Se você já trocou de modelo de atribuição mais de uma vez no último ano (de last click para linear, de linear para algorítmico, de algorítmico para “vamos voltar pro simples”), o problema não é ter escolhido o modelo errado.
É estar resolvendo a pergunta errada.
Atribuição em B2B não fica melhor porque o modelo ficou mais sofisticado.
Fica melhor quando a unidade que você está medindo deixa de ser sessão, ou contato, e passa a ser conta.
Enquanto essa troca não acontece, qualquer modelo, do mais simples ao mais caro, está tentando ordenar um processo que nunca foi ordenado.
O diagnóstico errado que a maioria aplica
O ciclo se repete com uma regularidade quase previsível.
Marketing implementa last click.
Vendas reclama que canais de topo de funil nunca recebem crédito.
Marketing muda para first click.
Agora é performance de fundo de funil que parece não ter dono.
Alguém sugere um modelo linear, que distribui crédito igualmente entre todos os toques.
Ninguém fica satisfeito, porque um toque de blog lido por curiosidade recebe o mesmo peso que uma demo agendada.
Depois vem a fase da ferramenta.
Um modelo algorítmico, data-driven, com machine learning por trás, promete resolver isso com “precisão estatística”.
Custa caro, demora meses para implementar, e no fim devolve números que ninguém no time comercial confia o suficiente para mudar decisão de budget.
O sintoma mais visível aparece no dashboard executivo.
Todo trimestre, o slide de atribuição muda de formato, porque o modelo mudou de novo, e ninguém na sala lembra por que o número de três meses atrás não bate com o de agora.
A reunião gasta mais tempo explicando a mudança de metodologia do que decidindo o que fazer com o resultado.
Em nenhuma dessas trocas o resultado muda de forma duradoura.
E o motivo é simples.
Todo modelo de atribuição, inclusive o algorítmico mais avançado, parte do mesmo pressuposto: existe uma sequência de toques, feita por uma entidade rastreável, que pode ser ordenada no tempo e credita corretamente quem influenciou o quê.
Em venda complexa B2B, com comitê de 6 a 10 pessoas decidindo em paralelo, esse pressuposto já está errado antes do modelo entrar em cena.
Trocar de modelo dentro de um pressuposto errado só produz uma resposta errada com mais casas decimais.
A causa real. O problema não é o modelo, é a unidade
Já argumentei, no artigo sobre por que a jornada de compra B2B nunca foi linear, que o comitê de compra não anda em fila. Anda em paralelo, com cada stakeholder entrando e saindo da decisão em momentos diferentes, muitas vezes sem deixar rastro no seu sistema.
Atribuição herda esse problema diretamente, porque todo modelo de atribuição, por definição, precisa de uma sequência ordenável para funcionar.
Quando a unidade de medida é a sessão, cada visita ao site conta como um evento isolado, mesmo que três pessoas da mesma empresa tenham gerado essas sessões em dispositivos diferentes, sem nenhuma delas saber da existência da outra.
Quando a unidade é o contato, cada pessoa é tratada como uma jornada própria, mesmo que a decisão real dependa de quatro contatos daquela empresa chegando a um consenso que nenhum deles registrou individualmente.
A unidade certa, em venda complexa, é a conta.
Degasperi, Israel
Não porque conta seja um conceito mais moderno, mas porque é a unidade que corresponde à realidade de quem decide.
Uma conta com três contatos engajando em momentos diferentes, por canais diferentes, sem ordem clara entre eles, é o dado bruto de uma decisão em andamento.
Reduzir isso a “qual desses três toques veio primeiro” é perder a informação que mais importa, que é a soma da influência, não a ordem dela.
Essa lacuna cresce com pesquisa em AI Search.
Um técnico perguntando para o ChatGPT ou para o Perplexity qual ferramenta resolve o problema dele, e decidindo visitar apenas quem já apareceu na resposta, gera zero UTM, zero sessão rastreável, zero contato registrado até bem mais tarde no processo.
Nenhum modelo de atribuição, por mais sofisticado, recupera um dado que nunca existiu.
