Modelos de atribuição: porque o último clique te faz cortar no SEO e no GEO errados

Por Miguel Maio · Publicado em 5 de outubro de 2026

A jornada que a atribuição não vê

1. 1Cross-domain partido: cada domínio é sessão nova
2. 2Subdomínio contado como nova visita
3. 3Self-referrals e dark traffic caem em Direct
4. 4O último clique credita só o fim da jornada

Dados partidos geram decisões enviesadas.

Um modelo de atribuição não é um detalhe técnico de analytics: é a lente que decide em que canal gastas o próximo euro. Escolhe-se mal, ou nem se escolhe, e todo o orçamento fica enviesado a favor de quem aparece no fim da jornada e contra quem fez o trabalho no início. Na prática, é a diferença entre saber o que funciona e achar que sabes.

O que são modelos de atribuição (e porque o último clique mente)

Um modelo de atribuição é a regra que distribui o crédito de uma conversão pelos pontos de contacto que a antecederam. A mesma venda pode ser atribuída ao primeiro clique, ao último, repartida por todos, ou calculada por um algoritmo que pesa o contributo real de cada canal. Não é contabilidade neutra: cada modelo conta uma história diferente com os mesmos dados.

O último clique, o modelo por defeito durante uma década, dá 100% do crédito ao último ponto de contacto antes da conversão. É simples, é auditável, e é enganador: trata a jornada como se só o fim existisse. O cliente que te descobriu num artigo, voltou por uma newsletter e só depois clicou num anúncio de marca aparece nos relatórios como uma conversão de paid search, limpinha. O artigo e a newsletter trabalharam de graça, e nos números nem existiram.

Os modelos baseados em regras tentaram corrigir isto: primeiro clique (crédito a quem iniciou), linear (igual para todos), decaimento temporal (mais crédito ao que está perto da conversão) e baseado na posição (mais ao início e ao fim). Todos partilham o mesmo defeito: a regra é arbitrária, decidida por ti e não pelos dados. O data-driven veio responder a isso, e é onde a conversa séria começa.

Last-click vs data-driven: o modelo que penaliza o SEO e o GEO

O data-driven attribution (DDA) usa os teus próprios dados para estimar quanto cada ponto de contacto contribuiu de facto para a conversão, comparando caminhos que converteram com os que não converteram. Em vez de uma regra fixa, um modelo probabilístico. É o modelo mais avançado que o GA4 disponibiliza, e por boas razões: distribui o crédito de forma mais próxima da realidade do que qualquer regra manual.

A diferença não é académica. No último clique, um canal que assiste muito mas raramente fecha, como o SEO informacional ou uma citação por IA, aparece com crédito perto de zero. No data-driven, esse mesmo canal recebe a fração que lhe corresponde por aparecer nos caminhos que convertem. A leitura do ROI de cada canal muda, e com ela mudam as decisões de orçamento. O que no último clique parecia um canal a deitar dinheiro fora passa, no data-driven, a ser o que alimenta o funil.

Não é perfeito. O DDA é uma caixa relativamente fechada, precisa de volume de dados para estabilizar, e continua preso ao que o tracking consegue ver, ou seja, lixo à entrada, lixo à saída. Mas entre decidir com uma regra que sabes estar errada e decidir com um modelo que ao menos olha para os dados, a escolha não devia ser difícil. É, porque o último clique dá números simples e os simples são confortáveis.

Porque é que o tráfego não-pago sai sempre a perder

O SEO, o GEO, o e-mail e o direto atuam cedo e no meio da jornada, e é por isso que qualquer modelo de fim de funil os sub-valoriza por construção. Estes canais criam a procura, formam a preferência e trazem o visitante de volta. Mas quem fecha, muitas vezes, é um anúncio de marca ou um clique direto, e é a esse que o último clique entrega o troféu.

Há um agravante técnico que torna isto pior do que parece. Uma parte enorme do tráfego não-pago chega sem referenciador fiável e cai em "Direct": cliques a partir de apps, de respostas de IA, de documentos, de redes. O tráfego de IA é um caso de estudo, porque o ChatGPT, o Perplexity e companhia nem sempre deixam rasto limpo, e o que não se vê não se credita. Trabalhei a fundo este problema noutro sítio, e a conclusão mantém-se: o Direct inchado é quase sempre tráfego mal atribuído, e a fatura dessa má atribuição é paga pelo orgânico.

