Atribuição Last Click ou Data-Driven no Google Ads: Como Escolher o Modelo Certo para o Seu Negócio

Se você gerencia campanhas de Google Ads com ciclo de venda longo, múltiplos canais ou ticket médio elevado, o modelo de atribuição que você usa não é detalhe operacional — é a fundação sobre a qual o algoritmo toma decisões de lance. Atribuir crédito ao touchpoint errado faz o Smart Bidding aprender com dados distorcidos, inflando o custo de aquisição sem que você perceba imediatamente.

Desde 2023, o Google Ads eliminou os modelos intermediários (first click, linear, time decay e position-based) e deixou apenas dois em campo: last click e data-driven ^[1]. Isso simplificou a escolha, mas também tornou a decisão mais crítica — não há mais meio-termo.

Resposta rápida: A atribuição last click credita 100% da conversão ao último clique antes da compra, ignorando todos os touchpoints anteriores. A atribuição data-driven usa machine learning para distribuir o crédito entre todos os pontos de contato com base no impacto real de cada um na conversão. Para a maioria dos anunciantes com ciclos de venda multitoque, data-driven é o modelo recomendado pelo Google e o que alimenta o Smart Bidding com sinais mais precisos — mas exige volume mínimo de conversões para funcionar corretamente.

Como cada modelo se comporta?

Entender atribuição no nível técnico exige sair da definição de dicionário e entrar no impacto direto sobre o Smart Bidding. O Google Ads usa os dados de conversão atribuídos para treinar seus algoritmos de lance automático — Target CPA, Target ROAS, Maximize Conversions. Se o sinal que entra está distorcido, o sinal que sai (o lance) também estará.

Last Click: Simples com viés estrutural

No modelo last click, 100% do crédito de conversão vai para o último clique registrado antes da conversão ^[1]. No exemplo clássico: o usuário vê um anúncio no YouTube, faz uma busca não-branded, vê um banner de display, e converte depois de clicar em um anúncio de busca branded. Toda a conversão é creditada à campanha de Brand Search — mesmo que o YouTube tenha sido o ponto de entrada que iniciou o interesse ^[1].

O problema estrutural é duplo:

1. Supervalorização de Brand Search e Remarketing: Campanhas de fundo de funil sempre aparecem como as mais eficientes porque interceptam usuários que já estavam prontos para converter. O algoritmo aprende que essas campanhas são "boas" e aumenta lances nelas, enquanto reduz investimento nas campanhas de topo que alimentaram o funil.

2. Subvalorização de campanhas de descoberta: Campanhas de YouTube, Display prospecting e busca não-branded recebem zero crédito, mesmo quando são responsáveis por trazer o usuário ao funil. Com o tempo, o orçamento migra para o fundo e o topo seca — até que as conversões de fundo também caem, porque não há entrada de novos usuários.

Quando last click faz sentido? Em ciclos de venda curtos e diretos, onde o usuário pesquisa, clica e compra em uma única sessão, sem retargeting relevante. Produtos de impulso de baixo ticket ou buscas com alta intenção transacional imediata são os casos de uso legítimos ^[1].

Data-Driven: Machine Learning aplicado à jornada real

O modelo data-driven usa os dados do próprio anunciante para calcular, estatisticamente, qual foi a contribuição incremental de cada touchpoint para a conversão ^[1]. Em vez de uma regra fixa ("último clique ganha tudo"), o modelo compara jornadas que converteram com jornadas similares que não converteram, identificando quais etapas fizeram diferença real.

Isso tem implicações diretas para o Smart Bidding:

• Campanhas de topo de funil que genuinamente contribuem para conversões passam a receber crédito proporcional
• O algoritmo de lance aprende a valorizar usuários que estão no início da jornada, não apenas os que já estão prontos
• A distribuição de budget entre campanhas reflete melhor o impacto real de cada uma no resultado final

O Google removeu os modelos intermediários em 2023 justamente porque data-driven, quando tem volume suficiente, supera qualquer regra heurística manual ^[1]. A lógica é: se você tem dados, use-os. Se não tem, last click é o fallback honesto.

