# Attribution Model > Attribution Model — Skill especializada para análise, comparação e implementação de modelos de atribuição no Google Analytics 4, otimizando investimentos em marketing digital. - Skill: `kursku/attribution-model` (Agent Skill) - Install (CLI): `npx skillmds@latest add kursku/attribution-model` - Raw SKILL.md: https://api.skillmd.com/api/skills/kursku/attribution-model/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Marketing & Growth - License: MIT - Author: kursku (https://skillmd.com/u/kursku) - Updated: 2026-09-08 - Page: https://skillmd.com/skills/kursku/attribution-model --- # Attribution Model Esta skill capacita o Claude a compreender, analisar e aplicar modelos de atribuição de marketing no contexto do Google Analytics 4 (GA4), fornecendo insights acionáveis para otimização de campanhas. --- ## Keywords Last Click, First Click, Linear, Time Decay, Data-Driven, Atribuição Multi-Touch, GA4, Model Comparison Tool, Caminhos de Conversão, CPA, ROAS, LTV, Canais de Marketing, Janela de Lookback, Eventos de Conversão, Contribuição de Canais, Otimização de Lances. --- ## Quick Start 1. Acessar o Google Analytics 4 e navegar até "Publicidade" > "Atribuição" > "Modelos de atribuição e Comparação de modelos". 2. Selecionar "Last Click" e "Data-Driven" como modelos de comparação primários para uma análise inicial. 3. Escolher "Compradores" ou "Receita de compra" como métrica de conversão para avaliar o impacto. 4. Analisar a diferença percentual na contribuição de cada canal entre os modelos para identificar subvalorização ou supervalorização. 5. Exportar os dados para um spreadsheet e calcular o ROAS (Retorno sobre o Investimento em Publicidade) por canal sob diferentes modelos. --- ## Core Workflows ### Workflow 1: Análise e Comparação Detalhada de Modelos de Atribuição no GA4 Este workflow guia o processo de examinar a performance de diferentes canais de marketing sob variados modelos de atribuição, utilizando as ferramentas nativas do GA4 para identificar oportunidades de otimização de investimento. 1. **Acessar a Seção de Publicidade no GA4**: * No menu lateral esquerdo do GA4, clicar em "Publicidade". * Navegar até "Atribuição" e selecionar "Modelos de atribuição e Comparação de modelos". 2. **Configurar Parâmetros de Análise**: * **Dimensão**: Manter "Grupo de canais padrão da sessão" ou selecionar "Fonte", "Mídia" ou "Campanha" para análise mais granular. Por exemplo, selecionar "Fonte". * **Métrica de Conversão**: Escolher a conversão principal para análise. Ex: "purchase" (compra) ou "lead_form_submit" (envio de formulário de lead). * **Modelos de Atribuição**: No menu suspenso, selecionar os modelos a serem comparados. Recomenda-se começar com: * `Last Click` (modelo de base para entender a atribuição final). * `First Click` (para entender canais de descoberta/awareness). * `Linear` (para distribuição igualitária). * `Data-Driven` (o modelo inteligente do GA4, que usa dados históricos para atribuir crédito de forma mais justa). * **Janela de Lookback**: Ajustar a janela de lookback para eventos de conversão e aquisição de usuários. A janela padrão para eventos de conversão é 90 dias, e para eventos de aquisição de usuários é 30 dias. Para produtos de ciclo de vendas mais longo, considerar 120 dias ou mais para eventos de conversão. Para produtos de compra impulsiva, 30-60 dias pode ser suficiente. 3. **Interpretar o Relatório de Comparação de Modelos**: * A tabela exibirá a contagem de conversões e o valor das conversões para cada canal sob os modelos selecionados. * **Analisar a coluna "Diferença %"**: Esta coluna é crucial. Ela mostra a variação percentual na atribuição de crédito entre o modelo de atribuição principal e os outros modelos. * Um valor positivo indica que o canal recebe **mais crédito** no modelo de comparação do que no modelo principal. * Um valor negativo indica que o canal recebe **menos crédito**. * **Exemplo Prático**: Se o canal "Organic Search" mostra +25% na comparação entre Last Click (principal) e Data-Driven, significa que o Organic Search contribui para 25% mais conversões quando se considera todo o caminho do cliente, e não apenas o último clique. Isso sugere que o Last Click subestima o valor do Organic Search. 