Modelo de Atribuição: o mesmo teste, outro veredito
O modelo de atribuição muda quantas conversões o seu teste A/B conta. Por que crédito fracionário quebra o teste de proporção e o que contar no lugar.
📚 Este artigo faz parte do guia Significância Estatística em Teste A/B: O Guia.
Um modelo de atribuição não mede conversões, ele reparte crédito. Essa diferença parece semântica até você colocar duas colunas de atribuição diferentes dentro do mesmo teste A/B e ver o veredito virar. No exemplo trabalhado deste guia, o mesmo experimento de página, os mesmos visitantes e os mesmos desfechos reais leem mais 8,33 por cento relativos com valor p de 0,018 sob último clique, e mais 3,79 por cento relativos com valor p de 0,251 sob atribuição orientada a dados. Pior: o segundo valor p não deveria nem ter sido calculado, porque um crédito de 0,63 conversão não é um ensaio de Bernoulli, e o teste de duas proporções assume que é. Este guia cobre o que restou de modelos depois de novembro de 2023, por que a repartição de crédito ataca numerador e denominador ao mesmo tempo, por que um intervalo de confiança sobre crédito fracionário é fabricado, e qual número usar para decidir. Este guia faz parte do nosso guia completo de teste A/B.
O que restou de modelos, e a assimetria que ninguém avisa
O terreno encolheu bastante e vale começar pelo mapa atual.
A documentação do Google Ads afirma que os modelos de primeiro clique, linear, decaimento temporal e baseado em posição não são mais suportados, e que as ações de conversão que os usavam foram migradas para atribuição orientada a dados. Restaram dois: último clique, que dá todo o crédito da conversão ao último anúncio clicado e à palavra-chave correspondente, e orientada a dados, que distribui o crédito com base nos dados passados daquela ação de conversão. O modelo orientado a dados é o padrão para a maioria das ações de conversão.
Até aí, simplificação bem-vinda. A armadilha está no que acontece quando você troca.
| produto | o que a documentação declara sobre trocar de modelo | consequência para quem analisa um teste |
|---|---|---|
| Google Ads | mudar a configuração de modelo de atribuição de uma ação de conversão só altera a contagem daqui em diante | a série temporal ganha um degrau na data da troca; antes e depois não são comparáveis |
| Google Analytics 4 | mudar o modelo de atribuição de relatório se aplica a dados históricos e futuros | a série inteira é reescrita; nenhum degrau aparece, e um teste “encerrado” muda de número sem aviso |
A mesma decisão, no mesmo dia, produz um degrau visível num produto e uma reescrita silenciosa no outro. Se o seu relatório de experimento cruza as duas fontes, e a maioria cruza, essa assimetria basta para produzir duas verdades sobre o mesmo teste.
Vale registrar também as janelas de retrospectiva do GA4, porque elas definem quanto passado entra na conta: para eventos-chave de aquisição, first_open e first_visit, o padrão é 30 dias com opção de 7; para os demais eventos-chave, o padrão é 90 dias com opções de 30 ou 60. Uma janela de 90 dias significa que a leitura do seu teste de 4 semanas inclui pontos de contato de antes de o teste existir.
Exemplo trabalhado: o mesmo teste sob dois modelos
Os números abaixo saíram do mesmo motor de estatística que roda nas calculadoras desta página.
O cenário: um teste A/B na página de checkout, sorteio no próprio site, 54.000 sessões por braço em 4 semanas, tráfego vindo de uma campanha de busca. A variação B realmente funciona: ela produz 135 compras a mais que o controle. Esse é o efeito verdadeiro, e nenhum modelo de atribuição o altera. O que muda é como ele aparece na coluna que você vai comparar.
Sob último clique, as jornadas em que o anúncio foi o último clique contam inteiras, uma a uma:
A: 1.620 / 54.000 = 3,0000% e B: 1.755 / 54.000 = 3,2500%
Sob atribuição orientada a dados, duas coisas acontecem ao mesmo tempo. Primeiro, jornadas assistidas que o último clique creditava com zero passam a receber crédito parcial. Nesse cenário isso soma 189,0 conversões creditadas em cada braço, igualmente, porque essas jornadas não têm nada a ver com qual variação a pessoa viu. Segundo, as 135 compras incrementais que a variação criou são divididas com os pontos de contato anteriores: a campanha fica com cerca de 50,7 por cento do crédito nelas, ou seja, 68,5 em vez de 135.
