Qual modelo de atribuição usar para saber qual canal realmente gera o paciente na clínica odontológica?

"Qual modelo de atribuição eu uso para saber qual canal realmente trouxe o paciente que fechou na minha clínica?"

O paciente fechou um tratamento de R$8 mil. Você olha o relatório e ele aparece como "tráfego direto". Veio do quê?

Do Google? Do Instagram que ele acompanha há meses? Da indicação da cunhada? Do anúncio que ele viu no sofá e ignorou, mas plantou o nome da clínica na cabeça?

Sem uma regra para distribuir esse crédito, você decide no escuro. Corta o canal que parece improdutivo e descobre tarde que ele era quem alimentava todos os outros.

Essa regra tem nome: modelo de atribuição. E a má notícia é que o modelo padrão da maioria das plataformas é justamente o que mais distorce a leitura.

A boa notícia: dá para montar um arranjo que enxerga o paciente de verdade, e não só o último clique.

Neste guia você vai ver:

• O que é um modelo de atribuição e por que ele decide onde você investe
• Os seis modelos clássicos (e o que cada um esconde)
• MTA, MMM e incrementalidade: as três lentes que medem mídia
• Por que a clínica é o caso mais difícil de atribuir (e como resolver)
• O arranjo recomendado: autodeclaração + rastreio + funil até a cadeira

O que é um modelo de atribuição (e por que ele decide a sua verba)

Comece pela definição, porque ela já mostra a armadilha.

Um modelo de atribuição é a regra que distribui o crédito de uma conversão entre os pontos de contato da jornada. No seu caso, a conversão é o paciente, e os pontos de contato são os canais que ele tocou antes de agendar.

A jornada quase nunca é de um toque só. Pensa assim: o paciente viu seu Reels, depois pesquisou no Google, leu suas avaliações no Maps, recebeu uma indicação e só então mandou mensagem. Foram cinco toques. Quem merece o crédito?

O modelo é quem responde. E a resposta muda a sua decisão de verba.

Lembre: atribuição não é um detalhe de relatório. É o que define qual canal você corta e qual você reforça. Modelo errado, decisão errada, dinheiro no lugar errado.

É por isso que escolher o modelo (ou, melhor, combinar modelos) importa tanto para quem investe sério em mídia. Antes de listar as opções, defina os critérios de escolha.

Antes de escolher: 4 critérios que decidem o modelo certo

Não existe modelo universalmente melhor. Existe o que serve à sua jornada e à sua pergunta. Avalie cada modelo por estes quatro critérios.

1. Onde fica o foco do funil. O modelo dá crédito ao topo (descoberta), ao fundo (decisão) ou distribui? Se você quer entender quem traz paciente novo, um modelo que só vê o fundo te engana.

2. Quantos toques ele enxerga. Modelos de toque único (primeiro ou último) ignoram o caminho. Modelos multi-touch consideram a jornada inteira. Quanto mais longa a decisão do seu paciente, mais o toque único distorce.

3. Quanto ele depende de rastreio digital. Alguns modelos vivem de cookie e clique. Com as restrições de privacidade, isso virou ponto fraco. Quanto mais o modelo depende do rastreio do usuário, menos confiável ele fica.

4. Se ele captura o offline. A clínica fecha muito paciente por telefone e na recepção. Nenhum modelo de plataforma vê isso sozinho. O critério aqui é: o que tapa o buraco do offline?

Com esses quatro filtros na mão, veja os modelos um a um.

Os 6 modelos de atribuição clássicos (e o que cada um esconde)

Aqui estão os modelos baseados em regra, do mais simples ao mais sofisticado. Cada um distribui o crédito de um jeito, e cada um tem um ponto cego.

1. Última interação (last-touch)

O último ponto de contato antes da conversão recebe 100% do crédito, segundo a Ajuda oficial do Google Analytics.

É o padrão da maioria das plataformas e o mais simples de entender. Também é o mais enganoso.

Ele supervaloriza o fundo de funil. Busca pelo nome da clínica, remarketing e o clique final levam todo o mérito, enquanto o Instagram e o anúncio que plantaram a decisão somem do relatório. Você olha e pensa "o Google traz tudo", corta o resto, e o Google murcha junto, porque ninguém mais alimentava a busca.

Quando serve: jornada curtíssima, decisão por impulso. Raro em odonto de ticket alto.

2. Primeira interação (first-touch)

O primeiro ponto de contato da jornada recebe 100% do crédito pela conversão, segundo o Google Analytics.

É o espelho do anterior. Bom para entender descoberta: qual canal apresenta a sua clínica a quem nunca tinha ouvido falar.

