Modelo de atribuição multi-touch: por que ele quebra onde os dados terminam

Um modelo de atribuição multi-touch é fácil de nomear e difícil de auditar. A maior parte das páginas que explicam um é publicada por uma empresa que vende um, então o diagrama que você está lendo foi desenhado pelo fornecedor cujo modelo está nele. Isso não é escândalo, e é um motivo para saber exatamente onde o diagrama termina: quatro tipos de ponto de contato nunca aparecem nele.

Aqui está o que isso custa. Um relatório de canais imprime uma porcentagem para cada canal, e nenhuma linha em lugar algum para o que ele deixa de fora. Essa omissão não se anuncia. Um canal que não rendeu nada neste trimestre e um canal cujo trabalho nunca foi contado caem na mesma linha do mesmo relatório com o mesmo valor, e a aritmética por trás dos dois está correta.

Então a linha que parece mais fraca costuma ser a que teve o trabalho em algum lugar onde o modelo não alcança. Os toques saem por quatro portas específicas, e cada uma tem nome, mecanismo e custo. Quando você sabe quais delas atingem o seu pior canal, a conversa de orçamento deixa de ser sobre o painel.

O que a atribuição multi-touch de fato distribui

A atribuição multi-touch divide o crédito de uma conversão entre cada toque que consegue observar, então uma jornada que passa por um anúncio de busca, um webinar, uma impressão de retargeting e um pedido de demonstração recebe quatro reivindicações fracionadas em vez de um único clique que leva tudo. As frações somam um, e o relatório imprime um total por canal que parece uma resposta.

Debaixo dessa aritmética existe uma premissa que vale dizer em voz alta: todo toque contribuinte foi observado, amarrado a um identificador e unido à conversão dentro de uma janela que ainda não havia expirado. O modelo não testa a premissa. Ele assume e divide.

Se você está escolhendo um produto em vez de questionar um resultado, nosso panorama dos melhores softwares de atribuição cobre essa decisão. O que vem a seguir vale qualquer que seja a ferramenta que você instalar.

Os quatro pontos de contato que o seu modelo não consegue ver

Cada mecanismo abaixo encolhe o conjunto de toques que o modelo consegue identificar, e nenhum deles levanta um erro. Cada um devolve um número limpo com um pedaço da jornada dobrado para dentro da coluna de outra pessoa.

Perda de consentimento e o denominador identificável que encolhe

Comece pelo denominador, porque é a parte que as pessoas erram. Quando um visitante recusa o rastreamento, ou nunca é perguntado de um jeito que a lei reconheça, a sessão continua acontecendo e o clique continua acontecendo. O que desaparece é o identificador que teria amarrado aquela sessão a uma conversão três semanas depois.

O modelo não responde imprimindo um total menor com um buraco nele. Ele imprime a mesma conversão, presa aos toques que carregavam um identificador. O crédito é redistribuído entre os sobreviventes, não apagado.

Os números de aceitação publicados são mais frágeis do que parecem. O State of Data Privacy Benchmark de 2026 da Didomi, publicado em maio de 2026, relata uma taxa de aceitação de cookies nos Estados Unidos de 94,2 por cento, com 5,8 por cento recusando. Leia o método e o número se mexe: a maioria das leis estaduais de privacidade trata a inação como consentimento implícito, então ele mistura adesões ativas com visitas em que ninguém escolheu nada. Uma taxa de aceitação de 94,2 por cento e uma fatia identificável de 94,2 por cento são afirmações diferentes, e o benchmark mediu a primeira.

Isso é aritmética, não observação, e funciona assim: conversões de quem não consentiu não aparecem como não atribuídas. Elas aparecem atribuídas aos toques que podiam ser vistos, o que pende para o que carrega o identificador mais forte, normalmente o autenticado e o de fundo de funil.

Multi-dispositivo e o problema da casa

O guia de taxas de correspondência da Relay42, reportado pela Landbase em um guia de fornecedor publicado em 2026, conta 6,58 dispositivos conectados e por volta de 12 identificadores por pessoa, e conclui que a correspondência perfeita é matematicamente impossível. Trate a fonte pelo que ela é, um documento de fornecedor, e repare que a direção sobrevive sem a precisão.