O resultado é um ciclo vicioso. O não-pago parece fraco nos relatórios, corta-se-lhe o investimento, a procura que ele alimentava seca, e o paid fica a disputar uma procura menor a custo maior. A medição errada não é só uma foto desfocada: é uma profecia que se cumpre a si própria.

Jornadas partidas: silos, subdomínios e cross-domain mal montado

Antes de discutir que modelo usar, há uma pergunta mais básica que a maioria salta: os teus dados conseguem sequer ver a jornada inteira? Em muitas marcas, não. A jornada está partida em pedaços que o analytics conta como pessoas diferentes, e nenhum modelo de atribuição salva dados que já nascem partidos.

O erro mais caro é o cross-domain mal montado. Se o teu site vive num domínio e o checkout, a reserva ou o pagamento vivem noutro, e o cross-domain não está configurado, o GA4 trata a passagem de um para o outro como uma sessão nova, e o domínio de origem aparece como um self-referral. A conversão fica atribuída ao teu próprio site como "referral", e a jornada real evapora-se. É o tipo de erro que faz um gestor jurar que o orgânico não converte, quando o orgânico converte e o tracking é que o perde à porta do checkout.

Os subdomínios trazem a sua própria armadilha: dependendo da configuração, blog.marca.pt e loja.marca.pt podem ser contados como visitas novas em vez de uma só jornada, inflando sessões e Direct e cortando os caminhos em dois. Junta-se a isto a lista de referral exclusions mal feita (gateways de pagamento que aparecem como origem da venda), os UTM inconsistentes (cada equipa a etiquetar à sua maneira, ou a não etiquetar de todo), o dark traffic que cai em Direct, e o buraco do Consent Mode, onde as visitas sem consentimento desaparecem ou são modeladas, consoante a configuração. Cada um destes sozinho já distorce; juntos, tornam o relatório ficção.

O padrão que vejo no terreno é sempre o mesmo: marcas com a casa dividida em silos, equipas de SEO, de paid e de CRM a olhar para painéis diferentes, cada um a defender o seu número, e ninguém dono da jornada completa. A atribuição, nestes casos, não está errada: está a medir uma realidade que não existe.

Os modelos de atribuição no GA4: o que tens e o que já não tens

O GA4 simplificou, e convém saber o que ficou. Hoje o GA4 mantém três modelos, o data-driven e duas variantes de último clique (pago e orgânico, e canais pagos do Google); os modelos baseados em regras do Universal Analytics, primeiro clique, linear, decaimento temporal e baseado na posição, foram descontinuados em novembro de 2023. Na prática, a escolha real passou a ser entre data-driven e último clique, com janelas de conversão configuráveis.

Há ainda uma distinção que engana muita gente: o GA4 separa a atribuição entre canais pagos e orgânicos e a atribuição que alimenta o Google Ads. São lentes diferentes para o mesmo evento, e comparar números entre relatórios sem perceber qual o modelo e a janela de cada um é receita para conclusões erradas. Antes de discutir estratégia, confirma sempre qual o modelo ativo e que janela está a contar, porque a mesma conversão muda de dono conforme a definição.

Este guia fica-se pelo conceito e pela leitura. O passo a passo de configuração, montar o cross-domain, corrigir referral exclusions, desenhar a taxonomia de UTM, fica para artigos próprios, porque cada um é um tema a sério e misturá-los aqui só dava um guia raso. O importante, para já, é perceber o que o número que tens à frente está mesmo a dizer.

Como isto vira decisões erradas de paid media

O custo real da má atribuição não está no relatório, está na decisão que sai dele. Uma leitura enviesada não fica quieta: vira orçamento, vira briefing, vira o próximo trimestre. E como o viés aponta sempre na mesma direção, o erro não se corrige, acumula-se.