O ponto cego é simétrico. Ele ignora tudo que aconteceu depois do primeiro toque, inclusive o esforço de fechamento. Premia quem trouxe o curioso, não quem converteu o paciente.

Quando serve: medir topo de funil e prospecção de público novo.

3. Linear

Cada ponto de contato no caminho da conversão divide a mesma porcentagem de crédito, segundo o Google Analytics. Com quatro toques, cada um leva 25%.

É democrático e simples de explicar. Reconhece que a jornada teve várias etapas, sem escolher favorito.

O problema é que ele trata todos os toques como iguais, e não são. A indicação que fechou o paciente vale mais que o anúncio que ele passou batido. O linear achata essa diferença.

Quando serve: quando você quer reconhecer toda a jornada e não tem dado para pesar os toques.

4. Decaimento temporal (time-decay)

Os pontos de contato mais próximos no tempo da conversão recebem mais crédito do que os mais antigos, segundo o Google Analytics.

É uma melhora sobre o linear: assume que o toque perto do agendamento pesou mais na decisão. Faz sentido para jornadas longas, onde o último empurrão importa.

O risco é repetir o vício do último clique em dose menor: ainda subvaloriza a descoberta. O canal que trouxe o paciente meses antes leva migalhas.

Quando serve: ciclos de decisão longos, onde o fechamento recente claramente teve mais peso.

5. Com base na posição (U-shape)

40% do crédito vai para a primeira interação, 40% para a última, e os 20% restantes se distribuem entre as interações do meio, segundo o Google Analytics.

É o modelo de regra mais equilibrado para a maioria das clínicas. Ele premia as duas pontas que mais importam: quem descobriu o paciente e quem fechou, sem ignorar o meio.

Para odonto, costuma ser o melhor ponto de partida entre os modelos baseados em regra. Reconhece que descoberta e fechamento são os dois momentos decisivos.

O limite: os 40/40/20 são uma escolha fixa, não um cálculo. Pode não refletir a sua jornada real.

Quando serve: default razoável quando topo e fundo de funil importam, e você não tem volume para um modelo algorítmico.

6. Baseado em dados (data-driven / algorítmico)

Em vez de uma regra fixa, este modelo distribui o crédito pela contribuição real de cada canal, usando o histórico de conversões para calcular o peso de cada toque.

É o mais sofisticado. Em vez de você decidir 40/40/20 no chute, o algoritmo aprende, dos seus próprios dados, quanto cada canal de fato move a agulha.

Mas tem dois pré-requisitos duros: volume de conversões suficiente para o algoritmo aprender e rastreio digital íntegro. Clínica costuma ter volume baixo e jornada que vaza para o offline, então o data-driven sozinho raramente fecha a conta.

Quando serve: quando há volume alto e a jornada é majoritariamente digital e rastreável.

Tabela: os 6 modelos lado a lado

Compare de uma vez como cada modelo distribui o crédito e onde ele falha.

Modelo	Como distribui o crédito	Foco	Ponto cego
Última interação	100% no último toque	Fundo de funil	Apaga descoberta; engana muito
Primeira interação	100% no primeiro toque	Topo de funil	Ignora o fechamento
Linear	Igual entre todos (ex: 25% cada)	Jornada inteira	Trata toques diferentes como iguais
Decaimento temporal	Mais crédito perto da conversão	Decisão recente	Subvaloriza a descoberta
Com base na posição	40% primeiro + 40% último + 20% meio	Duas pontas	Pesos fixos, não calculados
Baseado em dados	Por contribuição real (algoritmo)	Contribuição medida	Exige volume e rastreio íntegro

Definições dos cinco primeiros modelos conforme a Ajuda oficial do Google Analytics.

Repare no padrão: todo modelo de plataforma vê só o que é digital e rastreável. Guarde isso, porque é o calcanhar de Aquiles da clínica.

Multi-touch attribution (MTA): além de premiar um canal só

Os modelos linear, decaimento, posição e data-driven são, na prática, formas de multi-touch attribution (MTA).

MTA é uma técnica de mensuração que considera todos os pontos de contato da jornada e atribui crédito fracionado a cada um, segundo a Nielsen, em vez de dar tudo a um único canal.

A mesma fonte deixa o contraste claro: no first-touch o primeiro toque leva 100%, no last-touch o último leva 100%, e no linear todos recebem crédito igual, segundo a Nielsen.

A vantagem do MTA é óbvia: ele reconhece que o paciente não decide num toque só. O problema apareceu depois.

As restrições de privacidade derrubaram a precisão do MTA. Com o fim dos cookies de terceiros e o aperto nas regras de dados, as plataformas perdem acesso à jornada do usuário, o que tende a reduzir a eficácia da atribuição multi-touch, segundo a Exame.

