Atribuição First-Touch vs Last-Touch em Tráfego Pago: Qual Modelo Está Distorcendo o Seu ROAS?

Se os seus relatórios de ROAS em tráfego pago parecem inconsistentes — canais diferentes reivindicando as mesmas conversões, discussões de orçamento que nunca terminam, Meta e Google cada um insistindo que merece mais crédito — a causa raiz quase sempre é a escolha do modelo de atribuição. A atribuição first-touch vs last-touch em tráfego pago são os dois extremos de um espectro, e ambos distorcem os seus números em direções previsíveis e opostas. Este guia explica como cada modelo deturpa o seu funil, quais cenários cada um lida melhor e o caminho rumo à atribuição data-driven para times prontos para ir além dos modelos single-touch.

Por que a Atribuição Importa Mais que o Próprio ROAS

ROAS é uma razão: receita dividida por investimento. Troque o modelo de atribuição e você muda o numerador de receita de cada canal sem encostar no investimento real. Um canal com ROAS de 3,5× no last-touch pode mostrar 1,8× no first-touch — a mesma performance no mundo real, reportada como quase duas vezes pior. A escolha do modelo de atribuição pode disparar uma realocação de orçamento na casa dos seis dígitos com base em nada além de uma convenção de medição.

Esse é o tamanho da questão do modelo de atribuição. Não é acadêmico. Segundo o Nielsen Annual Marketing Report de 2024, 65% dos profissionais de marketing disseram ter dificuldade em atribuir performance entre canais — e os modelos single-touch são o principal motivo, porque forçam jornadas multi-touchpoint a uma única atribuição de crédito que não satisfaz ninguém.

Atribuição First-Touch: o que Ela Acerta e o que Erra

A atribuição first-touch credita o canal onde o cliente engajou pela primeira vez com a sua marca. A conversão aconteceu por causa do anúncio que gerou consciência, e esse anúncio fica com 100% do crédito — independentemente de tudo o que aconteceu nas semanas ou meses entre aquele primeiro clique e a compra final.

Onde o first-touch é útil: Para avaliar quais canais apresentam novos clientes em escala, o first-touch dá um sinal claro. Se você quer saber qual canal traz o maior volume de potenciais compradores, a atribuição first-touch é a lente certa. Ela identifica corretamente os canais de prospecting como o motor do volume de topo de funil.

Onde o first-touch distorce: A atribuição first-touch infla sistematicamente o ROAS dos canais de consciência. Um anúncio de prospecting no Meta que alcançou um cliente seis meses antes de ele converter fica com 100% do crédito da receita, mesmo que o cliente tenha visitado o site doze vezes pela busca orgânica e visto três anúncios de retargeting antes de comprar. O ponto de contato de consciência gerou consciência — ele não fechou a venda sozinho.

Para marcas DTC e dropshippers com ciclos curtos de consideração (72 horas ou menos), o first-touch é uma simplificação razoável porque poucos pontos de contato ocorrem entre a primeira e a última interação. Para anunciantes B2B, marcas de assinatura ou compras de alta consideração com ciclos de 30+ dias, o first-touch superestima absurdamente o ROAS de topo de funil e vai te levar a investir demais em prospecting enquanto investe de menos nos pontos de contato de nutrição e retenção que de fato fecham a receita.

Atribuição Last-Touch: o que Ela Acerta e o que Erra

A atribuição last-touch credita a interação final antes da conversão — quase sempre uma busca de marca, uma visita direta ou um anúncio de retargeting. É o modelo padrão na maioria das plataformas de analytics, incluindo o padrão histórico do Google Analytics, e mapeia bem para uma jornada de compra simples em que um anúncio gera uma compra.

Onde o last-touch é útil: Para a otimização de etapa de conversão, a atribuição last-touch revela quais anúncios e landing pages específicas fecham negócios com mais eficiência. Se você quer otimizar o criativo de retargeting ou a estratégia de lances da busca de marca, o last-touch dá sinal direto.

Onde o last-touch distorce: A atribuição last-touch é catastrófica para avaliar canais de geração de demanda. Toda campanha de prospecting no Meta, todo pre-roll no YouTube e toda impressão de display que apresentou o cliente à marca fica com crédito zero — apesar de o cliente nunca ter pesquisado pela sua marca se aqueles pontos de contato de topo de funil não tivessem gerado consciência.

A consequência prática é que times usando atribuição last-touch consistentemente subfinanciam os canais de topo de funil, porque esses canais parecem não dar lucro nos dados. Com o tempo, o volume de busca de marca que eles antes geravam cai, e o time se pergunta por que o ROAS de last-touch está despencando — sem ligar os pontos entre cortar o investimento em prospecting e esvaziar o pipeline que a busca de marca estava convertendo.