4. **Identificar Oportunidades de Otimização**: * **Canais Subvalorizados**: Canais que recebem significativamente mais crédito nos modelos First Click, Linear ou Data-Driven em comparação com o Last Click são frequentemente subvalorizados. Ex: "Display", "Organic Social", "Email". Considerar realocar orçamento para esses canais no início da jornada ou em pontos intermediários. * **Canais Supervalorizados**: Canais que recebem muito menos crédito nos modelos multi-touch comparados ao Last Click podem estar supervalorizados. Ex: "Direct", "Paid Search" (para termos de marca, se não for ajustado). Avaliar se o investimento atual é justificado apenas pela atribuição final. * **Exemplo de Decisão**: Se o "Paid Search" (termos genéricos) tem uma diferença de -15% no modelo Data-Driven vs. Last Click, mas "Display" tem +20%, pode-se considerar reduzir o investimento em Paid Search para termos genéricos e aumentar o investimento em Display, dado que Display contribui mais para a jornada geral. ### Workflow 2: Configuração de Eventos de Conversão e Parâmetros para Atribuição Robusta no GA4 Este workflow garante que o GA4 esteja coletando os dados corretos e de forma granular para uma análise de atribuição precisa. A qualidade da atribuição depende diretamente da qualidade dos dados de conversão. 1. **Verificar e Configurar Eventos de Conversão Essenciais**: * No GA4, navegar até "Administrador" > "Fluxos de dados" > "Selecionar o fluxo de dados web". * Clicar em "Configurar definições da tag" e depois em "Mostrar tudo" na seção "Coleta de eventos". * Verificar se os eventos que representam marcos importantes da jornada do cliente (e-commerce: `add_to_cart`, `begin_checkout`, `purchase`; Geração de Leads: `form_submit`, `contact_us`) estão sendo coletados. * Marcar como conversão (`toggle`) apenas os eventos que representam o objetivo final. Ex: `purchase` e `generate_lead`. Eventos intermediários como `add_to_cart` são importantes para funil, mas não como conversão final para modelos de atribuição. 2. **Implementar Parâmetros de Evento para Contexto Rico**: * Para cada evento de conversão, garantir que parâmetros contextuais relevantes estejam sendo enviados. * **Exemplo para `purchase`**: ```javascript gtag('event', 'purchase', { transaction_id: 'T_12345', value: 75.00, currency: 'BRL', items: [ { item_id: 'SKU_A', item_name: 'Produto X', price: 50.00, quantity: 1 }, { item_id: 'SKU_B', item_name: 'Produto Y', price: 25.00, quantity: 1 } ] }); ``` Parâmetros como `value` e `currency` são cruciais para calcular o ROAS e o valor das conversões. * **Exemplo para `generate_lead`**: ```javascript gtag('event', 'generate_lead', { form_name: 'contato_principal', lead_source: 'website_form', value: 150.00, // Valor estimado do lead, se aplicável currency: 'BRL' }); ``` `form_name` e `lead_source` podem ser usados para segmentar e entender a qualidade dos leads por origem. 3. **Configurar Dimensões Personalizadas (Custom Dimensions) para Segmentação Avançada**: * Se informações adicionais forem relevantes para a atribuição (ex: tipo de cliente, segmento de produto), configurar dimensões personalizadas. * No GA4, navegar até "Administrador" > "Definições de dados" > "Definições personalizadas". * Criar uma nova dimensão personalizada no escopo "Evento" ou "Usuário". * **Exemplo**: Criar uma dimensão de escopo de usuário chamada "User Segment" (segmento do usuário) que recebe valores como "Cliente Novo", "Cliente Recorrente". Isso permite analisar a atribuição de forma diferente para cada segmento. * **Implementação (exemplo)**: ```javascript gtag('set', 'user_properties', { user_segment: 'Cliente Novo' }); ``` 4. **Ajustar a