Foto: Arkan Perdana / Unsplash

Requisitos Técnicos e Armadilhas do Data-Driven

Data-driven não é plug-and-play. Para que o modelo funcione com precisão estatística, ele precisa de volume mínimo de dados. Sem isso, o Google simplesmente não consegue identificar padrões confiáveis entre jornadas que converteram e jornadas que não converteram.

Volume Mínimo de Conversões

O Google exige historicamente ao menos 300 conversões nos últimos 30 dias para habilitar data-driven em uma ação de conversão específica. Abaixo desse volume, a opção fica indisponível ou o modelo opera com baixa confiança — o que pode ser pior do que last click, porque distribui crédito com base em amostras insuficientes.

Para e-commerces de alto ticket com ticket médio elevado e volume de pedidos menor, isso é um obstáculo real. A solução mais comum é usar micro-conversões (adição ao carrinho, início de checkout, leads qualificados) como ação de conversão principal para treinar o modelo, enquanto a compra efetiva fica como conversão secundária para análise.

Qualidade do Sinal

Data-driven é tão bom quanto os dados que recebe. Se o seu rastreamento de conversões tem lacunas — bloqueio de cookies, iOS 14+, navegação cross-device sem login — o modelo opera com dados incompletos e distribui crédito de forma imprecisa.

Aqui entra a importância crítica de fortalecer o sinal de primeira parte. O Google lançou melhorias no Data Manager para integrar dados diretamente ao Google Analytics e ao DV360, e anunciantes que conectam dados offline e de app ao Data Manager registram, em média, aumento de 26% no ROAS incremental ^[2]. Além disso, o uso de enhanced conversions — que faz o matching seguro de dados de clientes para melhorar a relevância dos anúncios — resulta em média em 11% mais conversões em Search comparado ao import padrão ^[2].

Isso não é coincidência: data-driven com sinal forte performa significativamente melhor do que data-driven com sinal fraco. E sinal fraco pode até ser pior do que last click em cenários de baixo volume.

Google Tag Gateway

Uma das evoluções mais relevantes para anunciantes que usam data-driven é o Google Tag Gateway, que ajuda a recuperar conversões perdidas por bloqueadores de cookies e restrições de navegadores. Anunciantes que implementam o Tag Gateway observam, em média, 14% mais conversões recuperadas ^[2]. Para data-driven, cada conversão recuperada é um ponto de dado adicional que melhora a precisão do modelo.

A sequência técnica recomendada para maximizar data-driven:

1. Implementar enhanced conversions com hashing de dados de cliente
2. Configurar Google Tag Gateway para recuperação de sinais
3. Conectar dados offline via Data Manager ou API de Conversões
4. Monitorar o novo Data Strength Uplift Metric para quantificar o impacto incremental do setup de dados ^[2]

Avalie corretamente qual modelo usar

A escolha entre last click e data-driven não é ideológica — é baseada em características objetivas do negócio e do volume de dados disponível.

Critério	Last Click	Data-Driven
Volume de conversões/mês	Qualquer volume	Mínimo ~300 conversões
Ciclo de venda	Curto, direto	Médio a longo, multitoque
Canais ativos	Principalmente Search	Search + YouTube + Display
Ticket médio	Qualquer	Especialmente alto ticket
Qualidade do tracking	Qualquer	Sinal forte recomendado
Campanhas de topo de funil	Irrelevante	Essencial para funcionar bem

Para prestadores de serviços premium e e-commerce de alto ticket, o ciclo de decisão raramente é linear. O cliente pesquisa, compara, vê conteúdo, retorna dias depois, pesquisa novamente e converte. Nesse cenário, last click sistematicamente credita o último ponto de contato e deixa o algoritmo cego para tudo que construiu a intenção de compra.

Foto: Stephen Phillips - Hostreviews.co.uk / Unsplash

Impacto direto no ROAS e no CAC

A escolha do modelo de atribuição não vive apenas no painel do Google Ads — ela se materializa no P&L da operação.

Cenário last click com ciclo multitoque: O algoritmo aprende que Brand Search e Remarketing têm CPA baixo e ROAS alto. Aumenta lances e budget nessas campanhas. Campanhas de prospecção e YouTube são cortadas por "baixa performance". Nos primeiros meses, os números parecem melhores. Nos meses seguintes, o volume de conversões cai porque não há novos usuários entrando no funil. O ROAS aparente era ilusório — estava apenas colhendo demanda existente, não criando demanda nova.

