1. O Colapso dos Modelos Heurísticos de Atribuição
Durante décadas, a gestão de mídia paga dependeu de regras heurísticas arbitrárias para atribuir o mérito financeiro das vendas. O modelo de Último Clique Não Direto (Last Non-Direct Click), consagrado pelo Universal Analytics, estabeleceu um padrão perverso: o canal que antecede imediatamente o pagamento leva 100% dos louros da conversão, enquanto todos os pontos de contato anteriores na jornada do consumidor recebem crédito zero.
Em um mercado moderno onde a jornada do comprador de e-commerce é composta por uma média de 6 a 14 pontos de contato distribuídos entre redes sociais, anúncios em vídeo, pesquisas genéricas, avaliações em blogs e e-mails de nutrição, o Last-Click gera uma ilusão óptica financeira gravíssima. Ele favorece desproporcionalmente termos de busca institucional (Branded Search) e cupons de afiliados, induzindo a diretoria a desviar investimentos de canais de criação de demanda (Discovery, TikTok, Meta Ads de Prospecção) para canais que apenas capturam demanda já existente.
2. Cadeias de Markov e a Matriz de Transição de Estados
Uma Cadeia de Markov é um modelo estocástico que descreve uma sequência de eventos possíveis onde a probabilidade de transição para o próximo estado depende única e exclusivamente do estado atual (a propriedade markoviana de perda de memória).
No contexto de marketing, modelamos cada canal de mídia (Google Ads, Meta Ads, E-mail, Orgânico) como um "nó" ou "estado" transitório no grafo de navegação, enquanto o início da jornada representa o estado (Start) e os desfechos possíveis representam estados absorventes: (Conversion) ou (Null / Drop-off).
A partir de milhões de caminhos de clientes exportados do BigQuery, o algoritmo calcula a Matriz de Transição de Estados: a probabilidade matemática empírica de um usuário que está no nó A saltar para o nó B.
3. O Efeito Remoção (Removal Effect) na Prática
A mágica analítica das Cadeias de Markov na atribuição reside no conceito de Efeito Remoção (Removal Effect). O algoritmo executa o seguinte experimento mental simulado via álgebra linear:
- Calcula a probabilidade global do grafo de que qualquer usuário que entre em
(Start)atinja(Conversion)com todos os canais ativos. - Remove completamente um canal específico do grafo (por exemplo, "Meta Ads Topo"), transformando todas as transições direcionadas a ele em saltos diretos para o estado
(Null). - Recalcula a nova probabilidade global de conversão do sistema.
- A diferença percentual entre a probabilidade original e a nova probabilidade sem o canal representa o peso real daquele canal na sustentação das vendas totais.
4. Infográfico Vetorial: Grafo Probabilístico de Jornada
GRAFO MARKOVIANO: TRANSIÇÕES PROBABILÍSTICAS DE JORNADA
5. Valores de Shapley: A Teoria dos Jogos Aplicada ao Marketing
Criado pelo economista Lloyd Shapley (laureado com o Prêmio Nobel de Economia em 2012), o método dos Valores de Shapley resolve o problema clássico da Teoria dos Jogos Cooperativos: quando um grupo de jogadores colabora para atingir um objetivo conjunto (e gerar um valor total $V$), como dividir a recompensa de maneira justa e axiomática entre todos os membros?
No e-commerce, os canais de marketing são os jogadores, e o valor do jogo é o faturamento gerado. A fórmula de Shapley avalia a contribuição marginal que determinado canal adiciona a cada combinação possível (subconjunto ou coalizão) de outros canais de mídia:
Se o cliente comprou após interagir com {Meta Ads, Google Search, E-mail}, o modelo testa o ganho marginal gerado pelo E-mail sobre {Meta Ads, Google Search}, sobre {Meta Ads} isolado, sobre {Google Search} isolado e quando atua sozinho. A média ponderada dessas contribuições marginais em todas as $2^N$ permutações confere a cada canal sua parcela matemática irrefutável de crédito.
