O sucesso de uma campanha de marketing depende da capacidade de entender o comportamento do usuário em relação aos touchpoints em sua jornada de compra. No entanto, atribuir o crédito da conversão a um único canal é uma tarefa complexa, uma vez que o usuário pode passar por diversos touchpoints antes de converter. Nesse contexto, os modelos de atribuição surgem como uma solução para avaliar o impacto de cada canal na conversão.
Os modelos de atribuição são algoritmos usados para atribuir crédito a cada touchpoint da jornada do usuário. Esses modelos podem ser classificados em heurísticos e algorítmicos.
Os modelos heurísticos são os mais comuns e consistem de um conjunto de regras definidas por negócios. O modelo de última interação (last click), por exemplo, atribui todo o crédito da conversão ao último touchpoint que o usuário teve contato antes de efetuar a compra. O modelo de primeira interação, por outro lado, atribui todo o crédito à primeira interação do usuário com a campanha de marketing.
Outros modelos heurísticos incluem o modelo linear, que atribui um peso igual a cada touchpoint na jornada do usuário, o modelo time decay, que dá mais peso aos touchpoints mais recentes e o modelo position based, que divide o crédito entre os touchpoints mais importantes da jornada do usuário.
Já os modelos algorítmicos usam métodos probabilísticos para atribuir o crédito de conversão. O modelo de Valor de Shapley, por exemplo, usa a teoria dos jogos para distribuir o crédito de conversão de forma justa entre os touchpoints da jornada do usuário. Já o modelo de Cadeias de Markov usa a probabilidade de transição entre os touchpoints para calcular o crédito da conversão.
Prós e Contras dos Modelos de Atribuição
Os modelos de atribuição possuem vantagens e desvantagens que precisam ser avaliadas antes de escolher um modelo para aplicação em um determinado contexto.
Os modelos heurísticos, por exemplo, são fáceis de entender e implementar, o que torna sua aplicação rápida e simples. O modelo de última interação é especialmente fácil de implementar e é amplamente utilizado em análises de marketing. No entanto, esse modelo não leva em conta a contribuição dos demais touchpoints na jornada do usuário, o que pode levar a uma avaliação distorcida do impacto de cada canal.
O modelo linear, por sua vez, é mais justo na distribuição do crédito de conversão entre os touchpoints, pois cada um recebe o mesmo peso. No entanto, esse modelo pode não refletir a realidade da jornada do usuário, pois cada touchpoint pode ter um impacto diferente na conversão.
O modelo time decay dá mais peso aos touchpoints mais recentes, o que pode ser útil em campanhas que buscam conversões imediatas. Porém, esse modelo pode não ser adequado para campanhas que buscam uma conversão mais complexa e que envolve mais de um touchpoint.
O modelo position based é mais adequado para campanhas em que alguns touchpoints têm um papel mais relevante na jornada do usuário do que outros. Nesse modelo, os touchpoints mais importantes recebem mais crédito de conversão do que os demais.
Os modelos algorítmicos, como o Valor de Shapley e as Cadeias de Markov, são mais precisos na atribuição do crédito de conversão, pois utilizam métodos probabilísticos e estatísticos para calcular a contribuição de cada touchpoint na jornada do usuário.
Mas, esses modelos podem ser mais complexos de implementar e exigem um conhecimento mais avançado em matemática e estatística. Além disso, a análise dos dados pode ser afetada por vieses introduzidos no modelo.
Dessa forma, é importante avaliar os prós e contras de cada modelo de atribuição antes de escolher o mais adequado para cada contexto. É preciso considerar a complexidade da campanha, a jornada do usuário, os objetivos de negócio e os dados disponíveis para a análise.
Prós e Contras dos Modelos de Atribuição:
| Modelo de Atribuição | Prós | Contras |
| Última Interação | Fácil de entender e implementar | Não considera a contribuição dos demais touchpoints |
| Primeira Interação | Fácil de entender e implementar | Não considera a contribuição dos demais touchpoints |
| Linear | Mais justo na distribuição do crédito | Pode não refletir a realidade da jornada do usuário |
| Time Decay | Dá mais peso aos touchpoints mais recentes | Pode não ser adequado para campanhas mais complexas |
| Position Based | Adequado para campanhas com touchpoints importantes | Pode não refletir a realidade da jornada do usuário |
| Valor de Shapley | Mais preciso na atribuição de crédito | Mais complexo de implementar e pode ter vieses |
| Cadeias de Markov | Mais preciso na atribuição de crédito | Mais complexo de implementar e pode ter vieses |
Em resumo, não existe um modelo melhor ou pior, e sim aquele que melhor se adequa para a sua necessidade de acordo com os objetivos da estratégia da empresa. Por isso, é importante avaliar os prós e contras de cada um destes e fazer a escolha certa para o seu negócio.
__________
Escrito por: Matheus Ferreira Marques Cavalcante, Analista Sênior de Business Intelligence na Pmweb.
Bacharel em Estatística pela Universidade de Brasília e pós-graduado em Análise de Dados com Business Intelligence e Big Data pela Universidade Católica de Brasília. Possui ampla experiência em Business Analytics e Ciência de Dados. Atua como Analista Sênior de Business Intelligence (BI) na Pmweb, onde desenvolve e aplica modelos de atribuição para clientes de diversos segmentos. Lidera a frente de BI em clientes brasileiros e internacionais.