O relatório vai continuar dando crédito a busca por marca ou a tráfego direto, porque foi o último evento capturável, escondendo a influência real que aconteceu antes, dentro de uma conversa de IA generativa que você não vê.
Isso muda o que significa “dar crédito” a um canal.
Não é mais sobre encontrar o toque que “fechou” a venda.
É sobre identificar quais canais aparecem com mais frequência na composição de contas que avançam, comparado com contas que não avançam.
Essa é uma pergunta estatisticamente mais simples de responder do que ordenar uma sequência de eventos paralelos, e é também mais honesta sobre o que a atribuição em B2B consegue, e não consegue, provar.
Como identificar se sua atribuição está mentindo para você
Cinco sinais aparecem com frequência em operações que ainda medem atribuição por sessão ou por contato isolado.
Sinal 1:
Canais de marca (tráfego direto, busca por nome, orgânico institucional) concentram a maior parte do crédito de conversão, enquanto o investimento em canais de topo de funil parece não influenciar nada, mesmo quando a percepção do time comercial em campo é o oposto.
Sinal 2:
O relatório de atribuição muda de forma significativa toda vez que o modelo é ajustado, sem que nenhuma mudança real tenha acontecido na operação.
Se o número move mais por causa de configuração do que por causa de comportamento de cliente, o modelo está gerando ruído, não sinal.
Sinal 3:
Vendas e marketing discordam sobre qual canal “trouxe” uma conta específica, e os dois têm razão parcialmente, porque cada um está olhando um evento diferente da mesma conta, sem visão do conjunto.
Sinal 4:
CAC por canal varia de forma extrema entre meses, sem relação clara com mudança de investimento, porque o crédito está sendo distribuído de forma instável entre poucos eventos finais.
Sinal 5:
Decisões de corte de budget em canais de topo de funil são justificadas por atribuição de sessão isolada, e revertidas dois trimestres depois porque o pipeline geral caiu sem explicação aparente.
Se dois ou mais desses sinais são recorrentes, o problema não vai ser resolvido testando mais um modelo. Vai exigir mudar a unidade antes de mudar a fórmula.
O que muda no seu relatório
| Dimensão | Atribuição por sessão ou contato | Atribuição por conta |
|---|---|---|
| Unidade medida | Visita isolada ou pessoa isolada | Conjunto de contatos de uma mesma empresa |
| Pergunta que responde | Qual toque específico “fechou” | Quais canais aparecem em contas que avançam |
| Sensibilidade à troca de modelo | Alta, o número muda quando o modelo muda | Baixa, presença por canal é mais estável |
| Uso correto | Otimização tática de campanha isolada | Decisão de investimento por canal, budget trimestral |
| Limite reconhecido | Finge medir 100% da influência | Assume que parte da influência não será capturada |
Nenhuma das duas colunas substitui totalmente a outra.
Atribuição por sessão ainda serve para otimização tática dentro de uma campanha específica. Mas a decisão que realmente move dinheiro, investimento de budget trimestral por canal, precisa ser respondida pela coluna da direita.
Degasperi, Israel
O que fazer para medir atribuição por conta
Primeiro, garantir que todo contato no CRM está corretamente vinculado à conta certa.
Parece básico, mas em operações que cresceram rápido é comum encontrar 20% a 40% dos contatos sem conta associada, ou associados a contas duplicadas.
Nenhuma leitura de atribuição por conta funciona em cima de um mapeamento de conta quebrado. Esse é o primeiro investimento, antes de qualquer ferramenta nova.
Segundo, mudar o relatório de atribuição por sessão para atribuição por conta.
Em vez de perguntar qual canal gerou aquela conversão, perguntar quais canais aparecem no histórico de touchpoints de todos os contatos daquela conta, nos últimos 90 ou 180 dias, dependendo do ciclo médio de venda. A soma de presença por canal, por conta, substitui a ordem de eventos por contato como a métrica principal.
Terceiro, adotar pipeline influenciado por conta como métrica primária de topo de funil, em paralelo com pipeline gerado.
