Como este tema funciona na sua empresa
Raramente vale o esforço de configurar atribuição por decaimento temporal: o volume de conversões é pequeno demais para estabilizar pesos, e a complexidade adicional não se converte em decisão melhor. Em geral, a empresa opera com atribuição de último clique no Google Analytics 4 ou com visão por canal direto da plataforma de mídia. Quando a curiosidade aparece, vale ativar o relatório comparativo em GA4 (último clique vs. baseado em dados) para checar diferenças grosseiras, sem migrar oficialmente para modelo time-decay.
É o porte em que o modelo time-decay costuma render mais: ciclo de decisão de dias a poucas semanas, volume de conversões suficiente para estabilizar pesos e múltiplos canais ativos (busca paga, social, email, conteúdo). A equipe configura o modelo dentro do GA4 ou do Adobe Attribution IQ, ajusta a meia-vida (half-life) para o ciclo real do negócio e usa o resultado como uma das visões de uma matriz comparativa, ao lado de último clique e baseado em dados.
Time-decay faz parte de um arsenal multimodelo. A operação compara último clique, linear, baseado em posição, time-decay e modelos personalizados (data-driven, Markov, Shapley) lado a lado, em painéis dedicados. A meia-vida é parametrizada por linha de produto e calibrada por ciclo de decisão. O time de analytics avançado mantém documentação da escolha e revisa pesos quando o ciclo médio muda. Plataformas típicas: Adobe Analytics, Google Analytics 4 com BigQuery, modelos próprios em Python ou R.
Atribuição time-decay
é o modelo de atribuição multitoque que distribui o crédito de uma conversão entre os pontos de contato anteriores aplicando decaimento exponencial: quanto mais próximo o ponto de contato está do momento da conversão, maior o peso atribuído a ele, segundo um parâmetro de meia-vida (half-life) que define o tempo em que o peso cai pela metade.
A lógica matemática por trás do decaimento
A atribuição por decaimento temporal aplica uma fórmula simples derivada do decaimento exponencial. Para cada ponto de contato i, com tempo t_i medido em dias antes da conversão, o peso é proporcional a 2 elevado a menos t_i sobre h, onde h é a meia-vida em dias. Depois, os pesos são normalizados para somar 1 (ou 100%) entre todos os pontos da jornada.
O parâmetro fundamental é a meia-vida: é o número de dias após o qual o peso de um ponto de contato cai exatamente pela metade. Se a meia-vida está em 7 dias, um clique que aconteceu 7 dias antes da conversão recebe metade do peso de um clique no mesmo dia da conversão. Um clique de 14 dias antes recebe um quarto do peso. Um de 21 dias, um oitavo. O peso vai a quase zero conforme o tempo se afasta, mas nunca chega a zero matematicamente.
O padrão do Google Analytics 4 e do Adobe Analytics tradicionalmente usa meia-vida de 7 dias, herdada do tempo em que o ciclo típico de e-commerce era essa ordem de grandeza. Esse padrão é o erro mais comum: o ciclo do seu negócio raramente é exatamente 7 dias. Ajustar a meia-vida para refletir o ciclo real é a única forma de o modelo dizer algo útil sobre a jornada.
Quando faz sentido escolher time-decay
O modelo é apropriado quando três condições se combinam.
Ciclo de decisão de dias a poucas semanas. Em decisões muito rápidas (compra impulsiva, e-commerce de ticket baixo), a jornada inteira cabe em horas e os pontos de contato estão todos próximos da conversão; o decaimento não diferencia o suficiente. Em decisões muito longas (B2B com ciclo de 6 a 12 meses), o decaimento esmaga totalmente os pontos de topo de funil, gerando a mesma distorção do último clique. A faixa útil costuma ser de 7 a 90 dias.
Estímulo recente importa proporcionalmente mais. Vale quando o produto ou o setor tem comportamento de "lembrança imediata": campanha vista hoje pesa mais na decisão de amanhã do que campanha de duas semanas atrás. Categorias com decisão racional e comparativa (eletrônicos, software, serviços) costumam se encaixar; categorias com decisão emocional e comparativa baixa, nem sempre.
Volume de conversões suficiente. Para que os pesos atribuídos a cada canal se estabilizem, são necessárias dezenas de conversões por canal por mês, no mínimo. Em volumes menores, o modelo entrega resultados ruidosos que oscilam mês a mês.
Como parametrizar a meia-vida
A meia-vida deveria refletir o ciclo real de decisão do cliente. O método prático tem quatro passos.
