Essa newsletter discute medição de marketing, dá exemplos de testes que ajudam a determinar causalidade (e não apenas correlação) e minha opiniões sobre modelos de atribuição. 😉
Espero que vocês gostem.
Deixa eu começar com uma admissão de culpa: por muito tempo, eu li o painel do dashboard como se fosse a verdade (mea culpa!).
Passei quinze anos construindo estratégia de dados dentro de empresas grandes, e mesmo assim me peguei fazendo o que quase todo mundo faz: olhar o canal com o melhor retorno no relatório e concluir que ele era o melhor canal. Já vi essa cena se repetir muitas vezes. O relatório aponta a busca por marca como campeã de atribuição de vendas, alguém remaneja a verba do topo de funil para lá, e três meses depois o custo de aquisição subiu em vez de cair. Todo mundo otimizou, e ainda assim o resultado esperado não veio.
Demorei para entender por quê, e a explicação não é técnica. Ela está na diferença entre tratar marketing como sistema e tratar marketing como um conjunto de operações soltas.
O que a Dropbox descobriu quando teve coragem de se desligar
Em março de 2026, o time de ciência de dados da Dropbox fez o que quase nenhuma equipe tem coragem para fazer: desligou os próprios anúncios.
Durante semanas, rodaram blackouts, com a mídia paga simplesmente desligada em mercados selecionados, para medir o que aqueles anúncios de fato causavam. Até ali, o dashboard contava uma história tranquila: a mídia mobile entregava 1,53x de retorno e a busca paga, 2,0x. Números que qualquer diretor mostra numa reunião de resultados sem pestanejar.
Aí veio a conta real. Isolando o efeito causal, ou seja, o que teria acontecido de qualquer jeito, com ou sem anúncio, o retorno da mídia mobile caiu para 0,7. E a busca paga, aquela estrela de 2,0x, estava em 0,92. Traduzindo: a Dropbox estava perdendo dinheiro justamente no canal que o painel jurava ser o melhor. Com o diagnóstico na mão, tiraram US$ 25 milhões da mídia não incremental e viram a relação entre valor do cliente e custo de aquisição melhorar 53%.
Esta edição da newsletter é sobre essa distância entre dois tipos de medida que quase todo o marketing digital confunde: existe o retorno que o relatório atribui, e existe o retorno que a campanha causa. E confundir os dois tem nome.
O teatro de atribuição
Penso em marketing como sistema, e é por isso que essa mecânica da medição me incomoda. Por exemplo, a atribuição de último clique dá 100% do crédito para a última interação antes da compra. Mas pense na jornada real de um cliente: ele pesquisa seu produto, lê resenhas, assiste a um vídeo, é impactado por display, recebe retargeting no social e, só depois de tudo isso, clica num anúncio com o nome da sua marca. O último clique credita a busca por marca com a venda inteira.
Só que ela não criou a demanda. Ela capturou uma intenção que os outros canais ajudaram a construir lá atrás. No cenário acima, a busca por marca vira um imposto que você paga para "capturar”uma demanda que já era sua, e no relatório esse imposto se disfarça de crescimento. O painel entrega uma narrativa com aparência de causalidade.
É isso que chamo de teatro de atribuição. O dashboard encena o resultado que você queria ver.
"Mais sofisticado" não resolve, e às vezes confunde mais
A reação natural é trocar o último clique por um modelo multi-touch, que divide o crédito entre vários pontos de contato. Parece mais avançado, e para uma coisa ele realmente é útil: para mapear e otimizar a jornada. Um modelo multi-touch ajuda a mostrar o caminho que o cliente de fato percorreu, onde estão os atritos, qual sequência de conteúdo prende atenção e qual criativo funciona no topo. Ele é um bom sinal e é uma camada neutra que alinha áreas que costumam trabalhar em silos (e-mail, mídia, social) em torno de uma mesma jornada. Tratado assim, como análise de comportamento, ele responde "o que aconteceu".
O problema começa quando você pede para ele responder "o que causou", e pior ainda, quando você usa essa resposta para alocar orçamento. Saber que o cliente passou por cinco canais antes de comprar não diz qual deles causou a compra. Encontrar padrões nos dados é sempre empolgante, mas correlação não é causa. Na prática, o modelo de atribuição acaba dando crédito demais aos anúncios que aparecem para quem já ia comprar de qualquer jeito, sem capturar nenhuma venda incremental.
E há um custo organizacional que quase ninguém conta. Quando a verba é amarrada a esses modelos, as áreas param de brigar para melhorar a experiência do cliente e passam a brigar pela fatia de crédito de cada uma. Se pararmos pra pensar, cada minuto gasto litigando crédito interno é um minuto roubado de aperfeiçoar a experiência real do cliente.
Some a isso o fato de que o rastreamento individual, de cookie e de dispositivo vem sendo desmontado pelos navegadores e por consumidores em busca de mais privacidade, e de que o multi-touch é cego para o dark social. A Amanda Natividad, da SparkToro, que cunhou o termo Zero Click Marketing, contou um teste em que mandaram mais de 1.100 visitas por 11 redes sociais, e 100% desse tráfego apareceu como "direto" na plataforma de web analytics. O caminho de cliques em que o multi-touch se apoia simplesmente não existe mais inteiro.