A: 1.620 + 189,0 = 1.809,0 / 54.000 = 3,3500%
B: 1.755 + 189,0 − 66,5 = 1.877,5 / 54.000 = 3,4769%
| leitura | controle | tratamento | diferença | lift relativo | valor p | IC 95% (pp) |
|---|---|---|---|---|---|---|
| último clique | 1.620 (3,0000%) | 1.755 (3,2500%) | +0,2500 pp | +8,3333% | 0,018227 | +0,0425 a +0,4575 |
| orientada a dados | 1.809,0 (3,3500%) | 1.877,5 (3,4769%) | +0,1269 pp | +3,7866% | 0,250987 | −0,0897 a +0,3434 |
Significante num, não significante no outro. Cole os números da primeira linha na calculadora abaixo e confira; depois cole os da segunda e repare que a calculadora aceita sem reclamar, o que é exatamente o problema da próxima seção.
Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.
A dupla atenuação tem nome próprio para cada metade:
- Ataque ao numerador: a sua variação criou 135 compras, e só 68,5 delas aparecem nesta coluna. O resto foi para outros pontos de contato, que não fazem ideia de qual variação a pessoa viu.
- Ataque ao denominador: a base creditada sobe de 1.620 para 1.809,0 nos dois braços, sem nenhum ganho real atrás disso. Um mesmo aumento absoluto sobre uma base maior é um lift relativo menor.
Por que aquele segundo valor p não vale nada
Esta é a parte técnica que quase nenhum relatório enfrenta, e é a mais importante do guia.
Um teste de duas proporções pressupõe ensaios de Bernoulli: cada unidade da amostra ou converte, valendo 1, ou não converte, valendo 0. A variância de uma proporção estimada nessas condições é p × (1 − p) / n, e é essa fórmula que produz o erro padrão, o valor z, o valor p e o intervalo de confiança.
Crédito fracionário rompe a premissa de um jeito básico. Quando o Google Ads afirma que você vai encontrar decimais nas colunas de Conversões e Todas as conv. pela primeira vez ao mudar para um modelo que não seja o de último clique, ele está dizendo que o conteúdo daquela coluna deixou de ser uma contagem de eventos e virou uma soma de pesos entre zero e um.
Uma soma de pesos entre zero e um com a mesma média tem variância menor que a de uma contagem de sucessos, porque valores intermediários se afastam menos da média do que 0 e 1. Ou seja: a fórmula que a calculadora aplica atribui ao seu estimador uma dispersão que ele não tem, e o intervalo de confiança devolvido não descreve o objeto que você mediu. Ele não é conservador nem anticonservador por regra geral, ele é simplesmente de outro estimador.
Isso muda o que “não significante” significa naquela segunda linha da tabela. O honesto é dizer: aquele valor p não deveria ter sido calculado, e o número de 3,79 por cento é uma estimativa de valor creditado, útil para conversa de orçamento, imprópria como desfecho de experimento.
| coluna | o que é | serve para teste de hipótese? |
|---|---|---|
| eventos observados com a variação anexada | contagem de 0 e 1 por usuário sorteado | sim, é exatamente o objeto que a fórmula descreve |
| conversões sob último clique | contagem de eventos inteiros, filtrada por uma regra | sim, com a ressalva de que a regra de filtro precisa ser a mesma nos dois braços |
| conversões sob atribuição orientada a dados | soma de pesos entre 0 e 1 | não, a variância do estimador não é p(1−p)/n |
| valor de conversão | soma de valores monetários | não como proporção; peça um teste para médias com a variância observada |
A regra prática que sai daí é curta: teste de proporção pede contagem; se tem vírgula, não é contagem.
A fronteira com conversões modeladas
Vale separar dois mecanismos que produzem sintomas parecidos e têm causas diferentes.
Em conversões modeladas, a plataforma inventa um bloco de conversões que não observou, usando padrões agregados, e esse bloco cai nos dois braços por igual porque o modelo não conhece a sua variação. A diluição vem de dado que não existe no nível do usuário.
Aqui, a plataforma divide um crédito entre pontos de contato que ela observou. O dado existe, as jornadas são reais, e ainda assim o efeito encolhe, porque parte dele foi contabilizada em outro lugar do relatório.
Os dois mecanismos somam, e é comum encontrar os dois na mesma coluna ao mesmo tempo. O sintoma compartilhado também é o mesmo: a quebra por variação não fecha com o total de topo, e tentar reconciliar os dois dentro do teste é o hábito mais destrutivo dos dois guias. Reconcilie no relatório, nunca dentro do teste estatístico.
O que a mudança de modelo custa em tráfego
Se, apesar de tudo, você precisa ler o experimento na coluna creditada, o custo aparece no tamanho de amostra. O efeito que você vai medir é o atenuado, e amostra escala com o inverso do quadrado do efeito.
| leitura | base | efeito a detectar | amostra por braço | dias a 27.000 sessões/semana |
|---|---|---|---|---|
| último clique | 3,00% | +8,33% relativos | 76.095 | 40 |
| orientada a dados | 3,35% | +3,79% relativos | 321.058 | 167 |
Quatro vezes o tráfego e quatro meses de calendário em vez de pouco mais de um mês, para responder exatamente a mesma pergunta de produto. Ajuste os parâmetros na calculadora abaixo com a sua base real.
Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.
O modelo de atribuição também alimenta o otimizador
Um detalhe que fecha o ciclo com a camada de mídia: a documentação do Google Ads afirma que o modelo de atribuição que você seleciona afeta como os seus lances são otimizados quando a campanha usa estratégias que otimizam para conversões, como CPA desejado, CPC otimizado ou ROAS desejado.
Isso quer dizer que trocar de modelo no meio de um teste não muda só o relatório. Muda o alvo que o otimizador persegue, o que muda quais leilões ele compra, o que muda a composição do tráfego que chega ao seu experimento. Uma troca de modelo no dia 12 de um teste de 28 dias é, ao mesmo tempo, uma mudança de métrica e uma mudança de configuração de lance, com tudo o que isso implica de recalibração.
Sobre o calendário, a própria documentação recomenda esperar até que tenha passado o número médio de dias até a conversão antes de avaliar o desempenho depois de uma mudança de modelo, e sugere excluir as semanas mais recentes da análise por causa do atraso. É o mesmo mecanismo tratado em atraso de conversão, agora com um segundo motivo para esperar.
O protocolo que resolve
Quatro decisões, todas tomadas antes de o teste subir:
- Escolha o desfecho da decisão e escreva na hipótese. Para a decisão do experimento, um evento seu, contado por inteiro, um por usuário sorteado, com a variação anexada. Esse número é pequeno, é menos glamouroso que a coluna da plataforma e é o único que a fórmula do teste descreve.
- Declare o modelo de atribuição do relatório e não toque nele. Um modelo por teste. Se o negócio precisa mudar de modelo, encerre o teste, mude e comece outro.
- Reporte diferença absoluta com intervalo, além do lift relativo. A diferença absoluta é o que sobrevive a um bloco de crédito que cresce igual nos dois braços; o lift relativo é exatamente a quantidade que a diluição ataca.
- Mantenha a coluna creditada no relatório, rotulada. Ela responde a outra pergunta, legítima, que é quanto aquela mídia contribuiu. Só não deixe ela responder à pergunta de qual variação venceu.
Erros comuns
- Rodar o teste de significância na coluna creditada. Se tem vírgula, não é contagem, e o intervalo devolvido é de outro estimador.
- Trocar de modelo no meio do teste. Muda a métrica, o lance e o tráfego de uma vez só.
- Comparar antes e depois da troca no Google Ads. A documentação declara que a mudança só vale dali em diante, então a série tem um degrau exatamente na data.
- Assumir que o GA4 se comporta como o Ads. No GA4 a mudança de modelo de relatório se aplica a dados históricos e futuros, e reescreve o passado sem deixar degrau.
- Ignorar a janela de retrospectiva. Uma janela padrão de 90 dias em eventos-chave traz pontos de contato de antes do teste para dentro da leitura do teste.
- Reconciliar a quebra por variação com o total de topo. Escalar os dois braços mantém a estimativa e encolhe o erro padrão, fabricando significância.
- Ler só lift relativo. É a métrica mais sensível ao crescimento da base creditada.
- Fechar o número no último dia. A documentação recomenda esperar passar o número médio de dias até a conversão antes de avaliar.
Faça isso automático na Donnu
O conserto é de arquitetura, não de estatística.
Um experimento precisa de um desfecho que pertence a ele: um evento, um usuário, um braço, valendo 1 ou 0. Quando o sorteio e o evento de conversão vivem no mesmo lugar, não existe repartição de crédito para fazer, porque não existe disputa entre pontos de contato: a pergunta é apenas se esta pessoa, que viu esta variação, converteu. Na Donnu é assim que o resultado é calculado, e o relatório mostra a diferença absoluta com o intervalo ao lado do lift relativo, para que uma base creditada crescente não se disfarce de queda de desempenho. A Donnu é uma opção entre várias; o princípio vale em qualquer ferramenta: a coluna da plataforma responde quanto a mídia contribuiu, e o seu evento responde qual variação venceu. São duas perguntas, e uma delas não aceita vírgula.
Perguntas frequentes
As perguntas no topo desta página cobrem se o modelo muda o resultado do teste, quais modelos ainda existem, se dá para testar crédito fracionário, por que a atribuição orientada a dados encolhe o lift, se a troca reescreve o histórico e qual modelo usar no experimento.
