Existe uma reunião que eu já vi acontecer em praticamente toda empresa que investe em mídia: o gestor de Google Ads apresenta um número de conversões, o de Meta apresenta outro, o CRM mostra um terceiro e alguém do financeiro faz a pergunta que ninguém quer responder: quanto da receita do trimestre o marketing realmente gerou? A soma do que as plataformas dizem ter vendido costuma passar do faturamento da empresa. E a discussão termina, quase sempre, em opinião.
Esse é o sintoma de um problema estrutural. A maioria das empresas tem relatórios de atribuição, mas não tem um modelo de atribuição. Tem o que cada plataforma escolhe mostrar, com a janela que cada uma define, contando o evento mais fácil de contar: o clique, o lead, o formulário enviado. Nada disso é receita.
O mercado sabe disso. O relatório State of Data 2026, do IAB, mostra que 76% dos tomadores de decisão de mídia do lado anunciante nos Estados Unidos usam testes de incrementalidade, 73% usam análise de atribuição e 67% usam marketing mix modeling, mas apenas 39% combinam os três. Na mesma pesquisa, até 75% dizem que essas abordagens deixam a desejar em rigor, velocidade, confiança ou eficiência. Ao mesmo tempo, a pesquisa de orçamento de CMOs do Gartner de 2026 mostra verbas de marketing praticamente estáveis, em 7,8% da receita das empresas, com 56% dos líderes dizendo que não têm orçamento suficiente para entregar a estratégia do ano. Com verba parada e cobrança crescente, cada real precisa ser defendido com um número que o financeiro aceite.
Neste artigo eu mostro como estruturo um modelo de atribuição orientado à receita: a arquitetura de dados, as regras de crédito, a validação com métodos causais, a devolução de sinal para os algoritmos de mídia e a governança que impede o modelo de virar mais um dashboard esquecido. Não é um tutorial de ferramenta. É o desenho que eu uso para que marketing, vendas e finanças passem a discutir a mesma verdade.
O que é um modelo de atribuição orientado à receita
Um modelo de atribuição orientado à receita é um sistema que conecta cada real investido em marketing aos eventos de receita registrados no CRM e no financeiro, distribui o crédito entre os pontos de contato com regras acordadas entre as áreas e valida periodicamente essas regras com métodos causais. Repare nas três partes da definição: conexão com receita real, regra explícita e validação. Se falta uma delas, o que existe é um relatório, não um modelo.
Atribuição é, na essência, a forma de dividir o crédito de uma conversão entre os pontos de contato (os modelos clássicos estão resumidos no verbete de atribuição do glossário). O que muda quando ela passa a ser orientada à receita é o evento que está sendo explicado: em vez de explicar um formulário, ela explica um contrato assinado, um pedido pago, uma renovação.
Atribuição de plataforma x atribuição de negócio
| Dimensão | Atribuição de plataforma | Atribuição orientada à receita |
|---|---|---|
| Fonte da verdade | Pixel e dados da própria plataforma | CRM e sistema financeiro |
| Evento explicado | Clique, lead, compra no site | Oportunidade, contrato, receita reconhecida |
| Janela | Definida pela plataforma | Definida pelo ciclo de vendas real da empresa |
| Escopo | Só os canais daquela plataforma | Todos os canais: pagos, orgânicos e offline |
| Quem audita | A própria plataforma | Marketing, vendas e finanças juntos |
| Para que serve | Otimizar campanhas dentro do canal | Decidir orçamento entre canais e prever receita |
As duas leituras são úteis. O erro é usar a primeira para tomar decisões que pertencem à segunda. A plataforma é ótima para dizer qual anúncio performa melhor dentro dela. E é a pior fonte possível para dizer quanto orçamento ela mesma merece.
O que um modelo de atribuição não é
- Não é a compra de uma ferramenta. Software de atribuição sem definição de etapas, campos obrigatórios e disciplina comercial só automatiza a bagunça.
- Não é a verdade absoluta. É uma estimativa útil, com margem de erro conhecida, que melhora a cada ciclo.
- Não é placar para bônus de time. No momento em que a regra de crédito define a remuneração de alguém, ela vira objeto de disputa política e perde a utilidade analítica.