Janela de Lookback de Atribuição**: * Em "Administrador" > "Configurações de atribuição", revisar a "Janela de lookback para eventos de conversão" e "Janela de lookback para eventos de aquisição". * **Eventos de Conversão**: O padrão é 90 dias. Para produtos de alto valor ou ciclos de venda longos (imóveis, carros, serviços B2B), considere aumentar para 120 dias ou até o máximo de 425 dias para garantir que toques anteriores sejam creditados. * **Eventos de Aquisição**: O padrão é 30 dias. Manter este valor para a maioria dos casos, a menos que a aquisição de um usuário seja intrinsecamente um processo muito mais longo. * **Impacto**: Uma janela muito curta pode fazer com que canais que atuam no início da jornada sejam subestimados. Uma janela muito longa pode diluir o crédito para interações mais recentes. --- ## Templates ### Relatório Comparativo de Atribuição de Canais (GA4) ``` # Relatório de Comparação de Modelos de Atribuição (GA4) Data da Análise: 2024-07-26 Período: 2024-04-01 a 2024-06-30 Métrica de Conversão: purchase (Compras) Modelos Comparados: Last Click, Data-Driven | Grupo de Canais Padrão | Conversões (Last Click) | Valor Conv. (Last Click) | Conversões (Data-Driven) | Valor Conv. (Data-Driven) | Diferença % Conv. (DD vs LC) | Diferença % Valor (DD vs LC) | ROAS (Last Click) | ROAS (Data-Driven) | |------------------------|-------------------------|--------------------------|--------------------------|---------------------------|------------------------------|------------------------------|-------------------|--------------------| | Organic Search | 550 | R$ 55.000,00 | 720 | R$ 78.000,00 | +30.9% | +41.8% | 5.5 | 7.8 | | Paid Search | 800 | R$ 120.000,00 | 680 | R$ 105.000,00 | -15.0% | -12.5% | 4.0 | 3.5 | | Direct | 300 | R$ 45.000,00 | 280 | R$ 42.000,00 | -6.7% | -6.7% | N/A | N/A | | Email | 120 | R$ 18.000,00 | 160 | R$ 25.000,00 | +33.3% | +38.9% | 6.0 | 8.3 | | Display | 90 | R$ 13.500,00 | 140 | R$ 22.000,00 | +55.6% | +63.0% | 1.5 | 2.4 | | Organic Social | 70 | R$ 10.500,00 | 90 | R$ 14.000,00 | +28.6% | +33.3% | 3.5 | 4.7 | | Referral | 50 | R$ 7.500,00 | 60 | R$ 9.000,00 | +20.0% | +20.0% | 2.5 | 3.0 | | Total | 1980 | R$ 269.000,00 | 2130 | R$ 295.000,00 | +7.6% | +9.7% | 3.8 | 4.2 | **Insights e Recomendações:** * **Organic Search e Email:** São significativamente subvalorizados pelo modelo Last Click. O modelo Data-Driven revela que contribuem para um volume maior de conversões e valor. Recomenda-se aumentar o investimento em estratégias de SEO e Email Marketing, focando em conteúdo de topo e meio de funil. * **Display:** Apresenta o maior crescimento relativo no modelo Data-Driven, indicando forte papel na fase de awareness e consideração. Considerar aumentar orçamento em campanhas de display para prospecção, apesar de um ROAS absoluto menor, devido ao seu papel como "canal assistido". * **Paid Search:** Embora ainda seja um canal forte, o Data-Driven mostra uma contribuição ligeiramente menor que o Last Click, especialmente para termos de marca, onde tende a ser o último clique. Avaliar a eficiência do investimento em termos genéricos e considerar otimizar para CPA em campanhas de fundo de funil. * **Diretoria:** Manter monitoramento, pois a atribuição direta muitas vezes mascara impactos de outros canais anteriores. *Nota: ROAS calculado com base em dados de custo de campanha externos (não inclusos nesta tabela) para Paid Search, Display e Organic Social (para campanhas pagas). Para Direct, Organic Search, Email e Referral, o ROAS é calculado sobre o valor da conversão, assumindo custo zero ou custo de operação indireto.