Referências
- Google Ads Help. About attribution models. Fonte da afirmação de que os modelos de primeiro clique, linear, decaimento temporal e baseado em posição não são mais suportados e foram migrados para atribuição orientada a dados, da definição de último clique como todo o crédito para o último anúncio clicado e a palavra-chave correspondente, da afirmação de que o modelo orientado a dados é o padrão para a maioria das ações de conversão, da afirmação de que mudar a configuração só altera a contagem daqui em diante e da afirmação de que o modelo selecionado afeta como os lances são otimizados. Conferido em 24 de setembro de 2026. support.google.com.
- Google Ads Help. Best practices for managing attribution model changes. Fonte da afirmação de que decimais aparecem nas colunas de Conversões e Todas as conv. pela primeira vez ao mudar para um modelo que não seja o de último clique, e da recomendação de esperar até que tenha passado o número médio de dias até a conversão antes de avaliar o desempenho. Conferido em 24 de setembro de 2026. support.google.com.
- Google Analytics Help. Select attribution settings. Fonte da afirmação de que mudar o modelo de atribuição de relatório se aplica a dados históricos e futuros, e das janelas de retrospectiva: 30 dias com opção de 7 para os eventos-chave de aquisição
first_openefirst_visit, e 90 dias com opções de 30 ou 60 para os demais eventos-chave. Conferido em 24 de setembro de 2026. support.google.com. - Google Ads Help. About data-driven attribution. Fonte da descrição de que a atribuição orientada a dados distribui o crédito com base em como as pessoas interagem com os anúncios e decidem se tornar clientes, usando dados da própria conta. Conferido em 24 de setembro de 2026. support.google.com.
Leia também: Conversões modeladas · Lances automáticos · Atraso de conversão · Atribuindo receita ao vencedor · Teste de incrementalidade · Perda de rastreamento · Significância estatística · Read in English
Perguntas frequentes
- O modelo de atribuição muda o resultado de um teste A/B?
- Muda, porque ele redefine o que conta como conversão daquele canal. No exemplo trabalhado deste guia, o mesmo experimento de página lê mais 8,33 por cento relativos com valor p de 0,018 sob último clique e mais 3,79 por cento relativos com valor p de 0,251 sob atribuição orientada a dados. O sorteio é o mesmo, as pessoas são as mesmas e os desfechos reais são os mesmos. O que mudou foi o peso que cada desfecho recebe na coluna que você comparou.
- Quais modelos de atribuição ainda existem no Google Ads?
- Dois. A documentação do Google Ads afirma que os modelos de primeiro clique, linear, decaimento temporal e baseado em posição não são mais suportados, e que as ações de conversão que os usavam foram migradas para atribuição orientada a dados. Restaram último clique, que dá todo o crédito ao último anúncio clicado e à palavra-chave correspondente, e orientada a dados, que distribui o crédito com base nos dados passados daquela ação de conversão. O modelo orientado a dados é o padrão para a maioria das ações de conversão.
- Posso rodar um teste de significância sobre conversões com crédito fracionário?
- Não do jeito padrão. Um teste de duas proporções assume ensaios de Bernoulli: cada unidade converte ou não converte, e a variância é p vezes 1 menos p dividido por n. Quando o crédito é dividido entre pontos de contato, o total deixa de ser uma contagem de sucessos e passa a ser uma soma de pesos entre zero e um, cuja variância é outra. O valor p sai de uma fórmula que não descreve o seu estimador. Rode a decisão sobre desfechos contados por inteiro e guarde o valor creditado para o relatório de negócio.
- Por que a atribuição orientada a dados encolhe o lift medido?
- Por dois caminhos somados. O bloco incremental que a sua variação criou é dividido com os pontos de contato anteriores, então só uma fração dele aparece na coluna, o que ataca o numerador. E jornadas assistidas que o último clique contava como zero passam a receber crédito parcial nos dois braços por igual, o que engorda a base e ataca o denominador. As duas forças empurram o lift relativo na mesma direção, para perto de zero.
- Mudar o modelo de atribuição reescreve o histórico?
- Depende do produto, e essa assimetria confunde muita gente. O Google Ads afirma que mudar a configuração de modelo de atribuição de uma ação de conversão só altera a contagem dali em diante. O Google Analytics 4 afirma o contrário para o modelo de relatório: mudar o modelo de atribuição de relatório se aplica a dados históricos e futuros. Uma mesma mudança feita no mesmo dia pode deixar a série do Ads com um degrau e a do Analytics sem degrau nenhum.
- Qual modelo eu devo usar no meu experimento?
- O que você declarou antes de começar, e apenas um. A pergunta útil não é qual modelo é mais verdadeiro, é qual número você vai comparar entre dois braços sorteados. Para a decisão do experimento, desfechos contados por inteiro no seu próprio evento, com a variação anexada. Para o relatório de mídia, a coluna creditada da plataforma, declarada como tal. Trocar de modelo no meio do teste é o único movimento que não tem defesa.