Por que a atribuição baseada em clique e lead deixou de funcionar
Durante anos deu para conviver com a atribuição de plataforma porque as janelas eram longas, os cookies funcionavam e o comprador era, na maior parte das vezes, uma pessoa só. As três premissas caíram.
As plataformas encurtaram a própria memória
Em 12 de janeiro de 2026, a Meta deixou de retornar as janelas de 7 e 28 dias após visualização na API de Insights de anúncios, conforme o comunicado oficial para desenvolvedores. Restaram as janelas de 1, 7 e 28 dias após o clique, além de 1 dia após a visualização e 1 dia após a visualização engajada. Quem dependia da visualização para justificar campanhas de topo de funil viu o número encolher de um dia para o outro, sem que nada tivesse mudado no comportamento real do cliente.
No Google, o movimento veio antes. Desde novembro de 2023, o GA4 não oferece mais os modelos de primeiro clique, linear, decaimento de tempo e baseado em posição, como registra a central de ajuda do Google Analytics. Sobraram o modelo baseado em dados e as variações de último clique. O baseado em dados é sofisticado, mas funciona como uma caixa-preta treinada com o que o Google enxerga. E o Google não enxerga a sua reunião comercial, o seu evento presencial nem a indicação que chegou pelo WhatsApp.
A consequência prática é que cada plataforma conta a própria história com a própria régua. Somar essas histórias não produz a verdade. Produz dupla contagem.
Quem compra é um grupo, não um lead
No B2B, a unidade de compra deixou de ser o indivíduo há muito tempo. O relatório State of Business Buying 2026, da Forrester, mostra que, em compras que envolvem recursos de IA generativa, o grupo de compra dobra de tamanho: 14 participantes contra 7 nas compras sem esses recursos. A divulgação do mesmo estudo fala em uma média de 13 participantes internos e 9 influenciadores externos.
Agora pense no que acontece com uma atribuição feita no nível do lead nesse cenário. O analista de marketing do cliente baixa um material vindo do LinkedIn. A gerente de operações chega pelo Google duas semanas depois. O diretor financeiro só aparece na reunião de proposta, depois de ouvir falar da sua empresa em um podcast. O CRM registra três leads, de três origens, e a oportunidade herda a origem de quem preencheu o formulário de contato. O crédito vai inteiro para um canal que contribuiu com um terço da história, quando muito.
Lead barato não é receita barata
O terceiro problema é o mais caro. Algoritmos de mídia otimizam exatamente o evento que você entrega a eles. Se o evento é o formulário enviado, a campanha aprende a encontrar pessoas que preenchem formulários, e não pessoas que compram. O custo por lead cai, o volume sobe, o time comercial reclama da qualidade e o CAC real aumenta. Eu detalhei esse ciclo no artigo sobre qualificação de leads, e ele é o principal motivo pelo qual eu insisto que o modelo de atribuição precisa enxergar o que acontece depois do lead.
Os cinco princípios que eu defino antes de desenhar o modelo
Antes de abrir planilha ou ferramenta, eu alinho cinco princípios com a liderança. Eles evitam meses de retrabalho.
1. Começar pela decisão, não pelo dado
A primeira pergunta não é “qual modelo usar”, e sim “que decisão esse modelo vai apoiar”. Distribuir orçamento entre canais? Cortar campanhas? Dimensionar o time de pré-vendas? Definir meta de pipeline por canal? Cada decisão exige granularidade e frequência diferentes. Um modelo que tenta responder tudo costuma não responder nada com confiança.
2. A unidade de análise é a oportunidade, não o lead
Em vendas consultivas, o objeto que carrega valor é a oportunidade, associada a uma conta e a vários contatos. No varejo e no e-commerce, é o pedido aprovado, descontadas trocas, devoluções e cancelamentos. O lead é um meio. Tratá-lo como fim distorce todo o resto.
3. Pipeline é sinal antecipado, receita é placar
Como o ciclo de vendas pode levar meses, eu trabalho com dois níveis de leitura: o pipeline gerado, que aparece rápido e serve para ajustes táticos, e a receita ganha e reconhecida, que aparece devagar e serve para decisões de orçamento. Os dois precisam estar no mesmo modelo, com as mesmas regras de crédito.
