Toda reunião de resultado tem o mesmo momento constrangedor.
O gestor de tráfego abre o Google Ads e mostra 120 conversões no mês. O time de marketing abre o CRM e conta 74 leads. O comercial fechou 9 negócios, mas jura que só 3 vieram de anúncio.
Três números. Três fontes. Nenhuma delas mentindo.
Aí começa a conversa errada: alguém desconfia da agência, alguém desconfia da ferramenta, alguém desconfia do vendedor. Ninguém desconfia da regra que decide quem leva o crédito por uma conversão — que é exatamente onde o problema está.
E em 2026 essa regra mudou sem pedir licença a ninguém.
O que o Google mudou em 2026
Até o meio deste ano, o Google Ads permitia escolher entre seis modelos de atribuição. Agora restam dois.
Em julho de 2026, o Google encerrou a possibilidade de selecionar os modelos de primeiro clique, linear, decaimento temporal e baseado em posição. A partir de setembro, qualquer ação de conversão que ainda utilizasse um deles foi migrada automaticamente — para atribuição baseada em dados nas contas com volume suficiente, e para último clique nas demais. Não houve opção de recusa.
A mudança acontece no nível da ação de conversão, em silêncio. Campanha, orçamento e painéis continuam iguais. Se ninguém da equipe abriu as configurações de conversão neste período, a conta parece intocada — e os relatórios do último trimestre não são comparáveis com os anteriores.
O movimento não é novo. O Google adotou atribuição baseada em dados como padrão desde setembro de 2021 e vinha sinalizando a aposentadoria dos modelos por regra. Segundo a própria empresa, menos de 3% das conversões web do Google Ads ainda usavam os quatro modelos removidos, e a migração para o modelo baseado em dados tende a elevar o número de conversões reportadas em torno de 6%.
Guarde esse último dado. Ele significa que parte da variação que você viu no relatório recente pode não ter relação nenhuma com desempenho de mídia.
Os dois modelos que restaram
Último clique. Todo o crédito vai para a última interação com anúncio antes da conversão. É simples, auditável e profundamente enganoso: superestima fundo de funil — busca de marca, remarketing — e apaga tudo que construiu a demanda antes.
Baseado em dados (data-driven). Um modelo de machine learning distribui o crédito conforme o comportamento observado na sua conta, comparando caminhos que converteram com caminhos que não converteram. É tecnicamente superior, com duas condições: precisa de volume de conversão, e é tão bom quanto o dado que recebe.
A segunda condição é onde quase toda operação trava. E nenhum dos dois modelos resolve o problema de os números não baterem entre plataformas — porque essa divergência raramente vem do modelo.
Por que os números não batem
Cinco causas explicam a maior parte dos casos.
1. Janelas de conversão diferentes
O Google Ads atribui a conversão à data do clique, não à data em que ela ocorreu. Alguém que clicou em 28 de março e virou lead em 3 de abril aparece em março no Ads e em abril no CRM.
Fim do mês, os relatórios não fecham. E não vão fechar, porque estão contando períodos diferentes.
2. Dupla contagem entre plataformas
Uma única conversão pode ser legitimamente reivindicada por mais de uma plataforma ao mesmo tempo. Quem viu um anúncio no Meta, clicou em um anúncio no Google e converteu vai aparecer nos dois painéis. Nenhum está mentindo — cada um aplica sua própria regra.
Some as conversões de todos os canais e você chega a um total maior do que o número real de conversões do negócio.
3. UTMs quebradas, ausentes ou sobrescritas
Um redirect mal configurado, um encurtador, um parâmetro digitado errado, um formulário que não persiste a UTM entre páginas — e o lead cai no CRM como “direto” ou “orgânico”.
É a causa mais comum e a mais subestimada. Consultorias especializadas em dados, como a beAnalytic, relatam que auditorias de atribuição em campanhas pagas frequentemente revelam falhas de marcação como origem de divergências que vinham sendo tratadas como problema de mídia. O canal não performava mal. A etiqueta estava errada.
Se você não audita UTM periodicamente, seu relatório por canal é ficção bem formatada.
4. Conversão offline que nunca volta
Este é o buraco mais caro.
Em vendas B2B ou de ticket alto, o que importa não acontece no site. Acontece no telefone, na reunião, na assinatura — semanas depois.
Se esse desfecho não retorna para a plataforma via importação de conversão offline, o algoritmo está otimizando para “preencheu formulário”, não para “gerou receita”. Ele vai entregar mais volume de lead ruim com eficiência crescente, porque foi isso que você mediu.
Você paga pelo que otimiza. E otimiza pelo que mede.
5. Definições diferentes de “lead”
Marketing conta preenchimento de formulário. Comercial conta contato que atendeu. Diretoria conta proposta enviada. Três definições, três números, zero acordo.
