? Modelos disponíveis. Selecione "Linear" para ver o relatório recalculado.
Modelo de atribuição padrão da propriedade. Em Configurações da propriedade ? Configurações de atribuição, é possível mudar o modelo padrão usado em todos os relatórios de aquisição. Linear é uma das opções, ao lado de data-driven (recomendado pelo Google) e position-based.
No Adobe Analytics, o módulo Attribution IQ oferece os modelos clássicos (linear, first-touch, last-touch, position-based, time-decay) em qualquer relatório do Workspace. Configuração é por painel: clica-se no atributo de conversão e seleciona o modelo desejado. É possível comparar múltiplos modelos lado a lado.
Em ambos os casos, a janela de atribuição (padrão 30 ou 90 dias) influencia o resultado — janelas maiores incluem mais touchpoints, dispersam mais o crédito, beneficiam canais de topo de funil.
Linear comparado a outros modelos
A maneira mais prática de entender linear é compará-lo lado a lado com outros modelos. Considere a mesma jornada de quatro touchpoints (post de blog, email, busca de marca, anúncio pago) com conversão de R$ 1.000:
Last-click: anúncio pago leva R$ 1.000. Os outros zero.
First-click: post de blog leva R$ 1.000. Os outros zero.
Linear: cada um leva R$ 250.
Position-based (40-20-40): primeiro (post) e último (anúncio) levam R$ 400 cada; do meio (email e busca de marca) levam R$ 100 cada.
Time-decay: touchpoints mais próximos da conversão recebem mais crédito. Anúncio pago pode levar R$ 450, busca de marca R$ 280, email R$ 170, post de blog R$ 100.
Data-driven (DDA do GA4): usa algoritmo probabilístico (Shapley values) calibrado nas conversões da própria conta. Pode dar pesos completamente distintos baseado em padrões observados — talvez post de blog R$ 350, anúncio R$ 320, busca de marca R$ 220, email R$ 110.
A diferença entre modelos não é detalhe técnico — define para onde a empresa aloca verba. Equipes maduras olham relatório multi-modelo e tomam decisões considerando o intervalo entre modelos, não um número absoluto.
Erros comuns ao usar linear
Usar linear como verdade definitiva. Linear é uma escolha de modelo, não verdade. A divisão igual é uma convenção, não corresponde a uma medição da contribuição real. Usar o relatório linear como base única para alocação de verba comete o mesmo erro de last-click: tratar o modelo como realidade.
Não comparar com last-click. O valor de linear vem do contraste. Apresentar linear sozinho perde a oportunidade de mostrar onde last-click subestima canais.
Ignorar a janela de atribuição. Janela curta (7 dias) limita o número de touchpoints e aproxima linear de last-click. Janela longa (90 dias) inclui mais e dispersa mais. A escolha da janela importa quase tanto quanto a escolha do modelo.
Não atender LGPD em jornada. Atribuição depende de rastreamento de comportamento, que envolve tratamento de dado pessoal sob a Lei 13.709/18. Operação precisa de base legal (consentimento via banner de cookies, ou legítimo interesse com teste formalizado), política de retenção e atendimento ao titular.
Tomar decisão sem considerar limitação de coleta. Em ambientes com muito bloqueio de cookies, navegação anônima e cross-device, partes da jornada se perdem. Linear trabalha com o que foi capturado — não com a jornada completa. Decisão baseada em modelo precisa considerar a qualidade dos dados subjacentes.
Sinais de que vale ativar atribuição linear no seu relatório
Se três ou mais cenários abaixo descrevem sua situação atual, linear pode ajudar a melhorar a percepção de contribuição dos canais.
- Canais de topo de funil (conteúdo, SEO, redes sociais orgânicas) "somem" dos relatórios e ninguém defende investimento neles.
- A equipe quer reconhecer todos os canais que tocam a jornada, não só o último clique.
- O relatório padrão da empresa ainda usa apenas last-click sem comparação com outros modelos.
- A jornada típica do cliente passa por três ou mais canais antes da conversão.
- O ciclo de decisão é superior a 30 dias e há touchpoints distribuídos no tempo.
- A diretoria questiona o ROI de canais de descoberta e ameaça cortar verba.
- Há orçamento pulverizado em vários canais sem clareza sobre quais contribuem.
- A empresa está se preparando para evoluir para data-driven attribution e precisa de modelo de transição.
Caminhos para implementar atribuição linear
A decisão entre ativar o modelo internamente ou contratar consultoria depende da maturidade analítica do time e da intenção de avançar para modelos mais sofisticados.
Analista de marketing ou marketing ops ativa o modelo em GA4 ou Adobe, configura janela de atribuição adequada, monta relatório comparativo entre last-click e linear, apresenta resultado para diretoria. Documentação dos critérios de leitura do relatório fica em manual interno.
