Quem merece o crédito por uma venda, o anúncio no Instagram, a busca no Google, o e-mail promocional ou o banner que apareceu dias antes?
Essa pergunta parece simples, mas esconde uma das maiores armadilhas da mensuração de marketing. Em relatórios de mídia, vários canais podem aparecer como responsáveis pela mesma conversão. O problema é que crédito não é a mesma coisa que impacto.
Atribuição vs incrementalidade é justamente a diferença entre entender quem participou da jornada e descobrir o que realmente mudou o comportamento do cliente. A primeira ajuda a mapear interações. A segunda tenta responder uma pergunta mais difícil, e muito mais valiosa para o negócio: o que teria acontecido se aquela campanha não existisse?
Entender essa diferença evita decisões baseadas em métricas infladas, melhora a alocação de orçamento e aproxima marketing, dados e estratégia de uma conversa mais madura sobre resultado.
Atribuição responde quem participou da jornada
Durante muitos anos, os modelos de atribuição foram a principal forma de avaliar campanhas digitais. A lógica é direta: quando uma conversão acontece, o modelo distribui crédito entre os canais que apareceram na jornada do cliente.
Dependendo da regra escolhida, todo o crédito pode ser atribuído ao primeiro contato, ao último contato ou ser distribuído entre várias interações. Os modelos de atribuição são métodos que organizam essa distribuição de crédito de maneiras diferentes. Por exemplo, o modelo First Touch atribui todo o crédito ao primeiro ponto de contato do cliente com a marca. Já o Last Touch concentra o crédito no último ponto de contato antes da conversão. O modelo Linear distribui o crédito igualmente entre todos os pontos de contato. O Time Decay dá mais peso aos contatos que ocorreram mais próximos da conversão. Por fim, o modelo Shapley utiliza conceitos da teoria dos jogos para distribuir o crédito de forma proporcional à contribuição de cada ponto de contato na jornada do cliente.
Essa abordagem continua útil. Ela mostra como os canais se conectam, quais pontos de contato aparecem com mais frequência antes da conversão e onde existem gargalos na jornada. Para operações de marketing que precisam otimizar campanhas no dia a dia, a atribuição ainda oferece sinais importantes.
O ponto crítico é outro: participar da jornada não significa causar a conversão.
Um canal pode aparecer no caminho de compra porque estava realmente influenciando o cliente. Mas também pode aparecer apenas porque interceptou uma pessoa que já estava decidida a comprar. Nesse caso, o canal recebe crédito, embora talvez não tenha gerado impacto adicional.
Essa distinção é especialmente importante em jornadas digitais, nas quais o consumidor pesquisa, compara, volta ao site, recebe mensagens, vê anúncios em diferentes plataformas e só depois compra. Quanto mais fragmentada a jornada, maior o risco de confundir presença com causalidade.
O crédito nem sempre representa o impacto
Imagine que Maria pretende comprar um notebook. Antes da compra, ela vê um anúncio no Instagram, pesquisa a marca no Google, acessa o site, recebe um e-mail promocional e conclui a compra.
Para um modelo de Last Click, a resposta é simples: o e-mail recebeu o crédito. Para um modelo linear, cada interação ficaria com uma fração da venda. Para um modelo baseado em posição, o primeiro e o último contato poderiam receber pesos maiores.
Mas a pergunta decisiva continua sem resposta: Maria compraria o notebook mesmo sem receber aquele e-mail?
Se a resposta for sim, o e-mail participou da jornada, mas não alterou o comportamento da consumidora. Ele apareceu perto da conversão, mas não necessariamente criou uma venda nova.
Esse é o limite central da atribuição. Ela organiza o crédito entre os canais observados, mas não constrói sozinha o cenário contrafactual, ou seja, o cenário em que a campanha não aconteceu. Sem esse contraponto, fica difícil afirmar quanto da receita atribuída representa resultado incremental.
O estudo de Ron Berman sobre atribuição em publicidade online mostra que modelos como Last Touch podem gerar incentivos distorcidos, favorecendo pontos de contato próximos da conversão e influenciando decisões de investimento de forma nem sempre eficiente [1].
Na prática, isso significa que um canal pode parecer excelente no dashboard e, ainda assim, estar capturando demanda que já existia. O relatório mostra a venda. A dúvida estratégica é se aquela venda seria perdida sem o investimento.
Incrementalidade pergunta o que teria acontecido sem a campanha
A incrementalidade parte de outra lógica. Em vez de perguntar quem recebeu o crédito pela venda, ela pergunta: o que teria acontecido se a campanha não tivesse existido?