Você vai procurar uma taxa verificada de correspondência entre dispositivos. Eu procurei, e não encontrei nenhuma. As fontes que discutem o problema descrevem o mecanismo e param. O número que um fornecedor cita para você é muito provavelmente o benchmark dele no tráfego dele, e não deveria estar sustentando uma linha de orçamento.

A versão da casa é pior porque não é uma lacuna de dispositivo. A pesquisa de 2026 da Forrester, reportada em orientação de atribuição B2B, estima uma decisão de compra típica em 13 partes interessadas internas e nove influenciadores externos, cada um rodando uma jornada separada. O seu modelo rastreia indivíduos. A decisão pertence a um grupo, em dispositivos que você nunca viu.

Uma conversão que levou três pessoas e cinco dispositivos chega como uma linha, presa ao identificador que apareceu por último no dispositivo que por acaso converteu. Os outros quatro dispositivos não foram subponderados. Eles estavam ausentes, e a fatia deles se mudou para o canal dono da sessão final.

Plataformas fechadas

Este é estrutural. É por isso que ele parou de ser registrado como problema.

O State of Programmatic Report de 2026 da Comscore, divulgado em janeiro de 2026, mostrou que 87 por cento dos compradores de mídia classificam as métricas de desempenho entre canais dentro das plataformas de programática como críticas ou valiosas para a decisão. O Outlook Study de 2026 da IAB coloca o foco dos anunciantes em mensuração entre plataformas em 72 por cento em 2026, contra 64 por cento um ano antes. Os dois grupos de compradores querem o único número que os deixaria comparar plataformas, e os dois estão pedindo esse número à própria plataforma. A plataforma é, portanto, participante do leilão e árbitro do próprio resultado.

Cada plataforma conta conversões dentro da própria janela, contra o próprio grafo de identidade, sob regras que ela mesma escreve. Nenhuma delas compartilha com as outras uma camada de identidade que reconhecesse a mesma venda quando ela aparece em três delas.

O que significa, aritmeticamente e não por observação, que a soma entre plataformas pode passar do total real. Ninguém está inflando nada. Cada plataforma reivindica corretamente uma venda sob a própria definição de reivindicar, e três definições incompatíveis produzem três reivindicações para uma venda. É por isso que o número de um fornecedor não pode ser auditado de fora. O seu relatório não imprime uma contagem dupla. Ele imprime quatro totais com uma nota de rodapé, e então alguém soma tudo em um slide.

Conversão offline e de ciclo longo

O mais silencioso dos quatro. Ele se parece com uma atribuição limpa em vez de uma atribuição que falta.

A pesquisa de 2026 da Optifai, reportada em orientação de atribuição para SaaS B2B, coloca os ciclos de venda 22 por cento mais longos do que em 2022, com mediana de 84 dias, e negócios corporativos acima de 100.000 dólares de valor anual de contrato frequentemente passando de 180 dias. Ao longo de seis meses os pontos de contato se multiplicam, as janelas de cookie expiram, as pessoas trocam de dispositivo, e o sinal se degrada.

Aqui está a ferroada. Uma conversão que fecha depois que a janela se fecha não é arquivada como não atribuída, o que seria ao menos honesto e apareceria em um relatório de lacunas. Ela é arquivada como direta ou orgânica, porque nenhum toque pago sobreviveu para reivindicá-la. Um time que passou cinco meses construindo demanda com eventos, conteúdo e uma operação de vendas cara recebe um relatório dizendo que o negócio chegou sozinho.

Eu vi um canal ser desfinanciado exatamente por essa leitura. O trabalho era real. O relatório era limpo. Os dois tinham deixado de descrever um ao outro.

O que o crédito fracionado faz com uma decisão de orçamento

Deixe-me transformar a aritmética em dinheiro, com números redondos. Este é um exemplo ilustrativo, não um benchmark da sua conta nem de nenhuma outra.

Suponha que você gaste 100.000 dólares por trimestre em quatro canais: 40.000 em busca paga, 30.000 em social paga, 15.000 em webinars e conteúdo, e 15.000 em eventos. Sua ferramenta de atribuição informa receita, e você foi solicitado a encontrar 20.000 dólares para o próximo trimestre.

Busca paga: 400.000 dólares atribuídos. Social paga: 250.000. Webinars e conteúdo: 150.000. Eventos: 80.000.