4. Atribuição distribui crédito, incrementalidade prova causa
Um canal pode receber muito crédito sem ter causado quase nada. A busca de marca é o exemplo clássico: ela captura a demanda que outros canais criaram. Atribuição responde “por onde a receita passou”. Só experimentos respondem “o que aconteceria se eu desligasse isso”. Misturar as duas perguntas é a origem de boa parte do desperdício que eu encontro em contas de mídia.
5. Consistente e imperfeito vence perfeito e instável
Um modelo com regras simples, documentadas e estáveis por vários trimestres gera mais aprendizado que um modelo sofisticado que muda toda vez que alguém discorda do resultado. Ajustes existem, mas têm data, motivo e registro.
A arquitetura do modelo de atribuição em cinco camadas
Na prática, eu organizo o modelo de atribuição em cinco camadas. Cada uma depende da anterior, e a maior parte dos projetos que eu vejo falhar tentou começar pela quarta.
Camada 1: captura e identidade
Tudo começa na capacidade de saber de onde cada pessoa veio e de reconhecê-la quando ela volta. Isso exige:
- Taxonomia de UTM padronizada e obrigatória para todo link que sai da empresa, incluindo e-mails, posts orgânicos, parcerias e a assinatura de e-mail do time comercial.
- Captura dos identificadores de clique (gclid, gbraid e wbraid no Google, fbclid e fbc na Meta) e armazenamento junto com o lead.
- Campos ocultos nos formulários para gravar a origem do primeiro toque e a do toque de conversão, e não só a da última sessão.
- Dados primários de contato, como e-mail e telefone, coletados com consentimento e base legal clara. Eles são a chave que permite casar o CRM com as plataformas mais tarde (é a base do que se chama de first-party data).
- Um campo aberto de atribuição autodeclarada no formulário, do tipo “Como você conheceu a empresa?”. Ele captura o que nenhum pixel enxerga, como indicação, podcast, comunidade e grupos privados, assunto que eu discuti no artigo sobre dark social.
No Brasil existe um ponto de atenção a mais: o WhatsApp. Boa parte dos leads chega por conversa, e um clique em botão de WhatsApp sem rastreamento apaga toda a origem. Mensagem pré-preenchida com um código de campanha, anúncios de clique para o WhatsApp integrados à API do WhatsApp Business e registro da origem pelo atendente no primeiro contato são as três formas que eu uso para não deixar esse canal virar “tráfego direto”.
A taxonomia de UTM que eu padronizo
| Parâmetro | Regra | Exemplo |
|---|---|---|
| utm_source | Plataforma ou veículo, sempre em minúsculas | google, meta, linkedin, newsletter |
| utm_medium | Tipo de mídia, escolhido de uma lista fechada | cpc, paid-social, email, organic-social, referral |
| utm_campaign | Padrão objetivo_produto_público_aaaamm | aquisicao_consultoria_b2b_202611 |
| utm_content | Variação de criativo ou peça | video-depoimento-v2 |
| utm_term | Palavra-chave ou segmentação | modelo-de-atribuicao |
A regra mais importante não está na tabela: a lista de valores permitidos para utm_medium precisa ser fechada e documentada, porque é ela que define o agrupamento de canais no relatório final. Quando cada pessoa inventa um valor, o modelo gasta metade da energia limpando dados.
Camada 2: o CRM como fonte da verdade
O CRM é onde a atribuição orientada à receita vive. Se ele não tem etapas definidas, datas por etapa e associação entre campanhas e oportunidades, nenhuma regra de crédito vai funcionar. O mínimo que eu exijo:
- Etapas do ciclo de vida com critério de entrada escrito: lead, MQL, SAL, SQL, oportunidade, ganho e perdido.
- Data e hora de entrada em cada etapa, gravadas automaticamente e sem edição manual.
- Origem do primeiro toque e do toque de conversão copiadas do lead para o contato, do contato para a conta e da conta para a oportunidade.
- Todos os contatos relevantes da conta associados à oportunidade, com o papel de cada um no processo de decisão.
- Motivo de perda padronizado, porque receita perdida também ensina.