Como não dá para voltar no tempo e observar os dois cenários ao mesmo tempo, a mensuração usa comparação entre grupos semelhantes. Um grupo recebe a campanha. Outro, parecido em perfil e comportamento, não recebe. A diferença entre os resultados estima o efeito incremental.
Pense em uma campanha de e-mail enviada para 10.000 clientes. Depois de alguns dias, 1.200 pessoas compraram. Em um relatório de atribuição, é comum que essas 1.200 compras apareçam associadas à campanha.
Agora imagine um grupo de controle com outros 10.000 clientes semelhantes, que não receberam o e-mail. Nesse grupo, 1.000 pessoas compraram no mesmo período. Nesse caso, a campanha não gerou 1.200 vendas incrementais. Ela gerou 200.
A diferença muda completamente a leitura do resultado:
| Métrica analisada | O que mostra | Interpretação correta |
| Vendas atribuídas ao e-mail | 1.200 compras | Volume de clientes expostos que compraram |
| Vendas no grupo sem campanha | 1.000 compras | Resultado esperado sem a ação |
| Vendas incrementais | 200 compras | Impacto estimado da campanha |
| Risco de decisão | Superestimar o canal | Investir mais do que o impacto justifica |
Essa é a essência da mensuração causal em marketing: separar o que aconteceu depois da campanha daquilo que aconteceu por causa da campanha.
Para times que já discutem a diferença entre métricas de vaidade e indicadores acionáveis, esse raciocínio é natural. A atribuição pode ser uma métrica operacional útil, mas a incrementalidade se aproxima mais de um indicador acionável para alocação de orçamento. Veja também o artigo da Oper sobre métricas de vaidade e indicadores acionáveis.
Medir incrementalidade é mais difícil, mas mais confiável
Se a incrementalidade responde a uma pergunta tão importante, por que nem toda empresa mede isso em todas as campanhas?
Porque medir causalidade é mais difícil do que distribuir crédito.
O método mais confiável envolve experimentos, como testes com grupos de tratamento e controle. Quando a divisão dos consumidores acontece de forma aleatória, o experimento reduz vieses e permite estimar o efeito real da campanha com mais segurança.
Em marketing, isso pode aparecer de várias formas:
- holdout de clientes, quando parte da base não recebe uma campanha;
- Teste A/B, quando grupos recebem versões diferentes de uma comunicação;
- geo experiments, quando regiões semelhantes são comparadas;
- Conversion lift, quando plataformas estimam o impacto incremental de uma campanha.
O desafio é que experimentos exigem planejamento. É preciso definir grupos comparáveis, tamanho de amostra, duração, métrica principal, critérios de sucesso e possíveis efeitos colaterais. Também existe um custo de oportunidade: parte do público deixa de receber a campanha, justamente para que a empresa consiga medir o que aconteceria sem ela.
Além disso, mesmo experimentos bem desenhados podem ter dificuldade para gerar estimativas muito precisas quando o efeito esperado é pequeno, a variabilidade das vendas é alta ou o investimento analisado representa uma fração reduzida do negócio. Lewis e Rao discutem essa dificuldade ao mostrar que medir retorno de publicidade pode exigir amostras grandes e ainda assim produzir intervalos de incerteza amplos [2].
Por isso, incrementalidade não deve ser tratada como um botão de dashboard. Ela é uma disciplina de mensuração. Funciona melhor quando marketing, dados e negócio definem juntos quais decisões merecem evidência causal mais forte.
Métodos observacionais ajudam, mas não substituem bons experimentos
Na prática, nem toda decisão pode esperar por um experimento perfeito. Empresas executam muitas campanhas ao mesmo tempo, em diferentes canais, públicos e regiões. Testar tudo com controle aleatório pode ser inviável.
É aí que entram métodos observacionais e modelos preditivos. Eles analisam dados históricos para estimar relações entre investimento, exposição e resultado. Podem ser úteis para gerar hipóteses, monitorar tendências e orientar decisões quando experimentos não estão disponíveis.
Mas existe uma cautela importante: métodos observacionais dependem de pressupostos fortes. Se os consumidores impactados por uma campanha já eram mais propensos a comprar, o modelo pode confundir propensão com efeito. Se o algoritmo da plataforma entrega anúncios para pessoas com maior probabilidade de conversão, o viés fica ainda mais difícil de separar.
O estudo de Gordon, Moakler e Zettelmeyer comparou abordagens não experimentais com resultados obtidos em experimentos e mostrou que esses métodos ainda enfrentam dificuldades para reproduzir estimativas causais em larga escala [3].
Isso não significa que modelos observacionais não tenham valor. Significa que eles precisam ser calibrados com cuidado e, sempre que possível, ancorados em evidências experimentais.