Pipeline influenciado por conta mede em quantas contas que avançaram para oportunidade um canal específico teve presença registrada, independente de posição na sequência. É uma métrica menos precisa que atribuição de evento único, e é também mais honesta sobre o que de fato pode ser medido em venda complexa.
Quarto, aceitar que uma parte da influência nunca vai aparecer em nenhum relatório.
Pesquisa em AI Search, conversa interna do comitê, indicação de um ex-cliente em uma ligação que não passou por nenhum canal rastreável, tudo isso influencia decisão e não deixa dado.
Um modelo de atribuição honesto reconhece essa margem, em vez de fingir precisão que não existe distribuindo 100% do crédito entre os poucos cliques ou eventos que foram capturados.
Quinto, estabelecer um ritual mensal de revisão de atribuição por conta, com marketing e vendas na mesma sala, olhando as mesmas contas fechadas do mês.
Não é reunião para validar o modelo.
É reunião para decidir orçamento do mês seguinte com base em presença de canal, não em crédito de último clique. Sem esse ritual, a mudança de unidade fica documentada e nunca chega a ser usada.
Nenhuma dessas cinco mudanças exige substituir a stack de martech. Exige mudar a pergunta que você faz para o dado que já existe.
Exige mudar a pergunta que você faz para o dado que já existe“.
Nada disso, porém, corrige a origem.
Enquanto o CRM não devolver para a mídia o que aconteceu depois que o lead virou oportunidade, o sistema de anúncios segue otimizando para o clique e nunca para o cliente.
É o mesmo ponto que discuto em aquisição sem receita: mídia e CRM conectados no relatório, mas não no registro, produzem uma leitura que parece dado e é opinião.
O padrão que aparece nos projetos
Uma empresa de tecnologia B2B, ciclo médio de venda de 120 dias, havia acabado de contratar uma ferramenta de atribuição multi-touch com modelo algorítmico, depois de seis meses de implementação e um contrato anual de valor considerável.
O relatório saía bonito. Ninguém no time comercial confiava nos números.
Ao investigar a causa, o problema não estava no modelo escolhido.
Estava no CRM.
Praticamente um terço dos contatos que geravam touchpoints de marketing não estavam vinculados a nenhuma conta, ou estavam vinculados a contas duplicadas criadas em momentos diferentes pelo time de vendas.
O modelo algorítmico estava processando dado de altíssima qualidade estatística em cima de uma base fragmentada.
Precisão matemática sobre dado errado só produz um número errado com mais confiança.
Degasperi, Israel
A correção não envolveu trocar de ferramenta.
Envolveu aproximadamente três a quatro semanas de higienização de conta no CRM, com regra de deduplicação e vínculo obrigatório de contato à conta antes de qualquer touchpoint ser registrado.
Depois disso, mesmo um relatório simples de presença de canal por conta, sem nenhum algoritmo sofisticado por trás, já entregava uma leitura mais confiável do que os seis meses anteriores de modelo avançado sobre dado quebrado.
Fechamento
Nenhuma dessas mudanças aparece como linha de investimento em mídia.
Aparecem como higiene de CRM, mudança de unidade de relatório e aceitação de que parte da influência nunca será medida com precisão.
É por isso que ficam de fora da pauta enquanto a empresa continua testando modelo atrás de modelo, à procura de uma precisão que a estrutura do dado nunca vai entregar.
Se você olhar o relatório de atribuição da sua operação hoje, ele está organizado por sessão, por contato, ou por conta?
E quantas das contas que fecharam negócio no último trimestre tinham dois ou mais contatos gerando touchpoints que o seu modelo atual nunca somou como a mesma decisão?
Se você se identifica ou está passando por este momento na sua empresa, o Radar de Growth é um diagnóstico gratuito que mapeia onde sua aquisição, CRM e pipeline estão perdendo eficiência.
Leva menos de 2 minutos, em 4 etapas curtas de seleção. O resultado chega por email com um resumo do que precisa de atenção primeiro.
