O Que É Atribuição Baseada em Dados? Modelo de ML do Google Ads Explicado

Atribuição baseada em dados (DDA) é o modelo de atribuição baseado em machine learning do Google Ads que distribui crédito de conversão entre todas as interações com anúncios no caminho de compra de um cliente. Em vez de usar regras fixas como "dar todo o crédito ao último clique" ou "dividir crédito igualmente entre todos os cliques", DDA analisa os dados reais de conversão da sua conta para determinar quais pontos de contato genuinamente influenciaram o resultado. Um cliente pode clicar em um anúncio de busca de marca, depois um anúncio de Shopping, depois um anúncio de Performance Max antes de comprar — e DDA atribui crédito fracionário a cada interação com base na contribuição medida.

Antes da DDA existir, anunciantes tinham que escolher entre modelos baseados em regras como último clique, primeiro clique, linear, decaimento no tempo ou baseado em posição. Cada modelo aplicava uma fórmula predeterminada independentemente do que realmente aconteceu. Último clique dava 100% do crédito à interação final com o anúncio, o que sistematicamente subestimava campanhas upper-funnel. Atribuição linear dividia crédito igualmente, o que ignorava a realidade de que alguns pontos de contato importam mais que outros. DDA substituiu todos esses com um modelo único que aprende com seus dados.

O Google tornou DDA o modelo de atribuição padrão para todas as novas ações de conversão em 2023, e no início de 2025 aposentou os modelos baseados em regras restantes (primeiro clique, linear, decaimento no tempo e baseado em posição) completamente. Hoje, contas do Google Ads usam DDA ou atribuição de último clique. Para lojistas Shopify, isso significa que a precisão dos seus dados de conversão impacta diretamente como o Google distribui crédito e, consequentemente, como o Smart Bidding aloca seu orçamento entre campanhas.

A atribuição baseada em dados importa porque determina de onde o Google Ads acha que suas vendas estão vindo, e isso controla diretamente para onde seu orçamento de anúncios vai. Se a DDA atribui conversões incorretamente por causa de dados de rastreamento incompletos, o Smart Bidding recebe sinais distorcidos. Ele pode dar lances excessivos em campanhas que parecem lucrativas mas estão recebendo crédito por vendas geradas por outros pontos de contato, enquanto dá lances insuficientes em campanhas que estão realmente iniciando a jornada do cliente.

Para lojas Shopify especificamente, a jornada típica do cliente envolve múltiplas interações com anúncios. Um comprador pode descobrir seu produto através de um anúncio de busca ampla, ver um anúncio de retargeting de display no dia seguinte, e finalmente comprar após clicar em um anúncio de busca de marca uma semana depois. Sob atribuição de último clique, apenas o clique final de busca de marca receberia crédito. DDA reconhece que a descoberta inicial por busca ampla e a impressão de retargeting ambas desempenharam papéis em gerar a venda, e distribui crédito de acordo. Isso lhe dá uma imagem muito mais honesta de como suas campanhas trabalham juntas.

O impacto prático é significativo para alocação de orçamento. Lojistas que mudam de último clique para DDA frequentemente descobrem que suas campanhas de prospecção (busca ampla, Shopping, Performance Max) estavam gerando muito mais valor do que percebiam. Com atribuição mais precisa, o Smart Bidding pode avaliar adequadamente essas campanhas upper-funnel, tipicamente resultando em melhor ROAS geral à medida que o algoritmo para de sistematicamente dar lances insuficientes nas campanhas que introduzem novos clientes à sua loja.

A atribuição baseada em dados funciona comparando clientes que converteram contra aqueles que não converteram, analisando as interações com anúncios em ambos os caminhos. O modelo de machine learning do Google examina todos os cliques de anúncios (e em alguns casos impressões) que levaram a cada conversão, depois identifica quais interações foram mais correlacionadas com resultados de conversão. Ele usa uma forma de análise contrafactual — essencialmente perguntando "qual a probabilidade desta conversão ter acontecido se esta interação particular com o anúncio não tivesse ocorrido?" Pontos de contato que aumentam significativamente a probabilidade de conversão recebem mais crédito.

O modelo processa dados no nível da conta, olhando padrões em todas as suas campanhas, grupos de anúncios, palavras-chave e segmentos de audiência. Ele considera a sequência e timing das interações, os tipos de anúncios envolvidos e o contexto de cada clique. Por exemplo, DDA pode aprender que na sua conta, cliques em Shopping que ocorrem dentro de 48 horas de um clique de busca anterior são fortes indicadores de conversão, enquanto cliques de display mais de 7 dias antes da compra contribuem menos. Esses padrões são únicos para sua conta e o comportamento dos seus clientes.

Para esse processo funcionar bem, DDA precisa de volume de conversão suficiente para identificar padrões significativos. O Google requer um mínimo de 300 conversões e 3.000 interações com anúncios dentro de uma janela de 30 dias para uma ação de conversão usar DDA. Se sua loja Shopify cai abaixo desses limiares — o que pode facilmente acontecer se seu rastreamento está perdendo 20-40% das conversões — o modelo ou volta para atribuição de último clique ou opera com precisão reduzida. Esta é uma das razões mais negligenciadas pelas quais rastreamento preciso de conversão importa: não afeta apenas seus números reportados, afeta a sofisticação do modelo de atribuição que o Google usa para sua conta.

O problema mais fundamental com a atribuição baseada em dados é que ela é inteiramente dependente da qualidade e completude dos seus dados de conversão. Se o rastreamento do seu Shopify está perdendo conversões de usuários iOS, visitantes Safari ou problemas de checkout entre domínios, DDA aprende padrões incorretos. Ela não pode atribuir crédito a pontos de contato que nunca vê. Um cliente pode clicar em três anúncios antes de comprar, mas se a conversão em si não é rastreada, nenhum desses pontos de contato recebe crédito — enviesando o modelo contra as campanhas que apareceram nesse caminho.

Outro desafio específico para lojistas Shopify é entender o impacto da DDA no desempenho reportado. Quando você muda de último clique para atribuição baseada em dados, seus números no nível de campanha mudam imediatamente. Campanhas de marca tipicamente veem uma queda nas conversões atribuídas (porque estavam recebendo 100% do crédito por jornadas multi-toque), enquanto campanhas de prospecção veem um aumento. Lojistas que não entendem essa mudança às vezes entram em pânico e cortam orçamento de campanhas que DDA mostra serem genuinamente valiosas.

A atribuição baseada em dados se conecta a vários conceitos fundamentais no rastreamento do Google Ads. Entender como esses termos se relacionam lhe dá o panorama completo de como o crédito de conversão flui pela sua conta de publicidade.