Cenário data-driven com sinal forte: O algoritmo distribui crédito por toda a jornada. Campanhas de topo recebem valor proporcional. O Smart Bidding aprende a capturar usuários em estágios iniciais de intenção. O volume de conversões cresce de forma sustentável porque o funil está sendo alimentado. O ROAS de curto prazo pode parecer menor (porque campanhas de topo têm CPA mais alto isoladamente), mas o CAC real — calculado sobre toda a jornada — é mais eficiente.

A métrica de vaidade aqui é o ROAS por campanha isolada. A métrica que importa é o ROAS da conta inteira e o CAC por cliente novo ao longo do tempo.

Para quem usa Target ROAS ou Target CPA como estratégia de lance, a implicação é direta: o target que você define está sendo perseguido com base nos dados que o modelo de atribuição gera. Se esses dados são distorcidos por last click em um ciclo multitoque, você está otimizando para uma meta que não reflete a realidade econômica da aquisição.

Migrando de Last Click para Data-Driven

Trocar o modelo de atribuição em uma conta ativa é uma mudança de sinal para o Smart Bidding. O algoritmo vai reaprender com base nos novos dados — o que significa um período de instabilidade antes da estabilização.

Passos recomendados para migração segura:

1. Audite o volume de conversões: Confirme que você tem pelo menos 300 conversões/mês na ação principal antes de migrar. Se não tiver, configure micro-conversões de alta qualidade como ação primária.

2. Fortaleça o sinal antes de migrar: Implemente enhanced conversions, revise o Google Tag, configure o Tag Gateway. Migrar para data-driven com sinal fraco é pior do que manter last click.

3. Faça a troca no nível da ação de conversão: No Google Ads, o modelo é configurado por ação de conversão (Ferramentas > Conversões). Mude uma ação por vez se tiver múltiplas.

4. Defina uma janela de aprendizado: Espere pelo menos 2 a 4 semanas antes de tirar conclusões sobre performance. O Smart Bidding precisa de tempo para reajustar lances com base nos novos sinais.

5. Monitore o Data Strength Uplift Metric: O Google lançou essa métrica para quantificar as conversões recuperadas pelo setup de dados de primeira parte ^[2]. Use-a para validar se o sinal está melhorando durante a transição.

6. Não compare ROAS de campanhas isoladas: Compare o ROAS total da conta e o volume de conversões totais antes e depois. A redistribuição de crédito vai fazer campanhas de topo "melhorarem" e campanhas de fundo "piorarem" na comparação direta — isso é esperado e correto.

Atribuição depende de Infraestrutura

A decisão entre atribuição last click e data-driven é, fundamentalmente, uma decisão sobre a qualidade dos dados com que você vai treinar o algoritmo que gasta seu budget. Em um ambiente onde o Smart Bidding toma a maioria das decisões de lance, alimentar esse algoritmo com dados distorcidos é o equivalente a contratar um analista excelente e dar a ele relatórios incorretos.

Para a maioria dos anunciantes com ciclo multitoque — e especialmente para e-commerce de alto ticket e serviços premium — data-driven é o modelo tecnicamente superior quando há volume suficiente e sinal de qualidade. A combinação de data-driven com enhanced conversions, Tag Gateway e integração de dados de primeira parte via Data Manager representa o estado da arte em mensuração no Google Ads hoje ^[2].

Last click ainda tem lugar legítimo: em contas com volume insuficiente para data-driven, em ciclos de venda genuinamente curtos e diretos, ou como modelo de comparação para validar hipóteses. Mas usá-lo por default em 2024 em uma conta com campanhas em múltiplos canais e ciclo de venda de dias ou semanas é deixar o algoritmo tomar decisões com uma venda nos olhos.

A infraestrutura de mensuração não é custo operacional — é vantagem competitiva. Quem tem sinal melhor treina algoritmos melhores, paga lances mais eficientes e cresce com CAC sustentável.

---

Fontes

[1] Google Ads Attribution Models Explained: Last Click vs. Data-Driven — Word Stream

[2] Drive profitable growth with new data and measurement tools — Google Blog

[3] Sharing new research, models, and datasets from Meta FAIR — Meta Llama