Campos mínimos na oportunidade
| Campo | Para que serve |
|---|---|
| Valor previsto e valor ganho | Separar pipeline de receita |
| Data de criação da oportunidade | Marco central do modelo em W |
| Canal e campanha de origem | Leitura de primeiro toque e de criação do lead |
| Contatos associados e seus papéis | Atribuição no nível da conta |
| Data de fechamento | Cálculo de ciclo e de velocidade de vendas |
| Motivo de ganho ou de perda | Qualidade de cada canal |
| Origem autodeclarada | Triangulação com o que foi rastreado |
Se o seu CRM ainda não tem isso, eu recomendaria pausar a conversa sobre modelo e resolver essa camada primeiro. Escrevi sobre como a inteligência artificial ajuda nessa disciplina comercial no artigo sobre CRM com IA.
Camada 3: a ponte com o financeiro
O valor de uma oportunidade ganha no CRM ainda não é receita. Entre o contrato assinado e o dinheiro no caixa existem descontos, inadimplência, cancelamentos, devoluções e, em negócios recorrentes, churn e expansão. Um modelo que para no “ganho” vai premiar canais que trazem clientes que cancelam no terceiro mês.
Por isso eu conecto o modelo a três níveis de receita, sempre com o financeiro validando os números:
- Receita contratada: o valor assinado, disponível de imediato.
- Receita faturada ou recebida: o que efetivamente entrou, descontados cancelamentos e inadimplência.
- Receita retida e expandida: em negócios recorrentes, o que o cliente gerou em 12 meses. É o que permite olhar a relação LTV/CAC por canal, e não só o CAC.
Essa camada costuma ser a que mais muda a conversa. É comum um canal que parece o mais eficiente em custo por oportunidade virar o pior em receita retida, porque traz clientes fora do perfil ideal.
Camada 4: regras de crédito
É aqui que mora o “modelo” no sentido mais conhecido da palavra: a regra que divide o crédito da receita entre os pontos de contato. Pelo peso que tem, ela ganha uma seção própria logo abaixo.
Camada 5: validação causal e devolução de sinal
A última camada fecha o ciclo em duas direções. Para dentro, ela testa se o crédito atribuído corresponde a impacto real, com experimentos e modelagem. Para fora, ela devolve às plataformas de mídia os eventos de receita, para que os algoritmos aprendam a buscar clientes, e não formulários. As duas direções também ganham seções próprias.
Como escolher as regras de crédito do modelo de atribuição
Não existe regra certa em abstrato. Existe a regra adequada ao seu ciclo de vendas, ao número de pontos de contato e à decisão que você quer apoiar. Eu uso a tabela abaixo como ponto de partida nas conversas com clientes.
| Modelo | Como distribui o crédito | Quando ainda faz sentido | Principal risco |
|---|---|---|---|
| Primeiro toque | 100% no primeiro contato | Avaliar canais de geração de demanda | Ignora tudo o que convenceu o comprador |
| Último toque | 100% no contato anterior à conversão | Ciclos curtos e compra por impulso | Superestima busca de marca e remarketing |
| Linear | Partes iguais entre todos os contatos | Jornadas curtas, com contatos de peso parecido | Trata um e-mail aberto como uma reunião |
| Em U | 40% no primeiro toque, 40% na criação do lead e 20% no meio | Geração de leads com ciclo médio | Ignora o que acontece depois do lead |
| Em W | 30% no primeiro toque, 30% na criação do lead, 30% na criação da oportunidade e 10% no restante | Vendas B2B consultivas | Exige CRM com datas confiáveis por etapa |
| Jornada completa | 22,5% em cada um dos quatro marcos, incluindo o fechamento, e 10% no restante | Ciclos longos, com muitas interações comerciais | Mais sensível a erros de registro |
| Baseado em dados | Algoritmo estima a contribuição de cada contato | Alto volume de conversões e jornadas digitais | Caixa-preta, limitado aos dados que a ferramenta enxerga |
Por que eu começo pelo modelo em W no B2B
Na maior parte dos projetos B2B, eu começo pelo modelo em W porque ele reconhece três momentos que o comercial e o financeiro entendem sem explicação: quando a empresa conheceu você, quando ela levantou a mão e quando virou uma oportunidade real. Ele também é transparente: qualquer pessoa da diretoria consegue refazer a conta em uma planilha. Nesse estágio, transparência vale mais que precisão estatística, porque o que trava a adoção do modelo é a desconfiança, não a falta de sofisticação.