6. Comparativo Técnico: Markov vs Shapley vs Data-Driven GA4
| Critério | Cadeias de Markov | Valores de Shapley | Data-Driven GA4 (DDA) |
|---|---|---|---|
| Ordem Cronológica dos Toques | Sim (leva em conta a sequência) | Não (trata como coalizão não ordenada) | Parcialmente (algoritmo proprietário) |
| Transparência do Modelo | 100% auditável via matriz aberta | 100% auditável matematicamente | Caixa-preta proprietária do Google |
| Incorporação de Margem Real do ERP | Totalmente customizável no BigQuery | Totalmente customizável no BigQuery | Limitado à receita bruta reportada |
7. Pipeline de Código em Python e SQL para Execução
Abaixo apresentamos um snippet conceitual de como concatenar as jornadas de usuário no BigQuery e processar o modelo de Markov em Python utilizando a biblioteca de código aberto:
# Execução de modelo Markov em Python
import pandas as pd
from google.cloud import bigquery
from ChannelAttribution import markov_model
# 1. Extração dos caminhos consolidados do BigQuery
client = bigquery.Client()
query = """
SELECT
path,
COUNTIF(converted = 1) AS total_conversions,
COUNTIF(converted = 0) AS total_null,
SUM(total_revenue) AS total_value
FROM `meu_projeto.analytics.user_journeys_aggregated`
GROUP BY path
"""
df_journeys = client.query(query).to_dataframe()
# 2. Execução da Cadeia de Markov de 1ª ordem com Efeito Remoção
markov_results = markov_model(
Data=df_journeys,
var_path='path',
var_conv='total_conversions',
var_null='total_null',
var_value='total_value',
order=1,
sep=' > '
)
print(markov_results.sort_values(by='total_conversion_value', ascending=False))8. Checklist de Implementação de Atribuição Algorítmica
Fases para Adoção Segura de MTA:
- [ ] Exportação diária contínua do GA4 configurada no BigQuery com tabelas não particionadas limpas.
- [ ] Padronização estrita de parâmetros UTM em todas as campanhas pagas de mídia (sem maiúsculas ou variações).
- [ ] Criação de tabela de caminhos de jornada incluindo sessões sem conversão para calibração estatística.
- [ ] Rodar reuniões de planejamento de alocação de verba bimestral baseando-se no Efeito Remoção de Markov.
Perguntas Frequentes sobre atribuicao multitoque markov shapley
Por que o modelo Data-Driven nativo do GA4 não é suficiente para grandes marcas?
O modelo Data-Driven Attribution (DDA) do GA4 é uma caixa-preta proprietária do Google. Ele prioriza sutilmente os inventários do próprio ecossistema Google (como Google Search e YouTube), não permite customizar janelas de lookback customizadas de ERP e não inclui dados offline de devoluções ou margem real de produtos.
Qual a principal diferença prática entre Cadeias de Markov e Valores de Shapley?
Cadeias de Markov levam em consideração a ordem estrita e a sequência cronológica dos toques na jornada (ex: Instagram antes de Google Search tem probabilidade diferente de Google Search antes de Instagram). Os Valores de Shapley tratam os canais como membros de uma coalizão sem considerar rigidamente a ordem temporal dos toques.
É possível rodar modelos de Markov diretamente no BigQuery com SQL?
Sim. É possível estruturar as jornadas de conversão com funções de janela (LAG, LEAD e STRING_AGG) e calcular as probabilidades de transição entre estados diretamente em SQL, embora bibliotecas em Python (como o ChannelAttribution) ofereçam maior velocidade computacional para milhões de caminhos.
Como os modelos MTA lidam com jornadas que não terminaram em compra (caminhos nulos)?
Tanto Markov quanto Shapley exigem a inclusão de jornadas completas que resultaram em NÃO conversão (Drop-off). Comparar a probabilidade de fechamento de caminhos bem-sucedidos contra caminhos abandonados é exatamente o que confere rigor estatístico ao modelo.