1. Levantar o tempo entre primeiro ponto de contato e conversão para amostra de jornadas reais. No GA4, use o relatório de caminhos de conversão; no Adobe, use o Attribution IQ ou o Analysis Workspace. Tire a mediana, não a média (médias inflam com jornadas excepcionalmente longas).
2. Definir meia-vida como aproximadamente um terço a metade da mediana. Se a mediana é de 21 dias, a meia-vida entre 7 e 10 dias costuma ser adequada. A lógica: dentro da meia-vida cabe metade do ciclo típico, e o decaimento já reduziu fortemente os pesos no início da jornada.
3. Testar e comparar com último clique e linear. Rode os três modelos sobre o mesmo período. Os canais com diferenças muito grandes entre modelos são os que mais sofrem distorção; analise o comportamento real desses canais antes de decidir.
4. Documentar a escolha e revisar a cada seis meses. Se o produto mudou (novo lançamento, mudança de preço, novo segmento), o ciclo provavelmente mudou. Revisitar a mediana e ajustar a meia-vida evita decisões com modelo desatualizado.
Provavelmente não vale o esforço de migrar a régua oficial para time-decay. O modelo padrão de último clique do GA4 atende para decisão de mídia paga, e a atribuição "baseada em dados" do próprio GA4 (quando há volume mínimo) já inclui lógica de decaimento implícita. Foque em garantir que o GA4 esteja medindo conversões corretamente antes de discutir modelos.
Configure time-decay no GA4 com meia-vida ajustada para o ciclo real. Use o relatório de comparação de modelos para mostrar à diretoria como a visão muda entre último clique, linear e time-decay. Os canais de topo de funil (mídia social, conteúdo) tipicamente recebem peso maior em time-decay do que em último clique — esse é o principal aprendizado a documentar e levar à conversa de orçamento.
Time-decay é uma das visões de um portfólio multimodelo. Calibre meia-vida por linha de produto e por geografia, mantenha documentação versionada e cruze o resultado com modelos avançados (data-driven do GA4, Markov, Shapley) construídos no BigQuery ou em ambiente próprio. Painéis de atribuição para executivos devem mostrar a mesma métrica em pelo menos três modelos distintos.
Distorções que o modelo carrega
Mesmo bem parametrizado, time-decay tem limitações estruturais que precisam ser conhecidas para evitar conclusões erradas.
Subestima topo de funil. Esta é a crítica mais relevante. Campanhas de reconhecimento de marca, conteúdo educacional e mídia programática frequentemente atuam semanas ou meses antes da conversão. O decaimento exponencial reduz drasticamente o crédito desses pontos, mesmo quando o ajuste de meia-vida tenta compensar. Se a empresa decidir orçamento de marca com base só em time-decay, vai subinvestir em topo de funil.
Trata todos os canais com a mesma régua temporal. Um clique em um anúncio de busca paga 5 dias antes da conversão e uma visualização de vídeo no YouTube 5 dias antes recebem o mesmo peso, mesmo tendo intensidades diferentes de intenção de compra. Modelos mais sofisticados (data-driven) compensam isso; time-decay puro não.
Sensível à definição de janela de atribuição. Se a janela é de 30 dias e o ciclo real é de 45, o modelo ignora pontos de contato anteriores à janela. A janela e a meia-vida precisam conversar.
Não captura interações entre canais. Time-decay assume que cada ponto de contato age isoladamente. Não modela o efeito de um ponto de contato amplificar o seguinte. Modelos baseados em Markov ou Shapley fazem isso melhor.
Comparativo: time-decay, linear e baseado em posição
Para escolher entre os três modelos baseados em regras mais usados, ajuda enxergar onde cada um faz sentido.
Linear distribui o crédito igualmente entre todos os pontos de contato. Apropriado quando todos os pontos parecem importar de forma similar e o ciclo é razoavelmente curto. Vantagem: simples de explicar. Desvantagem: ignora o efeito de proximidade temporal.
Baseado em posição (também chamado de "U-shaped" ou 40-20-40) dá 40% ao primeiro ponto, 40% ao último e divide os 20% restantes entre os do meio. Apropriado quando se quer destacar simultaneamente a aquisição (primeiro contato) e o fechamento (último). Funciona bem em ciclos B2B medianos, em que o início e o fim da jornada são especialmente importantes.
Time-decay aplica decaimento exponencial. Apropriado quando o estímulo recente importa mais e o ciclo é razoavelmente curto. Vantagem: captura urgência. Desvantagem: subestima topo.