Quando a base de dados limpa ganha volume e histórico, faz sentido evoluir para pesos ajustados pelos próprios dados, comparando as taxas de conversão de jornadas com e sem cada tipo de contato. Antes disso, um modelo estatístico só dá uma aparência científica a dados ruins.
Atribuição no nível da conta
Para resolver o problema do grupo de compra, a atribuição precisa olhar para todos os contatos da conta, e não apenas para quem preencheu o formulário. A lógica que eu uso é esta:
- Defino uma janela de análise antes da criação da oportunidade, baseada no ciclo real.
- Reúno todos os pontos de contato de todos os contatos associados à conta dentro dessa janela.
- Aplico a regra de crédito sobre essa jornada consolidada, e não sobre a jornada de um único lead.
- Opcionalmente, dou peso maior aos contatos com papel de decisor ou de influenciador direto, conforme registrado na oportunidade.
Plataformas de ABM e CRMs mais robustos já fazem parte disso de forma nativa. Em CRMs mais simples, uma exportação semanal e um script ou planilha resolvem bem no começo.
A janela de análise
A janela de análise não deve ser escolhida pelo padrão da ferramenta. Eu calculo a partir dos dados: mediana e percentil 75 do intervalo entre o primeiro toque e a criação da oportunidade, e entre a criação e o fechamento. Se o percentil 75 do seu ciclo de vendas é de 120 dias, uma janela de 30 dias vai ignorar a origem de boa parte da receita. Por outro lado, uma janela longa demais dá crédito a contatos antigos que já não influenciavam nada. O dado do seu próprio funil resolve essa discussão melhor que qualquer opinião.
Exemplo de distribuição de crédito no modelo em W
Para deixar concreto, considere uma oportunidade hipotética de R$ 120 mil ganha por uma empresa de software B2B, com a seguinte jornada consolidada da conta:
| Ponto de contato | Marco | Crédito | Receita atribuída |
|---|---|---|---|
| Artigo do blog via busca orgânica | Primeiro toque | 30% | R$ 36.000 |
| Material rico via LinkedIn Ads | Criação do lead | 30% | R$ 36.000 |
| Webinar com o diretor da conta | Intermediário | 3,33% | R$ 4.000 |
| E-mail de nutrição | Intermediário | 3,33% | R$ 4.000 |
| Remarketing na Meta | Intermediário | 3,33% | R$ 4.000 |
| Busca de marca no Google Ads, que levou ao pedido de reunião | Criação da oportunidade | 30% | R$ 36.000 |
No último clique, a busca de marca levaria os R$ 120 mil inteiros. No modelo em W, ela leva R$ 36 mil, e o conteúdo orgânico e o LinkedIn aparecem como o que realmente originou a conta. A conclusão de orçamento muda completamente, e é exatamente por isso que a regra precisa ser acordada antes de alguém ver o resultado.
Triangulação: atribuição, incrementalidade e marketing mix modeling
Mesmo a melhor regra de crédito continua sendo uma regra. Ela descreve por onde a receita passou, não o que a causou. Por isso o modelo de atribuição orientado à receita precisa ser calibrado por métodos que medem causa. Cada método responde a uma pergunta diferente:
| Método | Pergunta que responde | Horizonte | Limitação principal |
|---|---|---|---|
| Atribuição multitoque | Por quais canais e campanhas a receita passou? | Semanal a mensal | Mostra correlação, não causa |
| Testes de incrementalidade | Quanto desse resultado não existiria sem a campanha? | Por experimento, de 2 a 8 semanas | Mede um canal ou campanha por vez |
| Marketing mix modeling | Como dividir o orçamento total entre canais? | Trimestral a anual | Exige histórico e variação de investimento |
| Atribuição autodeclarada | O que o comprador lembra que o influenciou? | Contínuo | Memória imperfeita e respostas vagas |
O dado do IAB que citei na abertura, de que só 39% das empresas usam atribuição, incrementalidade e MMM juntos, mostra que essa integração ainda é rara. E mostra também onde está a vantagem competitiva.