- Perfil necessário: analista de marketing com conhecimento de GA4 ou Adobe + noção básica de atribuição
- Quando faz sentido: empresa com volume médio de conversões, time disposto a aprender, intenção de evoluir o modelo de medição
- Investimento: tempo do time (8-16 horas para configuração e primeiros relatórios) + curso de atribuição (R$ 500-2.000 por pessoa)
Consultoria de BI ou de analytics de marketing configura a stack de atribuição, gera relatórios comparativos multi-modelo, treina o time interno para interpretar e tomar decisão. Pode incluir avanço para data-driven attribution ou modelo customizado.
- Perfil de fornecedor: consultoria de BI/analytics de marketing ou agência especializada em mensuração
- Quando faz sentido: volume alto, jornadas complexas, intenção de evoluir para modelos avançados (Markov, Shapley), ausência de capacidade analítica interna
- Investimento típico: R$ 15.000 a R$ 80.000 por projeto inicial + mensalidade de acompanhamento
Faz sentido para você que um clique em redirecionamento valha o mesmo que uma demo agendada?
O oHub conecta sua empresa a consultorias de BI, agências de marketing digital e especialistas em mensuração. Em poucos minutos, descreva seu desafio e receba propostas de quem entende o mercado brasileiro.
Encontrar fornecedores de Marketing no oHub
Sem custo, sem compromisso. Você recebe propostas e decide se e com quem avançar.
Perguntas frequentes
O que é atribuição linear?
É o modelo de atribuição de marketing que divide o crédito de uma conversão igualmente entre todos os touchpoints da jornada do cliente. Se a jornada teve quatro interações antes da conversão, cada uma recebe 25% do crédito; se teve dez, cada uma recebe 10%. É o modelo mais "democrático" entre os baseados em regra, reconhecendo todos os canais que tocaram o cliente, sem priorizar primeiro ou último, intensidade ou momento.
Atribuição linear é justa?
É "justa" no sentido de não esconder canais — todos que tocaram a jornada aparecem no relatório. Não é "justa" no sentido de capturar a contribuição real de cada touchpoint, porque trata um clique em redirecionamento (impressão rápida) igual a uma demo agendada (intenção forte). A divisão igual é uma convenção, não medição. Linear costuma ser melhor que last-click puro, mas pior que data-driven para decisões de alocação detalhada.
Quando usar atribuição linear?
Faz sentido em três contextos: 1) como ponte para sair de last-click puro sem complexidade de modelos avançados; 2) em jornadas com touchpoints homogêneos (mix de canais "médios" sem grande disparidade de intensidade); 3) como modelo de comparação em relatório multi-modelo, ao lado de last-click, first-click, time-decay e data-driven. Não cabe bem em ciclos muito longos (mais de 15-20 touchpoints), em jornadas heterogêneas (mistura forte de "leve" e "pesado") ou como base única para decisão de mídia paga com investimento alto.
Linear vs time-decay: qual escolher?
Linear divide igual entre todos os touchpoints; time-decay dá mais peso aos touchpoints mais próximos da conversão. Para ciclos curtos (até 14 dias) com touchpoints relativamente comparáveis, linear funciona bem. Para ciclos longos (acima de 30 dias) ou onde a proximidade temporal indica intenção (B2C de varejo, B2B com janela de decisão clara), time-decay reflete melhor a contribuição. Em relatório multi-modelo, ver os dois lado a lado revela quanto a escolha importa para a decisão.
Linear funciona em ciclo longo?
Funciona, mas com perda de poder de diferenciação. Em jornadas com 15-20 touchpoints, cada touchpoint leva 5-7%, e fica difícil distinguir canais que contribuem mais dos que contribuem menos. Para ciclos longos, modelos que ponderam o tempo (time-decay) ou que aprendem padrões dos dados (data-driven) costumam ser mais úteis. Linear continua útil como ponto de comparação no relatório multi-modelo, mas raramente é a melhor escolha para decisão única.
Como configurar atribuição linear em GA4?
Em GA4, acesse Publicidade ? Configurações de atribuição ? Modelos disponíveis e selecione "Linear" no relatório que desejar. Para tornar linear o modelo padrão da propriedade, vá em Configurações da propriedade ? Configurações de atribuição. A janela de atribuição (padrão 30 ou 90 dias) também é configurável e influencia o resultado — janelas maiores incluem mais touchpoints, dispersam mais o crédito, beneficiam canais de topo. Mudança no modelo afeta relatórios de aquisição e otimização de campanhas conectadas.
Fontes e referências
- Google Analytics 4 — Modelos de atribuição: documentação oficial sobre os modelos disponíveis no GA4.
- Adobe Analytics — Attribution IQ: documentação do módulo de atribuição multi-modelo no Workspace.
- Avinash Kaushik — Occam's Razor: ensaios sobre modelos de atribuição e análise de marketing digital.
- Think with Google — Estudos e materiais sobre atribuição, jornada do cliente e mensuração de marketing.
- Brasil. Lei 13.709/18 (LGPD) — base legal aplicável ao tratamento de dados em jornada do cliente.