E quando o relatório informa que display ads contribuiram com 14,3% e o LinkedIn com 22,7%, aquelas casas decimais criam uma ilusão de precisão causal que a metodologia não sustenta.
Por que essa precisão é uma ilusão.
Essa é a parte que ajuda a amarrar o argumento, porque a falsa exatidão do multi-touch não é implicância minha, é um limite estatístico conhecido. Randall Lewis (Google) e Justin Rao (Microsoft) analisaram 25 grandes experimentos de publicidade e mostraram que o ruído no comportamento individual de compra é tão alto que o intervalo de confiança sobre o retorno costuma passar de 100% de largura. Distinguir uma campanha que é puro desperdício de uma campanha lucrativa exigiria, muitas vezes, mais de 10 milhões de observações. Ou seja: aquelas casas decimais no seu painel prometem uma exatidão que a realidade dos dados realmente não consegue entregar.
E não sou só eu apontando isso. Em março de 2026, a CIMM (Coalition for Innovative Media Measurement, a coalizão do próprio setor de medição de mídia nos EUA) e a 4As, a associação das agências americanas, publicaram um estudo com anunciantes chamado The Paradox of Plenty. O nome já entrega o achado: mais dados e mais dashboards do que nunca, e ainda assim a confiança na medição não acompanhou toda essa capacidade. E repare de onde vem a crítica. Ela vem de dentro, da entidade que existe justamente para defender e aprimorar esse tipo de medição. Quando são os próprios donos da régua de medição que admitem que a régua não gera confiança, fica difícil continuar tratando o dashboard como verdade.
E não, isso não é problema de uma empresa ou outra
Se fosse, não daria uma edição da newsletter. Mas os números da indústria contam a mesma história. A McKinsey entrevistou líderes de marketing da Fortune 500 e nenhum conseguiu explicar com clareza como seus investimentos em martech geraram ROI mensurável. A Gartner aponta que só 52% dos líderes de marketing conseguem, de fato, provar seu valor para a alta liderança. E a Forrester mostra que, embora 76% das equipes já tenham abandonado o clique único, apenas 11% usam atribuição avançada, o que significa que a maioria só trocou um modelo frágil por outro.
Segundo Mark Stouse, da Proof Causal.ai e da Fiduciari, uma análise de dados de 478 empresas B2B classificadas pela Fortune indicou que a efetividade média de go-to-market caiu de cerca de 78% em 2018 para 50% em 2025, apesar do aumento dos investimentos. Stouse denomina esse fenômeno de “Correlative Collapse”. No B2B, o sintoma tem número próprio: a conversão de sites despencou de cerca de 4% em 2005 para 0,75% hoje. A leitura mais dura dessa curva é que a métrica que sustentou orçamentos por duas décadas nunca significou o que a gente achava. Nas palavras da auditoria: "MQL nunca foi um sinal. Foi uma coincidência que ganhou uma linha no orçamento."
Reconhecer isso é a condição para sair do teatro. E a saída tem um nome, que quase sempre é confundido com uma coisa que ele não é.
A diferença entre otimizar e experimentar
Essa distinção muda tudo. Testar dois assuntos de e-mail em A/B é otimização: as duas versões vão para todo mundo, e você descobre qual rende mais, mas não descobre se o e-mail, como canal, gera algo que não teria acontecido sozinho.
Experimentar de verdade é isolar a causa. Um grupo recebe a ação de marketing, um grupo de controle equivalente não recebe, e a diferença entre os dois é o incremento, o resultado que só existe porque você agiu. Otimização deixa um canal mais eficiente. Experimentação responde a uma pergunta anterior e mais importante: esse canal é incremental? Não faz sentido otimizar até a perfeição um canal que só captura demanda que já existia. Era exatamente isso que a Dropbox não sabia até desligar os anúncios, e é exatamente isso que o seu painel não conta sozinho.
Você não precisa começar pelo topo
A boa notícia é que dá para construir isso em degraus. Comece simples, ganhe o alinhamento das outras áreas, e só então avance.
1. Testes de platform lift, a porta de entrada. As próprias plataformas (Meta, Google) sorteiam usuários entre grupo de teste, que vê o anúncio, e controle, que não vê, e reportam a diferença. É fácil e rápido, de duas a quatro semanas. A limitação é de incentivo: a plataforma quer superestimar o próprio impacto, então use como bússola, não como veredito.
2. Teste geográfico (geo), o padrão da indústria. Aqui você não divide usuários, e sim mercados. Roda a campanha só em algumas regiões e compara com regiões-controle parecidas. A regra prática é separar de 6 a 10 geografias entre teste e controle e deixar rodar de 3 a 8 semanas. Como mede resultado de negócio real, com os seus dados, é o número em que o financeiro confia, porque a lógica é a mesma dos experimentos que ele já conhece.