Testes de incrementalidade
Um teste de incrementalidade compara um grupo exposto à campanha com um grupo de controle que não foi exposto. A diferença entre os dois é o impacto causal. Até pouco tempo atrás, isso era coisa de grande anunciante. Em novembro de 2025, o Google reduziu o investimento mínimo dos estudos de Conversion Lift de valores próximos a US$ 100 mil para US$ 5 mil e, mais recentemente, abriu esses estudos para campanhas de Pesquisa e Performance Max em formato autosserviço, para contas com pelo menos mil conversões observadas.
Para empresas com volume menor ou venda offline, eu gosto de testes geográficos: desligar ou reduzir a mídia em um conjunto de cidades ou estados comparáveis e medir a diferença em oportunidades e receita no CRM contra as regiões que continuaram recebendo investimento. No Brasil, com mercados regionais bem definidos, esse desenho costuma funcionar bem. O teste que eu mais recomendo como primeiro experimento é o de busca de marca, porque ele quase sempre revela quanto da receita atribuída a esse canal viria de qualquer forma.
Marketing mix modeling
O marketing mix modeling trabalha com dados agregados, sem depender de cookies ou de dados individuais: investimento semanal por canal, receita, sazonalidade, preço, promoções e fatores externos. Ele responde à pergunta de orçamento total, que a atribuição multitoque não alcança, e enxerga canais difíceis de rastrear, como TV, mídia exterior e podcast.
A barreira de entrada caiu bastante. O Meridian, modelo de código aberto do Google, ganhou em fevereiro de 2026 um Scenario Planner para simular cenários de orçamento sem programação, e no Google Marketing Live 2026 o Google anunciou a integração do Meridian ao Google Analytics 360. O Robyn, da Meta, é outra alternativa de código aberto.
Na minha prática, o MMM só compensa o esforço quando existem pelo menos dois anos de histórico semanal, investimento relevante em mais de três canais e variação real de verba ao longo do tempo. Sem variação, o modelo não tem como aprender o efeito de cada canal.
Atribuição autodeclarada
A resposta aberta à pergunta “como você conheceu a empresa?” é a forma mais barata de enxergar o dark funnel. Eu não uso esse campo para substituir o rastreamento, e sim para confrontá-lo. Quando o CRM diz que uma fatia grande das oportunidades veio de tráfego direto e as respostas mostram indicação, podcast e LinkedIn orgânico, o modelo ganha uma correção que nenhum pixel entregaria.
Como reconciliar as leituras
O ponto de encontro entre os métodos é o que eu chamo de fator de incrementalidade: a razão entre o resultado incremental medido no experimento e o resultado atribuído ao canal no mesmo período. Se um teste mostra que um canal gerou 600 conversões incrementais e o modelo atribuiu 1.000 a ele, o fator é 0,6. Daí em diante, a receita atribuída a esse canal é multiplicada por 0,6 nos relatórios de decisão de orçamento, até o próximo teste.
Quando as leituras divergem muito, a minha regra de decisão é simples: para o orçamento total entre canais, prevalece o MMM; para validar um canal específico, prevalece o experimento; para otimizar dentro do canal, prevalece a atribuição. Cada método decide sobre aquilo que ele mede melhor.
Devolvendo receita para os algoritmos de mídia
Um modelo de atribuição orientado à receita não serve apenas para relatório. Ele é a matéria-prima que deixa a mídia paga mais inteligente. Os algoritmos de lance otimizam o que recebem. Quando recebem a oportunidade ou a venda, com valor, passam a procurar pessoas parecidas com quem compra.
No Google Ads
O caminho é a importação de conversões offline com conversões otimizadas para leads, que casam o clique com dados primários criptografados, como e-mail e telefone. Segundo a documentação do Google Ads, anunciantes que usaram dados primários junto com o gclid tiveram, na mediana, 10% mais conversões medidas em relação à importação padrão. Há também uma mudança técnica importante: desde 15 de junho de 2026, a API do Google Ads não aceita mais novos usuários de importação offline, e a Data Manager API passou a ser o caminho principal. Integrações novas já devem nascer nela.