Não é problema de ferramenta. É problema de dicionário.
O que a pesquisa mostra sobre o custo disso
Essa bagunça tem preço, e ele já foi medido.
A Analytic Partners, que mantém a base ROI Genome com dados de mais de mil marcas em dezenas de países, encontrou que métricas de ROAS isoladas por plataforma superestimam o impacto da busca paga entre 2 e 10 vezes. A mesma pesquisa indica que cerca de 30% dos cliques em busca paga são gerados por outras formas de marketing, e que 45% do impacto da publicidade está em elevar o retorno de outros canais — o chamado efeito halo, que modelos de último clique simplesmente não enxergam.
O número mais duro do estudo é o da alocação: quando a decisão de investimento é priorizada por medição isolada, perde-se cerca de 35 centavos de oportunidade a cada real gasto.
O problema começa antes da atribuição, na qualidade do dado. Pesquisa da Adverity divulgada em 2025 com CMOs de cinco países apontou que 45% do dado usado para decisão de negócio em marketing está incompleto, impreciso ou desatualizado, e que 43% dos CMOs acreditam que menos da metade do seu dado de marketing é confiável. O levantamento indica ainda que o problema é transversal: varia pouco por porte, setor ou região.
Um estudo anterior da mesma empresa, conduzido pela Sirkin Research com 964 profissionais de marketing e analistas de dados nos Estados Unidos, Reino Unido e Alemanha, mostrou que a desconfiança aumenta conforme se sobe na hierarquia. Entre analistas, 41% apontavam baixa confiança no relatório de marketing por inconsistências; entre CTOs e CDOs, o índice chegava a 51%. A causa número um apontada pelos dois grupos foi o tempo gasto em tratamento manual de dados.
Ou seja: não é impressão sua. A empresa média decide verba com dado que ela própria não considera confiável.
O custo aparece como decisão, não como erro
Divergência de atribuição não vira linha vermelha na planilha. Vira escolha ruim.
Um canal que gera demanda é cortado porque, no último clique, nunca aparece como responsável. Uma campanha de marca recebe crédito por vendas que apenas colheu. Verba migra de topo para fundo até o fundo secar, porque ninguém alimenta mais o topo.
Em algum ponto dessa sequência, uma agência competente é trocada por causa de um relatório que estava medindo a coisa errada.
Há ainda um custo silencioso. Quando os números não batem, as pessoas param de confiar em qualquer número. A reunião de resultado vira debate de opinião — e ganha quem fala mais alto, não quem tem razão.
O que checar antes de cortar verba ou trocar de agência
- Verifique qual modelo suas conversões estão usando hoje. Depois da migração de setembro de 2026, pode não ser o que você escolheu. Leva quinze minutos.
- Padronize as UTMs. Uma convenção única, escrita, obrigatória, para toda campanha de todo canal. Audite os parâmetros trimestralmente.
- Escreva um dicionário de métricas. Documento curto definindo lead, oportunidade e cliente. Marketing, comercial e diretoria assinam a mesma definição.
- Alinhe as janelas. Decida se a empresa reporta por data de clique ou data de conversão, e aplique a mesma regra em todo relatório.
- Ative a importação de conversão offline. Levar o desfecho de vendas de volta para a plataforma é o ajuste de maior impacto e o mais negligenciado.
- Estabeleça uma fonte única de verdade. Um lugar onde dado de mídia, CRM e receita se encontram. Não precisa ser complexo. Precisa ser único.
O ponto
Não existe modelo de atribuição perfeito, e a escolha entre os dois que restaram importa menos do que a qualidade do dado que os alimenta.
Agência boa com dado ruim entrega resultado ruim — e vai continuar entregando, porque está otimizando para o alvo errado com toda a competência do mundo.
Se os seus números não batem hoje, o primeiro passo não é trocar de modelo nem de fornecedor. É mapear onde o dado quebra entre o clique e o contrato.
Fontes
- Google Ads Ajuda — Sobre modelos de atribuição: https://support.google.com/google-ads/answer/6259715
- Search Engine Land — Google encerra quatro modelos de atribuição: https://searchengineland.com/google-sunsets-attribution-models-395297
- Analytic Partners, ROI Genome — Data Doesn’t Lie, but Your Marketing Metrics Can Mislead You: https://analyticpartners.com/knowledge-hub/roi-genome/data-doesnt-lie-but-your-marketing-metrics-can-mislead-you/
- Adverity / BusinessWire (2025) — Almost 50% of Marketing Data is Inaccurate: https://www.businesswire.com/news/home/20250904620656/en/Almost-50-of-Marketing-Data-is-Inaccurate-Reveals-New-Research
- Adverity / Sirkin Research — Marketing Analytics State of Play: https://www.adverity.com/blog/analysts-dont-trust-data-that-drives-marketing-decisions