Em prática, muitas empresas comparam pelo menos dois desses três modelos lado a lado, sem casar com nenhum como verdade única. A decisão de orçamento toma a média ou aplica regras de bom senso quando os modelos discordam fortemente.
Como configurar em GA4 e Adobe
O GA4 oferece time-decay nativo no relatório de "Comparação de modelos de atribuição" e no "Caminhos de conversão". Para usar como modelo padrão da propriedade, é necessário ir em "Configurações de atribuição" e selecionar o modelo de atribuição desejado. Atenção: o GA4 não permite ajustar a meia-vida diretamente na interface; o padrão é 7 dias. Para parametrizar a meia-vida customizada, é necessário exportar dados brutos para o BigQuery e construir o modelo em SQL ou Python.
O Adobe Analytics, via Attribution IQ ou Analysis Workspace, permite escolher time-decay como modelo em qualquer relatório e ajustar a meia-vida diretamente (com valores típicos como 1 dia, 7 dias, 14 dias, 30 dias). Essa flexibilidade torna o Adobe mais adequado para empresas que precisam de calibração precisa por linha de produto.
Em ambos os casos, lembre-se que a janela de retroatividade (lookback window) precisa ser pelo menos o dobro da meia-vida para que o modelo não esteja cortando informação relevante.
LGPD e atribuição multitoque
Modelos como time-decay dependem de identificar a mesma pessoa em diferentes pontos de contato. Isso envolve cookies, identificadores de dispositivo e, em muitas operações, login. Sob a LGPD, esse rastreamento precisa estar amparado por base legal adequada (consentimento explícito é o caminho mais seguro para uso publicitário) e ser revogável. A política de privacidade da empresa precisa descrever o uso de identificadores para atribuição, e o banner de cookies precisa permitir recusa real (não apenas "ok").
Outro ponto: quando a empresa usa identificadores próprios (email com hash, ID de cliente), a integração com plataformas como o Google Analytics 4 ou o Adobe precisa respeitar a finalidade declarada. Compartilhar identificadores entre operadores diferentes sem base legal específica é risco operacional e jurídico.
Erros frequentes na operação
Usar a meia-vida padrão sem revisar. O padrão de 7 dias é arbitrário; aplicar a um negócio com ciclo de 30 ou de 60 dias gera distorção severa. Sempre calibrar.
Decidir orçamento só com base em time-decay. O modelo subestima topo de funil. Decidir cortes em mídia de marca olhando apenas para esse modelo leva a corte excessivo em canais que mantêm o pipeline futuro.
Comparar resultados entre modelos sem mesma janela. Time-decay com janela de 30 dias e último clique com janela de 90 dias geram números que não conversam. Padronize antes.
Tratar resultado do modelo como verdade. Atribuição é aproximação. Triangule com testes incrementais (geo testing, holdout) sempre que possível.
Não documentar a parametrização. Daqui a seis meses, ninguém vai lembrar por que a meia-vida foi colocada em 10 dias e quando foi a última revisão. Registre.
Sinais de que sua atribuição precisa de revisão
Se três ou mais cenários abaixo descrevem sua operação atual, vale revisar o modelo de atribuição ativo e considerar time-decay como uma das visões.
- O modelo padrão é último clique e a equipe sente que canais de topo de funil são injustamente desvalorizados.
- O ciclo de decisão do cliente é de dias a poucas semanas e o estímulo recente parece importar muito.
- Já se experimentou atribuição linear e a sensação é que ela "achata demais" pontos de contato distintos.
- Existe volume de conversões suficiente (dezenas por canal por mês) e a empresa quer extrair mais da informação multitoque.
- A operação está em GA4 ou Adobe e o relatório de comparação de modelos nunca foi olhado com critério.
- O orçamento de mídia é dividido entre busca paga, social, email e conteúdo, e há dúvida real sobre como redistribuir.
- A meia-vida padrão de 7 dias está em uso, mas o ciclo real do negócio é claramente diferente disso.
- A diretoria pede uma "leitura mais justa" da contribuição dos canais para próxima revisão de orçamento.
Caminhos para implementar time-decay
A decisão entre configurar internamente ou contratar apoio depende da maturidade analítica do time, do volume de conversões e da relevância estratégica da atribuição para o negócio.
Analista de marketing digital ou analista de business intelligence ativa o modelo no GA4 ou no Adobe, levanta o ciclo mediano de conversão e calibra a meia-vida. Documenta a escolha e revisita semestralmente.