Dois cuidados práticos. A janela de conversão de clique no Google Ads vai até 90 dias, então ciclos longos pedem que você envie etapas intermediárias, como a oportunidade criada, e não só o fechamento. E o valor enviado deve refletir o valor esperado de cada etapa, e não um número fixo igual para todas.
Na Meta
Para os formulários instantâneos, a Meta oferece a API de Conversões para CRM com a meta de desempenho de leads de conversão. A documentação oficial indica que a etapa escolhida para otimização deve ter taxa de conversão entre 1% e 40% e que, por enquanto, essa otimização é compatível apenas com os formulários nativos. Para leads que chegam pelo site, a API de Conversões com eventos enviados a partir do CRM cumpre papel parecido.
Qual etapa enviar como sinal de otimização
| Etapa | Volume típico | Qualidade do sinal | Quando eu uso |
|---|---|---|---|
| Lead | Alto | Baixa | Só em contas novas, sem histórico |
| MQL ou lead qualificado | Médio | Média | Quando existe critério de qualificação estável |
| Oportunidade criada | Médio a baixo | Alta | Melhor equilíbrio para a maioria das vendas B2B |
| Venda ganha, com valor | Baixo | Muito alta | Ciclos curtos ou volume alto de fechamentos |
A regra geral é escolher a etapa mais próxima da receita que ainda tenha volume suficiente para o algoritmo aprender. E um alerta que vale para as duas plataformas: a LGPD exige base legal e transparência para compartilhar dados pessoais com plataformas de anúncio, mesmo criptografados. Vale revisar a política de privacidade e os termos de consentimento com o jurídico antes de ativar qualquer integração.
Os indicadores que o modelo precisa entregar
Um modelo bem montado responde a perguntas de negócio, não a curiosidades. Estes são os indicadores que eu coloco no painel principal:
| Indicador | O que mostra | Frequência |
|---|---|---|
| Pipeline gerado por canal | Quanto valor em oportunidades cada canal originou ou influenciou | Semanal |
| Receita atribuída por canal | Receita ganha, distribuída pela regra de crédito | Mensal |
| CAC por canal | Custo total por cliente, incluindo mídia, ferramentas e pessoas | Mensal |
| CAC Payback | Em quantos meses a margem do cliente devolve o custo de aquisição | Trimestral |
| LTV/CAC por canal | Qualidade econômica dos clientes de cada origem | Trimestral |
| Conversão entre etapas por canal | Onde cada canal perde força no funil | Mensal |
| MER | Receita total dividida pelo investimento total em marketing | Mensal |
| Fator de incrementalidade | Quanto do resultado atribuído é causal | A cada teste |
| Divergência entre rastreado e autodeclarado | Tamanho do que o rastreamento não enxerga | Trimestral |
Repare que custo por lead e volume de leads não estão na tabela. Eles continuam úteis no dia a dia de quem opera a mídia, mas não no painel de quem decide orçamento. Escrevi mais sobre esse filtro no artigo sobre métricas de vaidade. Para aprofundar dois indicadores da tabela, vale consultar os verbetes de CAC Payback e de MER no glossário.
Governança: quem é dono do modelo de atribuição
Modelo sem dono vira disputa. A estrutura que eu recomendo tem quatro peças:
- Dono do modelo: a área de RevOps ou, na falta dela, uma pessoa de operações de marketing com acesso ao CRM e ao financeiro. Não pode ser alguém cuja remuneração dependa do resultado.
- Dicionário de regras: um documento com as definições de etapa, a regra de crédito, as janelas, a taxonomia de UTM e as fórmulas de cada indicador.
- Registro de mudanças: toda alteração de regra tem data, motivo e responsável. Relatórios comparativos sempre indicam qual versão do modelo foi usada.
- Auditoria de qualidade: percentual de oportunidades sem origem, de leads sem UTM e de contatos sem conta associada, acompanhado todo mês como indicador de saúde do modelo.
O ritual mensal que eu recomendo
- Revisão da qualidade dos dados do mês e das correções necessárias.
- Leitura do pipeline e da receita atribuída por canal, com o financeiro na sala.