* ``` ### Script de Análise de Caminhos de Conversão (Python/Pandas - Exemplo Abstrato) ```python import pandas as pd # Simulação de dados de caminhos de conversão do GA4 (exportado via BigQuery ou API) # Cada linha representa um caminho de um usuário até a conversão data = { 'user_id': ['user_1', 'user_2', 'user_3', 'user_4', 'user_5'], 'path': [ ['Organic Search', 'Paid Search', 'Direct'], ['Display', 'Organic Social', 'Email', 'Direct'], ['Paid Search', 'Paid Search', 'Direct'], ['Organic Search', 'Email', 'Direct'], ['Display', 'Organic Search', 'Paid Search'] ], 'conversion_value': [100, 150, 80, 200, 120] } df = pd.DataFrame(data) # Análise de ocorrência de canais no caminho channel_counts = {} for path in df['path']: for channel in set(path): # Usar set para contar uma vez por caminho channel_counts[channel] = channel_counts.get(channel, 0) + 1 print("Ocorrência de canais em caminhos de conversão:") for channel, count in sorted(channel_counts.items(), key=lambda item: item[1], reverse=True): print(f"- {channel}: {count} vezes") # Cálculo de valor médio da conversão por canal no caminho (simplificado) channel_value_contribution = {} for index, row in df.iterrows(): value_per_channel = row['conversion_value'] / len(set(row['path'])) # Divisão linear simplificada for channel in set(row['path']): channel_value_contribution[channel] = channel_value_contribution.get(channel, 0) + value_per_channel print("\nContribuição de valor (Linear Simplificada) por canal:") for channel, value in sorted(channel_value_contribution.items(), key=lambda item: item[1], reverse=True): print(f"- {channel}: R$ {value:.2f}") # Este script ilustra a lógica. Para dados reais do GA4, seria necessário: # 1. Exportar dados de "Caminhos de conversão" do GA4 (Publicidade > Atribuição > Caminhos de conversão) # ou usar a integração GA4 + BigQuery para um dataset mais robusto. # 2. Processar a string do caminho para uma lista de canais. # 3. Aplicar modelos de atribuição mais sofisticados (Markov, Shapley Value) se a análise for fora do GA4. ``` --- ## Checklist - [x] Confirmar que todos os eventos de conversão críticos estão configurados corretamente no GA4 e marcados como conversões. - [x] Validar que os parâmetros `value` e `currency` estão sendo enviados para os eventos de compra ou lead. - [x] Analisar o relatório "Caminhos de conversão" no GA4 para entender sequências comuns de interação dos usuários. - [x] Comparar ativamente "Last Click" e "Data-Driven" no relatório de "Modelos de atribuição e Comparação de modelos" do GA4. - [x] Avaliar a "Diferença %" entre os modelos para cada canal para identificar sub/supervalorização. - [x] Ajustar a janela de lookback de atribuição nas configurações do GA4 para refletir o ciclo de vendas real do negócio. - [x] Considerar a criação de dimensões personalizadas para segmentar a análise de atribuição por tipo de cliente ou produto. - [x] Integrar os dados de custo de publicidade (Google Ads, Facebook Ads, etc.) no GA4 para um cálculo preciso de ROAS e CPA nos relatórios. - [x] Compartilhar insights de atribuição com as equipes de mídia e conteúdo para otimização de lances e estratégias. - [x] Monitorar as tendências dos modelos de atribuição mensalmente para detectar mudanças no comportamento do consumidor. --- ## Métricas de Referência | Métrica | Benchmark (E-commerce) | Meta (E-commerce) | Benchmark (Geração de Leads B2B) | Meta (Geração de Leads B2B) | |---------------------------------|------------------------|-------------------|----------------------------------|-----------------------------| | **CPA (Custo por Aquisição)** | R$ 50 - R$ 150 | < R$ 80 | R$ 200 - R$ 800 | < R$ 400 | | **ROAS (Retorno sobre Invest.)**| 2.5x - 4.0x | > 3.0x | N/A (foco em CPL) | N/A | | **Taxa de Conversão (Site)** | 1.5% - 3.0% | > 2.0% | 3.0% - 6.0% | > 4.5% | | **Valor Médio do Pedido (AOV)** | R$ 200 - R$ 500 | > R$ 350 | N/A | N/A | | **LTV (Lifetime Value)** | > 3x CPA | > 4x CPA | > 5x CPL | > 8x CPL | | **Conversões Assistidas (%)** | 30% - 60% | > 40% | 40% - 70% | > 50% | *Benchmarks e metas são altamente dependentes do setor, margens de lucro e estratégia de negócios. Os valores acima são exemplos genéricos para referência.