Uma boa analogia é o painel de um carro. A atribuição mostra quais sensores acenderam durante a viagem. Modelos observacionais tentam prever desempenho com base no histórico. Incrementalidade, quando bem medida, funciona como um teste controlado: ela ajuda a entender se uma intervenção realmente mudou o trajeto.
O futuro combina experimentação e modelos preditivos
Uma evolução recente nessa área é o Predicted Incrementality by Experimentation, conhecido como PIE. A ideia é usar resultados de experimentos anteriores para treinar modelos capazes de prever a incrementalidade de novas campanhas.
Em vez de substituir os testes, a abordagem usa experimentos como referência causal. Os modelos aprendem padrões a partir de campanhas já testadas e aplicam esse aprendizado em contextos futuros, especialmente quando não é possível rodar um novo experimento para cada ação.
Gordon, Moakler e Zettelmeyer apresentam o PIE como uma forma de tratar a mensuração de advertising lift como um problema de predição em nível de campanha, usando experimentos randomizados como base de aprendizado [4].
Esse caminho é promissor porque reconhece duas realidades ao mesmo tempo. A primeira é que experimentos continuam sendo o padrão mais forte para responder perguntas causais. A segunda é que empresas precisam escalar decisões de marketing em um ritmo que nem sempre permite testar tudo manualmente.
Na prática, uma empresa madura pode combinar três camadas de mensuração:
- Atribuição para operação diária, acompanhando jornadas, funis e sinais por canal.
- Experimentos para decisões estratégicas, validando o impacto real em campanhas, públicos ou canais relevantes.
- Modelos preditivos calibrados por experimentos, ampliando a leitura de incrementalidade para mais contextos.
Essa combinação cria um sistema mais equilibrado. O time não abandona os relatórios existentes, mas deixa de tratá-los como prova absoluta de resultado.
Afinal, atribuição vs incrementalidade não é uma escolha binária
A pergunta não deveria ser qual abordagem usar. A pergunta certa é: qual decisão você precisa tomar?
Atribuição e incrementalidade respondem a questões diferentes. Quando o objetivo é entender a jornada do cliente, identificar pontos de contato e otimizar campanhas em execução, a atribuição ajuda. Quando o objetivo é decidir onde colocar orçamento, defender investimento ou cortar desperdícios, a incrementalidade oferece uma resposta mais robusta.
| Pergunta de negócio | Melhor abordagem |
| Quais canais participaram da jornada? | Atribuição |
| Qual campanha realmente mudou o comportamento do cliente? | Incrementalidade |
| Como otimizar campanhas no curto prazo? | Atribuição |
| Como decidir onde investir orçamento? | Incrementalidade |
| Como avaliar retorno real de uma ação? | Incrementalidade |
| Como entender interações entre canais? | Atribuição combinada com análise de jornada |
O erro comum é usar atribuição para responder perguntas de causalidade. Quando isso acontece, o time pode aumentar a verba em canais que apenas capturam demanda existente e reduzir o investimento em canais que criam demanda, mas aparecem menos no último clique.
Também existe o erro oposto: exigir experimentos para qualquer ajuste operacional. Nem toda mudança de criativo, segmentação ou cadência precisa de um estudo causal completo. O nível de rigor deve acompanhar o tamanho da decisão.
Para empresas que querem estruturar essa maturidade, a solução passa por desenho analítico, governança de dados, experimentação e leitura de negócio. A Oper atua justamente nesse cruzamento entre estatística, ciência de dados e decisão empresarial, apoiando times que precisam transformar dados de marketing em evidência confiável.
Conclusão
Atribuição mostra quem recebeu crédito, enquanto incrementalidade procura descobrir quem realmente gerou resultado. Essa diferença parece pequena, mas muda a forma como empresas interpretam performance, ROI e alocação de orçamento.
Modelos de atribuição continuam úteis para acompanhar a jornada e otimizar campanhas no dia a dia. A incrementalidade entra quando a decisão exige uma resposta mais forte sobre impacto real, especialmente em investimentos relevantes, canais pagos e campanhas estratégicas.
Se a sua empresa quer sair de relatórios que apenas distribuem crédito e avançar para uma mensuração que orienta decisões de investimento, fale com a Oper. Podemos ajudar seu time a desenhar métricas, experimentos e modelos analíticos para medir o que realmente move o resultado.
Referências
[1] Ron Berman — Beyond the Last Touch: Attribution in Online Advertising
[2] Randall A. Lewis e Justin M. Rao — The Unfavorable Economics of Measuring the Returns to Advertising
[3] Brett R. Gordon, Robert Moakler e Florian Zettelmeyer — Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement
[4] Brett R. Gordon, Robert Moakler e Florian Zettelmeyer — Predicted Incrementality by Experimentation (PIE) for Ad Measurement