A Distorção do ROAS na Prática

Para deixar a distorção concreta, considere uma única jornada de cliente:

• Dia 1: Clica num anúncio de prospecting no Meta → visita o site → não compra
• Dia 8: Vê um anúncio de retargeting no Meta → visita o site → não compra
• Dia 15: Pesquisa o termo de marca no Google → clica na busca de marca paga → compra R$ 200

No last-touch, o Google Ads fica com 100% do crédito dos R$ 200 de receita. O Meta fica com R$ 0 em duas interações de anúncio.

No first-touch, o Meta fica com 100% do crédito dos R$ 200 de receita (do clique de prospecting do Dia 1). O Google fica com R$ 0 apesar de ter fechado a venda.

Na atribuição data-driven, os R$ 200 são distribuídos entre os três pontos de contato conforme a contribuição estatística de cada um — talvez o prospecting no Meta fique com 35%, o retargeting no Meta com 25% e a busca de marca no Google com 40%.

Só o modelo data-driven aproxima a contribuição econômica real de cada canal. Os dois modelos single-touch produzem números que vão levar à decisão de orçamento errada para pelo menos um dos três canais nessa jornada.

A análise do reported-roas-vs-true-roas-framework documenta essa lacuna em mais detalhe — por que o ROAS que a sua ferramenta de relatório mostra e o ROAS que você de fato está gerando podem divergir de forma significativa só por conta da escolha do modelo.

Linear, Time-Decay e Position-Based: os Modelos do Meio-Termo

Entre o first-touch e o last-touch existem três modelos de meio-termo que distribuem o crédito entre múltiplos pontos de contato:

Atribuição linear distribui o crédito da conversão igualmente entre todos os pontos de contato. Toda interação na jornada do cliente fica com a mesma fatia. No exemplo de três pontos de contato acima, cada canal fica com 33%. A linear é simples e evita o viés de canal único do first e do last-touch, mas supervaloriza pontos de contato que não influenciaram de fato a decisão (uma impressão de banner que o usuário pode nem ter visto).

Atribuição time-decay dá mais crédito aos pontos de contato mais próximos da conversão, descontando exponencialmente as interações mais antigas. Numa jornada de 30 dias, um ponto de contato 28 dias antes da conversão fica com uma fração do crédito atribuído ao ponto de contato 2 dias antes. A time-decay encaixa melhor que o last-touch puro para ciclos longos de consideração porque ainda premia a recência sem ignorar completamente os pontos de contato de consciência mais antigos.

Atribuição position-based (em U) divide o crédito entre o primeiro e o último ponto de contato, normalmente 40% para cada um, distribuindo os 20% restantes igualmente entre as interações do meio. Ela reconhece que a primeira consciência e a conversão final são ambas significativas, ao mesmo tempo em que credita os pontos de contato do meio de funil que sustentaram a jornada.

Cada um desses modelos introduz distorções diferentes. A escolha certa depende da estrutura do seu funil, do tempo típico de consideração e de qual pergunta de negócio você está tentando responder.

Atribuição Data-Driven: Requisitos e Limitações

A atribuição data-driven (DDA) usa machine learning para analisar os seus caminhos reais de conversão e atribuir pesos de crédito com base na contribuição estatística de cada ponto de contato para a probabilidade de conversão. Em vez de aplicar uma regra fixa, a DDA aprende com os seus dados.

A DDA está disponível nativamente no Google Analytics 4 para propriedades elegíveis. Os requisitos são consideráveis: normalmente 300+ conversões por mês por canal e diversidade de caminhos suficiente para o modelo identificar padrões relevantes. Para contas abaixo desses limites, a DDA reverte para last-touch, o que esvazia o propósito.

A migração para longe dos modelos single-touch rígidos já está em curso no setor inteiro. O Gartner apontou em 2024 que a atribuição multi-touch e o marketing-mix modeling estavam entre as prioridades de crescimento mais rápido para times de performance que buscam precisão cross-channel — uma resposta direta ao problema de má alocação de orçamento que o first-touch e o last-touch criam quando os funis se espalham por várias plataformas.

As limitações da DDA são reais. Ela é uma caixa-preta — você não consegue inspecionar por que um canal específico recebeu um peso de crédito específico. Ela é sensível aos dados que recebe, o que significa que UTMs quebradas ou lacunas nos dados de conversão produzem pesos não confiáveis. E ela só consegue modelar pontos de contato que ocorreram em canais rastreáveis: não consegue ponderar visitas à loja física, ligações telefônicas ou a newsletter por e-mail que o cliente leu mas não clicou.