- Comparação com os fatores de incrementalidade e com o MMM mais recente.
- Decisões de realocação de orçamento, registradas com a justificativa.
- Definição do próximo experimento.
É esse ritual que transforma o modelo de atribuição em mecanismo de gestão, peça central do que eu chamo de arquitetura de receita.
Roadmap de 90 dias para tirar o modelo do papel
Dias 1 a 30: diagnóstico e fundação
- Mapear as decisões que o modelo precisa apoiar e quem as toma.
- Auditar o CRM: etapas, datas, campos de origem e associação de contatos.
- Publicar a taxonomia de UTM e ajustar os formulários com campos ocultos e o campo autodeclarado.
- Medir o ciclo de vendas real para definir as janelas de análise.
Dias 31 a 60: modelo e painel
- Acordar a regra de crédito com marketing, vendas e finanças, por escrito.
- Construir a primeira versão do painel com pipeline e receita atribuída.
- Conectar a receita faturada do financeiro ao modelo.
- Rodar a primeira reunião mensal, mesmo com dados incompletos.
Dias 61 a 90: validação e devolução de sinal
- Desenhar e iniciar o primeiro teste de incrementalidade, de preferência em busca de marca ou no maior canal.
- Ativar o envio das etapas do CRM para o Google Ads e para a Meta.
- Avaliar se o histórico de dados já permite um MMM ou se ele entra no plano do próximo semestre.
- Revisar o dicionário de regras com o aprendizado do trimestre.
Erros que eu vejo se repetirem
- Comprar ferramenta antes de definir etapas. A ferramenta só automatiza o que já está claro.
- Somar as conversões das plataformas. A soma passa da receita real e destrói a credibilidade do marketing com o financeiro.
- Atribuir a oportunidade ao último lead que entrou na conta. Isso ignora o grupo de compra inteiro.
- Mudar a regra quando o resultado incomoda. Um modelo que muda a cada reunião não gera aprendizado.
- Dar crédito integral à busca de marca. Ela colhe demanda criada em outro lugar e quase sempre perde força no teste de incrementalidade.
- Otimizar a mídia por lead. O algoritmo aprende a trazer quem preenche formulário, não quem compra.
- Ignorar o que acontece depois da venda. Canal que traz cliente que cancela cedo é caro, mesmo com CAC baixo.
O que muda quando a atribuição passa a responder ao financeiro
O maior ganho de um modelo de atribuição orientado à receita não é técnico. É de linguagem. Quando marketing, vendas e finanças olham para a mesma oportunidade, com a mesma regra de crédito e os mesmos números de receita, a conversa sai do “a minha plataforma diz” e vai para “o que fazemos com o próximo real”. O orçamento deixa de ser defendido por volume de leads e passa a ser defendido por receita, com margem de erro conhecida e experimentos que a reduzem a cada trimestre.
Três decisões resumem o caminho. A primeira: trocar o lead pela oportunidade, e a oportunidade pela receita reconhecida, como unidade de análise. A segunda: escolher uma regra de crédito transparente, acordada antes de qualquer resultado, e mantê-la estável. A terceira: tratar atribuição, incrementalidade e MMM como instrumentos complementares, cada um decidindo sobre o que mede melhor, e devolver a receita para os algoritmos que gastam o seu dinheiro.
Nenhum modelo vai ser perfeito. Mas um modelo honesto, documentado e calibrado vale mais que dez dashboards de plataforma que discordam entre si. É ele que dá ao marketing o direito de sentar à mesa de orçamento como área de receita, e não como centro de custo.
Continue a conversa
Se esse tema faz sentido para o seu momento, vale ler também o passo a passo para medir a receita atribuída ao marketing, o artigo sobre os canais que o GA4 não vê e o texto sobre revenue intelligence, que mostra como usar dados preditivos para ganhar previsibilidade de receita.
Eu publico com frequência análises sobre marketing, growth, vendas, dados e inteligência artificial aplicada a negócios em alissonlima.me. Se você está estruturando o modelo de atribuição da sua empresa e quer discutir regras de crédito, integração com o CRM ou desenho de experimentos, me chame por lá. Eu gosto desse tipo de conversa.



