Atribuição Multi-Toque (MTA): Definição e Modelos

A atribuição multi-toque (MTA) é um modelo de medição que divide o crédito de uma conversão entre todos os pontos de contato de marketing com os quais um cliente interagiu antes de comprar, em vez de dar todo o crédito a um único anúncio ou clique. Se um comprador viu um anúncio nativo, depois clicou em um anúncio de retargeting e então converteu após uma busca de marca, a MTA atribui uma parte fracionada dessa conversão a cada um dos três toques, em vez de conceder tudo ao último.

Modelos comuns de MTA#

Modelos lineares dão crédito igual a cada ponto de contato. Modelos de decaimento temporal dão mais peso aos pontos de contato mais próximos da conversão do que aos mais antigos. Modelos baseados em posição (em forma de U) dão ao primeiro e ao último toque uma parcela maior, dividindo o restante entre os intermediários. Modelos baseados em dados ou algorítmicos, frequentemente construídos sobre valores de Shapley ou abordagem semelhante da teoria dos jogos, estimam a contribuição marginal de cada toque diretamente a partir de dados históricos, em vez de aplicar uma regra fixa.

Como difere dos modelos de toque único#

A alternativa mais simples é creditar o ponto de contato que ocorreu por último dentro de uma janela de atribuição definida, via um pixel de conversão no momento da compra. Isso é simples de calcular, mas subvaloriza sistematicamente canais de topo de funil, como placements de descoberta nativa, que tendem a apresentar um produto em vez de fechar a venda. A MTA tenta corrigir isso espalhando o crédito por todo o caminho, o que geralmente faz com que a publicidade nativa e a publicidade display pareçam mais valiosas sob um modelo MTA do que sob um modelo de último toque.

Por que está mais difícil de executar#

A MTA depende de unir os pontos de toque de um único usuário entre dispositivos e sessões, o que requer identificadores persistentes: cookies, IDs de anúncios móveis ou correspondência de usuário logado. Restrições de cookies nos navegadores e limites de rastreamento em nível de plataforma tornaram essa união mais vazada ao longo do tempo, de modo que os modelos de MTA cada vez mais se apoiam em correspondência modelada ou probabilística para preencher lacunas em vez de rastreamento determinístico de cliques. Isso faz parte do motivo pelo qual mais anunciantes agora investem na coleta de dados de primeira‑parte, já que um registro de usuário que você possui diretamente sobrevive melhor às mudanças de rastreamento de plataforma do que um que você aluga.

Onde se encaixa ao lado de outras medições#

A MTA funciona melhor como um diagnóstico de meio de funil, mostrando quais pontos de toque tendem a aparecer juntos em um caminho vencedor, em vez de ser a palavra final sobre o valor do canal. Equipes sérias de compra de mídia verificam periodicamente se o valor de canal implícito pelo modelo sobrevive a um teste experimental real, já que um canal que a MTA diz estar contribuindo com um terço das conversões pode ainda assim mostrar efeito próximo de zero quando você realmente o desativa para um grupo de teste.

Entender quais canais estão gerando consciência de topo de funil começa com saber o que realmente está em execução. A ferramenta de espionagem de anúncios nativos da OpenAdLibrary /spy/native-ad-spy-tool mostra quais anunciantes estão ativamente veiculando criativos nativos em seu segmento, um input útil antes de decidir quanto crédito de atribuição um canal merece em seu próprio modelo.

Notas práticas de configuração#

Obter a MTA correta requer um identificador de rastreamento consistente em todas as redes para que os pontos de toque do mesmo usuário possam ser realmente correspondidos, além de um comprimento de janela de atribuição aplicado de forma consistente entre os canais. Janelas incompatíveis entre plataformas — uma janela de 7 dias em um painel e uma janela de 30 dias em outro — tornarão qualquer comparação cross‑channel de MTA inválida antes mesmo que o modelo seja executado. Limpar seus dados subjacentes de gastos com anúncios e de conversão vale a pena antes de investir em um modelo mais sofisticado baseado em dados sobre ele.