O guião repete-se. O último clique mostra o SEO e o GEO com ROAS baixo, corta-se-lhes o investimento. Mostra o paid de marca com ROAS altíssimo, reforça-se, quando o paid de marca muitas vezes só está a colher procura que o orgânico e a notoriedade criaram, a pagar por cliques que viriam de graça. Sobre-investe-se no que colhe, corta-se no que semeia, e os números do trimestre seguinte confirmam a tese errada, porque a procura, essa, secou onde ninguém estava a olhar.

E depois há a reação oposta, igualmente má: a marca percebe que os números não batem certo, perde a confiança em tudo, e atira a toalha ao chão. Deixa de olhar para a atribuição, volta a decidir por intuição e por quem grita mais alto na reunião. Trocar um modelo imperfeito por nenhum modelo não é ceticismo saudável, é regressar à idade das trevas com um painel caro por cima. O problema nunca foi a atribuição existir; foi ninguém ter arranjado os dados antes de confiar nela.

Para lá da atribuição determinística: MMM e incrementalidade

A atribuição ao nível do utilizador está a ficar cega, e não por incompetência: por desenho. O fim dos cookies de terceiros de forma fiável, o Consent Mode, as restrições de privacidade e o tráfego sem referenciador cortam cada vez mais os dados determinísticos de que a atribuição depende. Continuar a decidir só com atribuição de último toque, num mundo que já não a alimenta, é pilotar com metade dos instrumentos avariados.

A resposta sénior não é uma ferramenta nova, é uma antiga que voltou com força: o marketing mix modeling (MMM), que estima o contributo de cada canal ao nível do negócio por métodos estatísticos, sem precisar de seguir o indivíduo. Ao lado dele, os testes de incrementalidade e as experiências geográficas respondem à única pergunta que a atribuição nunca responde bem: o que teria acontecido se eu não tivesse investido neste canal? É a diferença entre correlação e causa.

Não é atribuição ou MMM, é atribuição e MMM, em camadas. A atribuição serve o dia a dia e a otimização tática; o MMM e a incrementalidade dão a leitura causal ao nível do orçamento global, sobretudo nos canais que a privacidade tornou opacos. Para a maioria das marcas em Portugal isto ainda soa a luxo, mas a direção é esta, e quem a ignora vai decidir cada vez mais no escuro à medida que os dados determinísticos encolhem.

O que fazer antes de confiar num número

A ordem importa, e quase toda a gente a inverte. Primeiro arranja-se o tracking, depois escolhe-se o modelo, só depois se tiram conclusões. Confiar num modelo de atribuição com a jornada partida é decorar uma casa sem fundações: parece bem até ao primeiro abanão.

Na prática, por ordem: garante que a jornada é vista de ponta a ponta (cross-domain e subdomínios resolvidos, self-referrals e pagamentos fora da lista de origens, UTM com uma taxonomia única, Consent Mode consciente do que modela). Só então compara modelos, e compara-os a sério, vendo como o crédito por canal muda do último clique para o data-driven. E, para as decisões grandes, não te fies só no determinístico: triangula com testes de incrementalidade, nem que sejam simples, para validar o que a atribuição sugere. O detalhe de cada um destes passos fica para artigos dedicados; aqui fica a sequência, que é o que mais gente erra.

A regra que uso é curta: sem medição fiável, estratégia de canais é fé; com medição fiável, é gestão. E medição fiável começa muito antes do modelo, começa em ver a jornada inteira.

O custo de decidir sobre dados partidos

Enquanto decidires sobre dados partidos e sobre o último clique, vais cortar sistematicamente no que compõe o teu crescimento e reforçar o que apenas o colhe, com a certeza tranquila de quem tem um relatório a dar-lhe razão. O pior não é não ter dados; é ter dados errados e confiar neles, porque isso dá-te a coragem de tomar decisões más à escala. A pergunta a fazer esta semana não é que modelo de atribuição deves usar. É esta: os meus dados conseguem ver a jornada inteira, ou estou a premiar sempre quem chega por último a uma festa que outros pagaram?

Fontes

• Google - Acerca da atribuição e dos modelos de atribuição (GA4)
• Google - Medição em vários domínios (cross-domain) no GA4
• Analytics Mania - Cross-domain tracking in GA4

Perguntas frequentes