Atribuição não é causalidade

Você aumenta o investimento em marketing digital. No mesmo mês, as vendas sobem 30%. A conclusão parece óbvia: "funcionou, foi a campanha". Mas será? E se naquele mês a procura pelo produto também tivesse aumentado, ou a equipe comercial tivesse melhorado, ou fosse um período de alta sazonalidade, ou boa parte dessas pessoas já conhecesse a empresa e comprasse mesmo sem ver o anúncio?

Duas métricas subindo juntas não significam que uma causou a outra. E essa diferença entre correlação e causalidade pode ser a diferença entre colocar mais dinheiro em uma campanha realmente eficiente ou simplesmente continuar financiando uma coincidência.

O exemplo do guarda-chuva

Olhe pela janela e veja muitas pessoas andando com guarda-chuva aberto. Ao mesmo tempo, está chovendo. Existe uma correlação muito clara entre essas duas coisas: quando chove, aumenta o número de pessoas usando guarda-chuva. Mas seria errado inverter essa relação e concluir "se todo mundo abrir o guarda-chuva, vai começar a chover". O guarda-chuva não causa a chuva. Existe uma causa anterior: a chuva (ou a previsão dela) faz as pessoas abrirem o guarda-chuva.

Isso parece óbvio com guarda-chuva. Mas, diante de um dashboard cheio de números, é fácil cometer exatamente esse erro: ver duas métricas subindo ao mesmo tempo e construir imediatamente uma relação de causa e efeito entre elas. "Aumentamos o investimento em mídia e as vendas cresceram, então a campanha causou o crescimento." Talvez tenha causado. Talvez não. Pode existir uma terceira variável por trás das duas coisas: uma promoção, uma mudança de preço, sazonalidade, uma campanha anterior, maior procura pelo produto, ou uma melhora na atuação do comercial.

“No exemplo do guarda-chuva, a pergunta certa não é "guarda-chuvas estão relacionados com a chuva?" (claramente estão). A pergunta importante é: o que está causando o quê?”

O que um modelo de atribuição realmente mede

Modelos de atribuição (last-click, linear, W-shaped, data-driven, até os baseados em valor de Shapley) distribuem crédito entre os contatos observados na jornada de um cliente que já comprou. Eles respondem "quem estava presente antes da conversão, e em que proporção deveria dividir o crédito". Isso é útil e necessário. Mas nenhum desses modelos, por construção, responde uma pergunta diferente: "o que teria acontecido se aquele contato específico não tivesse existido?".

Essa segunda pergunta é sobre causalidade e incrementalidade: quanto da receita observada não existiria na ausência daquele canal ou campanha. É uma pergunta genuinamente mais difícil, porque exige comparar o que aconteceu com um cenário contrafactual que nunca é diretamente observável.

Um exemplo simples

Um cliente pesquisa a marca no Google, clica em um anúncio de busca pela própria marca, e depois compra. O modelo de atribuição, corretamente, credita esse clique. Mas é bem possível que esse cliente já tivesse decidido comprar antes de ver o anúncio: ele estava buscando pela marca porque já conhecia a empresa, talvez por indicação ou por ter visto conteúdo orgânico. Nesse caso, o anúncio de marca recebeu 100% (ou parte) do crédito de atribuição, mas seu efeito causal real sobre a decisão de compra pode ter sido próximo de zero.

Esse padrão se repete, em menor grau, em qualquer canal de remarketing ou de branded search: eles tendem a aparecer perto do fim da jornada, exatamente quando a decisão já está tomada, o que infla sistematicamente o crédito atribuído a eles em relação ao efeito real que produzem.

Por que isso não invalida a atribuição

A resposta correta não é abandonar atribuição, e sim usá-la para o que ela resolve bem (navegação operacional: qual campanha está gerando volume, onde está o vazamento entre plataforma e CRM, qual canal precisa de atenção) e complementá-la, quando a decisão de orçamento for grande o suficiente para justificar, com métodos desenhados para medir efeito incremental.