É por isso que consertar a qualidade dos dados a montante — UTMs consistentes, nomenclatura de campanha limpa, Conversion API confiável — é o pré-requisito para a atribuição data-driven funcionar, e não um aprimoramento opcional.

Escolhendo o Modelo Certo para o Seu Funil

O framework para selecionar um modelo de atribuição começa com duas perguntas: Qual é o seu ciclo típico de consideração? e Quantos pontos de contato um cliente típico tem antes de converter?

Para agências gerenciando contas de vários clientes e funis, a resposta vai variar por cliente — que é exatamente por que o framework do cross-channel-ad-analytics-fragmented-reporting-fix importa: ele constrói uma camada de relatório capaz de revelar diferenças de modelo de atribuição por cliente sem exigir reconciliação manual para cada conta.

Como a Wevion Ajuda na Visibilidade de Atribuição

A Wevion ajuda a construir o pré-requisito para qualquer modelo de atribuição funcionar: dados limpos e consistentes na origem. O UTM Builder impõe uma única estrutura de tagueamento em toda campanha, de modo que as plataformas de analytics recebam inputs uniformes. A integração com a Conversion API garante que a própria atribuição do Meta tenha sinal server-side completo em vez de depender só do pixel do navegador, que as restrições do iOS e dos navegadores degradam progressivamente.

O analytics cross-account da Wevion revela a performance por campanha e por canal para que você possa comparar o que o relatório de cada plataforma reivindica com o que o seu analytics mostra — a análise de lacunas que identifica onde as diferenças de modelo estão criando má alocação de orçamento. Os recursos ajudam a preparar e apresentar essa comparação; a decisão sobre qual modelo confiar para qual escolha de orçamento continua com o seu time.

Como a Wevion sincroniza os dados de campanha numa cadência de aproximadamente 15 minutos, a camada de analytics reflete uma performance quase atual em vez dos números de ontem, o que importa quando você está avaliando diferenças de performance entre modelos que se deslocam com a otimização das campanhas.

Um Plano Prático de Transição: do Last-Touch ao Multi-Touch

Se você roda hoje em last-touch puro e quer migrar para um modelo mais preciso, o risco da transição é gerenciável com uma abordagem de execução paralela:

Passo 1 — Audite a consistência das UTMs. Antes de mudar qualquer modelo, verifique se as suas UTMs estão consistentes em todos os canais pagos. Tagueamento inconsistente produz inputs lixo para qualquer modelo multi-touch. O guia how-to-build-utm-tracking-system-paid-ads traz o checklist de configuração.

Passo 2 — Ative um modelo multi-touch em paralelo. No GA4, ative a atribuição data-driven (se elegível) ou a position-based como modelo de comparação. Rode o modelo atual e o modelo novo ao mesmo tempo por 4 a 6 semanas sem mudar decisões de orçamento com base no modelo novo.

Passo 3 — Quantifique o deslocamento de crédito. Identifique quais canais ganham e perdem crédito no modelo novo. Os canais que ganham crédito no multi-touch são os que o seu modelo atual está subfinanciando; os que perdem crédito provavelmente estão superfinanciados.

Passo 4 — Faça ajustes incrementais de orçamento. Não realoque 30% do orçamento da noite para o dia por causa de uma troca de modelo. Faça deslocamentos de 10–15%, deixe os dados de performance assentarem ao longo de um ou dois ciclos de relatório e ajuste de novo. Realocação rápida com base num modelo novo, antes de o modelo ter sido validado nos seus dados reais, é uma causa comum de queda de performance desnecessária.

Conclusão

O debate first-touch vs last-touch não é sobre qual modelo está correto — os dois estão errados de formas previsíveis. O first-touch dá crédito demais à consciência e infla o ROAS de topo de funil. O last-touch dá crédito demais aos canais de etapa de conversão e esconde a contribuição da geração de demanda. O objetivo é escolher o modelo cujas distorções produzem o menor número de decisões de orçamento erradas para o seu funil específico.

Para compras de impulso de ciclo curto, o last-touch muitas vezes é bom o suficiente. Para funis multi-touchpoint com ciclos de 7+ dias, um modelo multi-touch ou data-driven vai produzir uma alocação de orçamento sensivelmente melhor. Em todos os casos, rastreamento limpo a montante — UTMs consistentes, Conversion API completa — é a pré-condição para qualquer modelo produzir um output confiável.

Comece um trial de 14 dias da Wevion — ou fique no plano gratuito permanente — e construa a base de dados que transforma o seu modelo de atribuição em um instrumento em vez de uma fonte de confusão.

Este guia faz parte do nosso hub de educação do ecossistema — explore o cluster completo para playbooks relacionados.