* --- ## Erros Comuns 1. **Usar apenas o modelo Last Click para todas as decisões de investimento**: O Last Click atribui 100% do crédito ao último ponto de contato. Isso subestima canais que atuam no início da jornada (awareness) ou no meio (consideração). * **Como evitar**: Sempre compare o Last Click com modelos multi-touch como Linear, Time Decay ou, preferencialmente, Data-Driven no GA4. Para um e-commerce de moda, por exemplo, o Last Click pode supervalorizar o "Direct" ou "Paid Search (Marca)", enquanto "Organic Social" e "Display" são cruciais no início da jornada, sendo subestimados. 2. **Não integrar dados de custo de publicidade no GA4**: Sem os custos de campanha importados, o GA4 não pode calcular métricas de ROI (ROAS, CPA) dentro de seus relatórios, limitando a capacidade de otimização de lances baseada em atribuição. * **Como evitar**: Vincule suas contas de Google Ads, Search Console e Media para importação automática. Para outras plataformas (Facebook Ads, LinkedIn Ads), utilize a importação de dados de custo via CSV ou API na interface do GA4 (Administrador > Conexões de produtos > Importação de dados). 3. **Ignorar a janela de lookback na análise de atribuição**: Uma janela de lookback muito curta (ex: 7 dias) pode cortar interações importantes que ocorreram antes, especialmente para produtos com ciclo de vendas longo. * **Como evitar**: Ajuste a janela de lookback (Administrador > Configurações de atribuição) para que ela cubra a maioria dos ciclos de vendas. Para um serviço B2B complexo, uma janela de 90 a 120 dias para eventos de conversão é mais realista do que os 30 dias padrão. --- ## Dicas Avançadas 1. **Utilizar o GA4 + BigQuery para Análise de Atribuição Customizada**: Para análises mais complexas ou modelos de atribuição personalizados (ex: modelo Shapley Value), exporte seus dados brutos do GA4 para o BigQuery. Isso permite construir modelos programaticamente usando SQL, Python ou R, superando as limitações dos modelos pré-definidos do GA4. Por exemplo, você pode criar um modelo de atribuição baseado em Markov Chain para identificar os "caminhos mais prováveis" e a importância de cada canal em transições. 2. **Segmentação de Audiências nos Relatórios de Atribuição**: Não analise a atribuição de forma homogênea para todos os usuários. Segmente o relatório de "Modelos de atribuição e Comparação de modelos" por "Novo usuário" vs. "Usuário recorrente", ou por "País", "Dispositivo", "Segmento de Audiência" (se configurado). A contribuição dos canais pode variar drasticamente. Por exemplo, o Display pode ter um impacto maior na aquisição de novos usuários, enquanto o Email é mais eficaz para usuários recorrentes. 3. **Análise de Contribuição de Canais Assistidos**: Embora o GA4 foque nos modelos de atribuição final, é crucial entender os "canais assistidos". Canais que não geram o último clique, mas aparecem em vários pontos antes da conversão, são vitais. No GA4, o relatório "Caminhos de conversão" permite explorar as sequências. Uma análise mais aprofundada via BigQuery pode quantificar o "valor assistido" de cada canal, identificando aqueles que preparam o terreno para a conversão final. 4. **Implementação de Testes A/B para Modelos de Atribuição**: Para validar a eficácia de um novo modelo de atribuição na otimização de lances, execute testes A/B. Por exemplo, em Google Ads, crie duas campanhas idênticas, mas configure cada uma para otimizar com base em diferentes modelos de atribuição (ex: uma usando Last Click e outra usando Data-Driven). Monitore o ROAS ou CPA de cada campanha para determinar qual modelo resulta em melhor performance de negócio. 5. **Considerar o Tempo de Ciclo de Vendas e Recorrência**: Para negócios com ciclos de vendas longos ou compras recorrentes, a atribuição deve considerar o LTV (Lifetime Value) e não apenas a conversão inicial. Um canal que gera um cliente com LTV alto pode ter um CPA mais elevado na primeira compra, mas ser mais valioso a longo prazo. Use o GA4 para correlacionar o canal de aquisição inicial com métricas de LTV.