Três formas comuns de medir incrementalidade

• Testes de incrementalidade (geo holdout ou PSA/conversion lift): desligar ou reduzir um canal em parte da audiência/região e comparar o resultado com um grupo de controle.
• Marketing Mix Modeling (MMM): modelo estatístico que usa dados históricos agregados para estimar o efeito de cada canal sobre receita, sem depender de tracking a nível de usuário.
• Experimentos controlados simples: pausar uma campanha específica por um período e observar se a métrica de negócio (não só a métrica da plataforma) muda de forma perceptível.

“A direção mais robusta da literatura e da prática não é buscar 'o modelo perfeito', mas usar atribuição para navegação operacional e complementar decisões de orçamento com experimentos, causal inference e MMM quando a pergunta exigir efeito incremental.”

A pergunta que define causalidade

No exemplo do guarda-chuva, sabemos que abrir um guarda-chuva não faz chover porque conseguimos observar a ordem dos acontecimentos: primeiro vem a chuva, depois as pessoas abrem o guarda-chuva. Nos negócios, essa ordem nem sempre é tão evidente. Por isso, para descobrir se uma ação realmente causou um resultado, é preciso responder a uma pergunta central da causalidade: o que teria acontecido se eu não tivesse feito essa ação?

Imagine uma empresa que aumenta o investimento em uma campanha e as vendas sobem 20%. Para saber se a campanha realmente provocou esse crescimento, é preciso comparar esse resultado com um cenário em que pessoas semelhantes não receberam aquela campanha. É exatamente isso que um teste A/B tenta fazer: um grupo recebe a ação, outro grupo (o grupo de controle) não recebe. Se os dois grupos forem parecidos o suficiente e a única diferença relevante entre eles for a campanha, dá para comparar os resultados de forma confiável.

A diferença foi de 40 vendas. Essa é uma evidência muito mais forte de que a campanha provocou vendas adicionais do que simplesmente observar "a campanha estava rodando e as vendas aumentaram", sem nenhum grupo de comparação.

Nem sempre é possível rodar um experimento perfeito. Nesse caso, é preciso controlar outras explicações possíveis: a venda aumentou por causa de mais mídia, ou porque o preço caiu, era Black Friday, entrou um vendedor novo, a marca apareceu na TV, ou a procura pelo produto já estava crescendo por conta própria? Essas são as chamadas variáveis de confusão. Quanto melhor identificar e controlar essas variáveis, mais confiança dá para ter na relação de causa e efeito.

• Experimento controlado (teste A/B): compara um grupo que recebeu a ação com um grupo de controle que não recebeu, sempre que for possível rodar.
• Ordem temporal: a causa precisa acontecer antes do efeito; se a métrica já estava subindo antes da campanha começar, a campanha não pode ser a causa integral do movimento.
• Inferência causal: técnicas estatísticas para construir grupos comparáveis quando não é possível rodar um experimento controlado.

Existe um detalhe anterior a toda essa discussão: antes de tentar responder se algo causou o quê, os dados precisam estar conectados corretamente. Se a plataforma de anúncios registra um lead, o CRM registra outra coisa, e o financeiro não consegue identificar de onde veio a venda, o problema ainda está uma etapa antes: não dá para nem reconstruir com segurança o caminho campanha → lead → oportunidade → venda → receita. Primeiro essa cadeia precisa estar correta. Só depois faz sentido perguntar quanto dessa receita realmente aconteceu por causa da campanha.

“Rastreamento responde: de onde essa venda veio? Causalidade responde: essa venda teria acontecido sem essa ação? São duas perguntas completamente diferentes.”

Quando essa distinção importa de verdade

Para decisões operacionais do dia a dia (qual campanha pausar por performance ruim, onde está o furo entre CRM e mídia, se o tracking está funcionando), atribuição bem implementada já é suficiente. A distinção entre crédito e causalidade importa mais quando a decisão envolve realocar uma fatia grande do orçamento entre canais, especialmente entre um canal de topo de funil (que raramente aparece como último toque) e um canal de fundo de funil como branded search ou remarketing (que sistematicamente aparece perto da conversão).

Nesses casos, decidir com base apenas no relatório de atribuição (mesmo um relatório multi-touch tecnicamente correto) pode levar a cortar o canal que realmente gera demanda nova e reforçar o canal que só está "limpando" demanda que já existia.