3. Holdouts permanentes, o padrão-ouro. Você separa de 5% a 10% do mercado e mantém esse grupo fora de todo marketing pago, de forma contínua, como uma linha de base viva. É o que responde à maior pergunta de todas, a mesma da Dropbox: o que aconteceria com o negócio se a gente parasse de fazer marketing?
E tem uma peça que amarra o conjunto: o Marketing Mix Modeling (MMM). Em vez de testar um canal isolado, ele usa o seu histórico para estimar quanto cada canal contribui, inclusive captando o adstock, o efeito retardado da marca, quando um anúncio de hoje só vira compra semanas depois (algo que a atribuição por clique, presa a janelas curtas, nem enxerga). O ponto é a combinação: o MMM diz onde vale testar, o experimento prova o que de fato causa, e o multi-touch fica com o papel em que é bom, otimizar a jornada. Um sem o outro não fecha.
Por que agora, e não "quando sobrar tempo"
Porque a IA acabou de encarecer o erro. Scott Brinker, “Padrinho da Martech” diz de um jeito que eu não canso de repetir: "a IA não corrige uma base fraca, ela a escala". Se a sua medição está encenando, automatizar decisões em cima dela só espalha o erro mais rápido, agora com sistemas agentes realocando verba, suprimindo público e trocando criativo no meio da campanha, operando sobre dados que, no melhor dos casos, são "levemente confiáveis". O ser humano que ao menos sabia da incerteza já não está na sala tomando essas decisões mas a incerteza fica.
O que está de fato em jogo
Aqui o custo deixa de ser técnico e vira pessoal. Quando você não consegue responder às perguntas de medição, alguém responde por você. O Pranav Piyush, professor de analytics na Reforge e CEO da Paramark, descreve esse vácuo de marketing em três atos, e eu já vi os três acontecerem.
O CFO preenche o vácuo primeiro. Sem uma resposta sua para "o que aconteceria se cortássemos toda a verba amanhã?", ele assume a versão mais conservadora possível, a de que a maior parte é desperdício, e corta. O time de dados preenche depois: quem domina a matemática passa a conduzir a narrativa, mas não conhece o mercado, e você fica dependente de um time que não te reporta para explicar os seus próprios resultados. E o CEO preenche por último, que é o mais perigoso: ele leu sobre um concorrente, teve um palpite sobre um canal, e agora você executa a estratégia de outra pessoa com o seu orçamento.
O padrão é sutil: as decisões passam a ser tomadas em salas onde você não está. Por isso medição deixou de ser assunto de analista. É a sua credibilidade e o seu lugar na conversa.
O que fazer na segunda-feira
- Nada disso exige virar a operação de cabeça para baixo. Dá para começar pequeno, com o que você já tem, e ganhar terreno a cada teste.
- Separe os dois trabalhos. Continue usando o seu modelo de atribuição para o que ele faz bem, que é mapear e otimizar a jornada, e tire dele a decisão de orçamento. Só essa mudança de papel já resolve boa parte da confusão.
- Escolha um canal suspeito e teste só ele. O candidato mais provável é a busca por marca, ou qualquer canal que o painel elege como campeão. Comece por um platform lift test ou um geo test pequeno e veja quanto daquele resultado é de fato incremental.
- Crie um holdout mínimo. Segure de 5% a 10% de um mercado fora da mídia paga por algumas semanas. É a linha de base viva que responde à pergunta que o painel nunca responde sozinho.
- Traga o financeiro para dentro antes dos números. Combine com ele a pergunta ("o que aconteceria se cortássemos essa verba?") e o método do teste antes de apresentar qualquer resultado. Assim você chega com uma resposta pronta, em vez de deixar o vácuo para outra pessoa preencher.
Documente todo teste, inclusive os que falharam. Um único doc compartilhado, com a hipótese, o teste e o resultado de cada experimento. Em poucos meses isso vira um acervo de aprendizado sobre o seu mercado que o concorrente não consegue copiar.
Faça a pergunta da Dropbox pelo menos uma vez por trimestre. "O que aconteceria com o negócio se a gente parasse de fazer esse marketing?" E, quando tiver coragem, desenhe um teste para responder de verdade.
Comece pelo primeiro teste. O resto se constrói em cima dele.
Referências
Amanda Natividad — Podcast Humans of Martech ep. 230.
Randall Lewis (Google) e Justin Rao (Microsoft) — Paper "On the Near Impossibility of Measuring the Returns to Advertising."
CIMM e 4As — The Paradox of Plenty (março de 2026), autoras Sarah Mansfield, Alice Sylvester e Leslie Wood; patrocínio Kochava/Nielsen/TechEdge. CIMM = Coalition for Innovative Media Measurement.
McKinsey — Estudo "Rewiring Martech: From Cost Center to Growth Engine" (out. 2025)
Gartner — Set. 2024; survey.
Causal.ai e Fiduciari — Relatório da auditoria de 478 empresas da Fortune desde 2018
Scott Brinker — State of Martech 2026
Pranav Piyush — entrevista via SuperMe.ai digital twin
Você recebeu este email porque se inscreveu no meu site sobre CDP para profissionais de CRM ou através da minha newsletter The Experimental Marketer. Para se descadastrar dessa newsletter, use o link abaixo.