E tem um limite que privacidade nenhuma resolve.

O que o MTA nunca captura (e por que isso te morde na clínica)

MTA mede clique e toque digital. O que não deixa rastro digital, ele não vê.

Modelos multi-touch comuns não captam investimentos em marca, podcasts, mídia out-of-home nem o efeito de um influenciador, segundo a Exame.

Traduza isso para a sua realidade:

• Indicação e boca a boca: o canal mais quente da clínica não tem cookie. O MTA o subdimensiona ou o joga em "direto".
• Marca: o paciente que lembrou do seu nome porque te vê no Instagram há um ano aparece como "busca de marca", e o crédito vai para o Google, não para o branding.
• Offline: outdoor, rádio local, evento, patrocínio. Tudo invisível para o rastreio.

O efeito prático é cruel: você corta investimento em marca e indicação porque "não dão resultado no relatório", e seu fundo de funil seca. O relatório estava cego, não o canal.

Lembre: o que o modelo não mede não deixa de existir. Ele só some do relatório. E canal que some do relatório é o primeiro a ser cortado por engano.

MTA, MMM e incrementalidade: as três lentes que medem mídia

Atribuição por modelo é uma das três formas de medir o efeito da mídia. Para decisão grande, vale conhecer as três e combiná-las.

MTA (multi-touch attribution). Distribui crédito por toque, no nível do usuário, ao longo da jornada. É granular e bom para otimizar o digital no dia a dia. Fraqueja com privacidade e não vê offline.

MMM (marketing mix modeling). Um modelo estatístico de cima para baixo que mede a contribuição de cada canal pelo gasto agregado ao longo do tempo. Não depende de cookie nem de rastreio individual, então captura também o offline e a marca. Em troca, é menos granular e pede histórico.

Teste de incrementalidade (lift test). Compara um grupo exposto à mídia com um grupo de controle não exposto para medir o impacto causal real do canal. É o mais próximo de uma verdade de campo: responde "se eu desligar isso, quantos pacientes eu perco de fato?".

Cada lente cobre o ponto cego da outra:

Lente	O que mede	Captura offline/marca?	Quando usar
MTA	Crédito por toque na jornada digital	Não	Otimizar o digital no dia a dia
MMM	Contribuição por gasto agregado no tempo	Sim	Decidir a verba entre canais (incl. offline)
Incrementalidade	Impacto causal (exposto x controle)	Sim	Provar se um canal vale o investimento

Você não precisa das três no primeiro mês. Mas saber que existem evita o erro de tratar o número do último clique como verdade absoluta.

Por que a clínica é o caso mais difícil de atribuir

Aqui está o ponto que quase nenhum guia de marketing genérico considera: a jornada odontológica vaza para fora do digital o tempo todo.

Muito paciente agenda por telefone. Muito fecha na recepção, depois da avaliação presencial. Muito chega por indicação, que não tem clique. Nada disso entra no rastreio da plataforma.

E o lead chega quando você não está olhando. Nas clínicas atendidas pela Odonto Results, 43,8% dos leads chegam fora do horário comercial e 19,8% no fim de semana, dados internos da Odonto Results. O paciente pesquisa à noite, em vários canais, e fecha dias depois por um caminho que o relatório não viu.

O resultado é uma atribuição cega: o relatório te mostra um pedaço da verdade e esconde o resto. Se você decidir verba só pelo que a plataforma registra, vai cortar exatamente o canal que traz o paciente que fecha offline.

Por isso, na clínica, nenhum modelo de plataforma resolve sozinho. A solução não é escolher o modelo perfeito. É somar fontes de dado até enxergar o paciente inteiro.

Como rastrear a origem na prática (sem depender só da plataforma)

Você tapa o buraco do offline combinando rastreio digital com dado próprio. Cinco peças resolvem a maior parte:

1. UTM em todo link. Parâmetros na URL que dizem de onde veio o clique (campanha, canal, criativo). É o básico do rastreio digital e não custa nada.

2. gclid no Google. O identificador de clique do Google liga o anúncio à conversão dentro do ecossistema dele. Garante que o lead de busca seja atribuído certo.

3. Call tracking. Número de telefone que mostra a origem da ligação. Como muito paciente liga em vez de clicar, sem isso a ligação vira "origem desconhecida".

4. A pergunta "como você conheceu a clínica?". A peça mais subestimada e a mais poderosa na odonto. Registrada no atendimento e no sistema de gestão, ela captura justamente o que o digital não vê: indicação, marca, offline. É a sua fonte de verdade para o que não tem cookie.

5. Integração com o CRM e o sistema de gestão. Ligar a origem do lead ao desfecho (agendou, compareceu, fechou) é o que transforma atribuição em decisão de negócio. Veja como saber de onde vem cada paciente.