- Perfil necessário: analista familiarizado com GA4 ou Adobe Analytics, com noção de estatística básica e familiaridade com relatórios de jornada
- Quando faz sentido: empresa com time analítico estabelecido, volume razoável de conversões e ciclo de decisão claro
- Investimento: tempo do analista (8-16h para configuração inicial e documentação) + treinamento eventual (R$ 1.500-4.000 por pessoa)
Consultoria de business intelligence ou agência de marketing digital com expertise em atribuição modela o cenário customizado, eventualmente exportando dados para BigQuery e construindo modelos avançados (data-driven, Markov) ao lado de time-decay.
- Perfil de fornecedor: consultoria de business intelligence, agência de marketing digital especializada em medição ou empresa de marketing data science
- Quando faz sentido: operação multicanal complexa, volume alto, decisão de orçamento sensível à atribuição, falta de capacidade interna
- Investimento típico: R$ 15.000-60.000 por projeto de estruturação + manutenção mensal de painéis
Sua atribuição reflete a realidade do ciclo de decisão?
O oHub conecta sua empresa a consultorias de business intelligence e a agências de marketing digital com expertise em modelos de atribuição. 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 time-decay?
É o modelo de atribuição multitoque que distribui o crédito de uma conversão entre os pontos de contato anteriores aplicando decaimento exponencial: quanto mais perto da conversão um ponto de contato aconteceu, maior o peso atribuído. O parâmetro central é a meia-vida (half-life), que define em quantos dias o peso de um ponto de contato cai pela metade.
Como parametrizar a meia-vida (half-life)?
Levante o tempo mediano entre o primeiro ponto de contato e a conversão na sua base. Defina a meia-vida em torno de um terço a metade dessa mediana. Por exemplo, se o ciclo mediano é de 21 dias, uma meia-vida entre 7 e 10 dias costuma funcionar. Compare com último clique e linear, documente a escolha e revise a cada seis meses ou quando o ciclo do produto mudar.
Quando usar time-decay?
Faz sentido quando três condições aparecem: ciclo de decisão entre dias e poucas semanas (tipicamente 7 a 90 dias), estímulo recente importa proporcionalmente mais que estímulo antigo e volume de conversões é suficiente para estabilizar pesos (dezenas por canal por mês). Em ciclos muito curtos ou muito longos, e em volumes muito baixos, outros modelos costumam ser mais adequados.
Time-decay vs. linear: qual escolher?
Linear distribui crédito igualmente entre todos os pontos de contato; time-decay dá mais peso aos pontos próximos da conversão. Use linear quando todos os pontos parecem importar de forma similar e o ciclo é curto. Use time-decay quando o estímulo recente importa mais e há volume suficiente para estabilizar pesos. Muitas empresas comparam os dois lado a lado e tomam decisão olhando para ambos, sem casar com um único.
Funciona em ciclos muito curtos?
Em ciclos muito curtos (decisão em horas, e-commerce de impulso), todos os pontos de contato estão muito próximos da conversão e o decaimento não diferencia o suficiente — atribuição de último clique costuma entregar leitura semelhante e mais simples. Time-decay rende mais em ciclos de uma a doze semanas, em que há espaçamento real entre pontos de contato.
Como configurar em GA4?
No Google Analytics 4, vá em "Configurações de atribuição" no admin da propriedade e selecione o modelo desejado. Time-decay aparece como uma das opções, mas o GA4 não permite ajustar a meia-vida diretamente na interface (padrão 7 dias). Para meia-vida customizada, exporte os dados brutos para o BigQuery e construa o modelo em SQL ou Python. O relatório de "Comparação de modelos" permite ver lado a lado último clique, linear, time-decay e baseado em dados.
Fontes e referências
- Google Analytics 4. Modelos de atribuição — documentação oficial sobre time-decay e demais modelos disponíveis no GA4.
- Adobe Experience League. Attribution IQ — referência técnica para configuração de modelos no Adobe Analytics, incluindo time-decay com meia-vida ajustável.
- Avinash Kaushik. Occam's Razor — análises e críticas sobre modelos de atribuição e medição de marketing digital.
- Think with Google. Materiais sobre medição multitoque e comparação de modelos para decisão de mídia.
- Autoridade Nacional de Proteção de Dados (ANPD). Orientações sobre tratamento de dados pessoais aplicáveis à medição de marketing digital sob a LGPD.