Ordene esses quatro números e eventos fica em último por uma margem larga. Na página não há ambiguidade sobre isso. O movimento óbvio é tirar os 20.000 de eventos.

Sobreponha dois pontos cegos a essa ordenação. O programa de eventos é onde as relações corporativas começam, e negócios acima de 100.000 dólares de valor anual de contrato duram mais de 180 dias, o que passa do fim da janela. Quando essas conversões fecham, elas chegam como direta ou orgânica. Enquanto isso, as conversas de evento acontecem entre várias pessoas e vários dispositivos, e um dos participantes nunca aceitou um pedido de rastreamento, então as sessões que carregavam um identificador foram para o canal que tocaram mais perto da compra.

Eventos produziram a receita. Ela foi contada, só não na coluna de eventos.

Rode a mesma sobreposição na busca paga. Ela fica mais perto da conversão, então herda tudo o que os outros canais perderam. Os 400.000 dela incluem conversões que começaram em um webinar e fecharam por uma busca de marca que o comprador fez depois. Isso não torna a busca um canal ruim. Significa que o número da busca e o número de eventos medem quantidades diferentes e estão sendo ordenados como se medissem a mesma.

O que sai disso é uma alocação, que é o que você estava de fato sendo solicitado a entregar: eventos mantém o orçamento e ganha uma ressalva declarada, o número da busca é descontado em um valor nomeado pelo que ele herdou, e os 20.000 vêm do canal que não tem nem ponto cego nem retorno demonstrado. Essa é uma decisão diferente da que a ordenação bruta produzia, e não custa nada tomá-la depois que você diz em voz alta quais toques cada número não consegue ver.

Uma fronteira importa aqui, porque os argumentos vizinhos se confundem. Nosso artigo sobre mensuração de resultados de marketing defende que canais que o stack não consegue ver ficam sem relatório. Este mostra quais toques são esses, onde na jornada eles caem e o que a redistribuição faz com a linha de um canal. Aquele trabalha com números. Este trabalha com pontos de contato.

Reconciliar contra o CRM é outro trabalho, e pertence à atribuição de receita, que começa no registro do CRM em vez do ponto de contato. Se você está montando o deck que carrega esses números, a questão de ferramenta fica nas ferramentas de analytics de marketing, não aqui.

Corrigir os dados ou mudar o método

Existem três respostas honestas, e elas custam coisas diferentes. Nenhuma delas faz os pontos cegos desaparecerem.

Corrigir a camada de identidade. Gestão de consentimento que registra uma escolha real, uma plataforma de dados de cliente que costura identificadores, marcação do lado do servidor e uma decisão deliberada sobre o que acontece com tráfego não autenticado. Isso estreita o problema do denominador e não faz nada pelas plataformas fechadas nem pelo ciclo longo. É o primeiro movimento certo quando a sua fatia identificável é pequena o bastante para o modelo estar dividindo um número fino por um grande.

Rodar um teste de incrementalidade. Um holdout responde a uma pergunta diferente, o que teria acontecido sem o gasto, e o teste de incrementalidade cobre os desenhos. Gaste nele no canal cujo valor você não consegue resolver por argumento.

Mudar o método. O marketing mix modeling trabalha no nível agregado, não no nível de usuário, então contorna a identidade por inteiro e traz os próprios limites em troca. É uma opção legítima, e uma disciplina diferente.

Alguns times vão percorrer essa lista, corrigir o que dá e ainda assim segurar um número que não conseguem defender por completo. Para eles o movimento honesto é parar de apresentar o número como completo: anexe os quatro pontos cegos a ele, marque os canais que eles atingem, e deixe a decisão acontecer com a ressalva visível. É um relatório com pior aparência e uma decisão melhor, e eu prefiro defender o primeiro a repetir o segundo.

Conclusão

Volte àquele relatório de canais. O canal lá embaixo continua lá embaixo, e agora você sabe o que a ordenação não consegue ver.

Você não vai receber uma resposta limpa sobre quanto da jornada é invisível, e eu não vou inventar uma. Medir o que um modelo não consegue ver exige algo diferente do modelo. O que você consegue fazer é nomear os quatro mecanismos, dizer quais deles atingem o seu canal de pior desempenho e parar de deixar um número incompleto decidir para onde o dinheiro vai.

Um modelo que não consegue ver um toque não relata uma lacuna. Ele relata a vitória de outra pessoa.