Combine as cinco e você cruza o que a máquina rastreia com o que o paciente declara. É a única forma de não ser refém de um modelo só.

A métrica que decide: não é o lead, é o paciente na cadeira

Mesmo com a atribuição certa, você pode olhar o número errado.

O erro clássico é atribuir leads e parar aí. Lead atribuído ao Google ou ao Meta não paga a clínica. O que paga é o paciente que comparece e fecha.

Por isso, ligue a mídia à receita, não ao volume. As métricas que importam:

• Custo por agendamento por canal: quanto cada canal custa para gerar um paciente que marca, não só um lead que some.
• Custo por tratamento fechado por canal: o número final. Liga o canal ao caixa.
• Comparecimento por canal: o lead do canal A pode ser barato e nunca aparecer; o do canal B, caro e sempre comparecer.

Pensa assim: dez leads do Instagram que viram dois tratamentos fechados valem mais que cem leads de um canal que não fecha nenhum. A atribuição te diz a origem; a métrica de cadeira te diz o que fazer com ela.

Lembre: curtida, alcance e tráfego não são atribuição. São vaidade. Atribuição de verdade termina em paciente na cadeira, por canal, ligado à receita. Veja como medir se a agência traz paciente ou só lead.

Vaidade x resultado: o que não conta como atribuição

Vale separar o que parece atribuição e não é, porque muita decisão se apoia no número errado.

Não é atribuição: número de curtidas, alcance do post, visitas no site, volume bruto de leads, CTR do anúncio. São sinais de atividade, não de paciente.

É atribuição: a origem rastreada do lead, cruzada com o desfecho dele no funil, traduzida em custo por paciente que fechou.

A diferença é simples de testar. Se o número sobe e a sua agenda de avaliação continua vazia, era vaidade. Se ele liga o canal ao paciente que compareceu, era resultado. Veja como distribuir a verba entre canais com base no que realmente fecha.

Como escolher o arranjo certo para o porte e a jornada da sua clínica

Junte tudo numa decisão prática, calibrada pelo seu volume e pela sua jornada.

Clínica com volume menor ou jornada longa de alto ticket. Comece pelo modelo com base na posição (premia descoberta e fechamento) e apoie pesado na autodeclaração e no call tracking. Volume baixo não sustenta data-driven, e o alto ticket vaza muito para o offline.

Clínica com volume alto e jornada majoritariamente digital. Um modelo data-driven pode aprender dos seus dados, mas ainda complemente com a pergunta "como conheceu" para capturar indicação e marca.

Clínica que investe forte em marca, indicação e offline. Aí o modelo de plataforma sozinho mente. Suba para uma visão de mix (MMM) e, quando puder, teste incrementalidade no canal que você suspeita estar sendo sub ou superavaliado.

Em todos os casos, a regra de ouro é a mesma: não confie num único modelo de plataforma. Cruze fontes.

O modelo recomendado na prática: a tríade que enxerga o paciente inteiro

Para clínica odontológica, o arranjo que funciona não é um modelo. É a soma de três:

1. Autodeclaração ("como você conheceu a clínica?"). Captura o que o digital não vê: indicação, marca, offline, boca a boca. É a sua fonte de verdade para o canal sem cookie.

2. Rastreio digital (UTM, gclid, call tracking). Captura com precisão o que é online e rastreável. Mostra qual anúncio e qual busca trouxe o clique.

3. Visão de funil até a cadeira. Cruza a origem com o desfecho (agendou, compareceu, fechou) e converte tudo em custo por paciente por canal.

Essa tríade cobre os pontos cegos de qualquer modelo isolado. O modelo de plataforma vira um insumo, não a sentença final.

E é exatamente esse cruzamento, origem declarada mais rastreio mais funil, que separa quem sabe onde investir de quem chuta. Quem enxerga o paciente inteiro corta o canal certo e dobra a aposta no que de fato lota a agenda.

Seu próximo passo

1. Implemente a autodeclaração já. Coloque "como você conheceu a clínica?" no script do primeiro atendimento e no sistema de gestão. É a peça mais barata e a que mais revela. Comece a registrar esta semana.

2. Feche o rastreio digital. Garanta UTM em todo link, gclid no Google e call tracking nas ligações. Sem isso, metade da sua mídia vira "origem desconhecida".

3. Ligue origem ao desfecho. Cruze de onde veio cada lead com o que aconteceu com ele no funil até a cadeira, e passe a decidir verba por custo por paciente que fechou, não por lead atribuído.

Quer parar de decidir verba no escuro e medir cada canal pelo paciente que de fato compareceu e fechou? Agende uma apresentação.