Marketing operations quando o clique some: MMM de volta ao centro e taxonomia de campanha como dado de produto

Marketing operations em 2026 enfrenta um problema de fundação: a atribuição por clique foi construída sobre o pressuposto de que cada venda deixa um rastro de cliques, e a IA quebrou esse pressuposto. Quando a resposta gerada por IA resolve a decisão sem clique, e mais de 60% das interações zero-clique terminam sem clique para fora, o rastro some. O que resta é a medição que nunca dependeu dele: o marketing mix modeling. E nada disso funciona sem taxonomia de campanha tratada como dado de produto.

A tese deste guia incomoda quem montou toda a operação de marketing em torno do clique rastreável. Por mais de uma década, a promessa do digital foi a atribuição perfeita: cada real gasto, um clique; cada clique, uma venda; cada venda, um crédito. Essa promessa nunca foi tão exata quanto se vendia, mas funcionava o suficiente. A IA não a degradou de leve — ela cortou a premissa pela raiz. Quando a jornada cruza uma resposta de IA que não gera clique, o modelo de atribuição não fica menos preciso; ele fica cego para o trecho mais decisivo. A resposta passa menos por um modelo de atribuição mais esperto e mais por voltar à medição que mede sem precisar enxergar o indivíduo.

Por que a atribuição por clique quebra quando o clique some?

Porque ela é, na essência, um seguidor de rastro. O modelo de atribuição observa a sequência de cliques que antecede uma compra e distribui crédito entre eles — todo crédito ao último, ou repartido, dependendo da regra. O método inteiro depende de uma coisa: que os toques relevantes da jornada sejam cliques rastreáveis. Tire essa condição e o método não fica impreciso; ele fica desinformado.

A IA tira essa condição de duas formas. A primeira é a resposta zero-clique: o usuário pergunta a um motor generativo, recebe a recomendação sintetizada e decide ali, sem clicar em nada externo. Esse toque — talvez o mais decisivo da jornada, porque é onde a marca foi recomendada — não deixa rastro clicável. A segunda é o deslocamento do toque final: depois de decidir via IA, a pessoa vai direto ao site ou pesquisa a marca pelo nome, gerando um último clique de altíssima intenção. A atribuição por clique credita 100% a esse último clique de marca e zero à recomendação da IA que de fato moveu a venda. O modelo não está errando por pouco; está premiando o mensageiro e ignorando a causa.

A atribuição por clique nunca mediu o que causou a venda. Mediu o que foi clicado por último. Enquanto a maior parte da jornada era clicável, a diferença passava despercebida. A IA tornou a maior parte da jornada não-clicável — e a diferença virou um buraco no relatório.

O perigo operacional é que esse buraco não acende alarme. O relatório de atribuição continua bonito: o search de marca tem ROAS altíssimo, o retargeting parece eficiente, tudo soma. O time corta o investimento em construção de demanda — vídeo, social, presença em fontes que a IA lê — porque “não atribuem venda no clique”, sem perceber que estão cortando exatamente o que alimenta a recomendação da IA lá no início. Três meses depois, a venda total cai e nenhum canal do relatório acusa culpa, porque o culpado nunca apareceu no rastro de cliques. É o erro mais caro do marketing data-driven: confiar num mapa que parou de mostrar o território.

Por que o MMM volta ao centro?

Porque o marketing mix modeling mede sem precisar rastrear o indivíduo — e essa é exatamente a capacidade que sobra quando o tracking individual falha. O MMM não segue o clique de uma pessoa; ele observa, ao longo do tempo, quanto se investiu em cada canal e quanto a empresa vendeu no total, e usa estatística para estimar a contribuição de cada canal, controlando por sazonalidade, preço, promoção e fatores externos. É medição de cima para baixo, sobre o agregado, não de baixo para cima, sobre o indivíduo.

Essa diferença de método é o que torna o MMM resistente ao que matou a atribuição por clique. Ele nunca dependeu de cookie, nunca dependeu de clique, nunca dependeu de enxergar a jornada de cada pessoa. Por isso ele atravessa intacto tanto a perda de cookie de terceiros quanto a jornada zero-clique da IA. O MMM não é uma novidade — é uma técnica antiga da era da TV e do rádio, justamente porque naquela época também não havia clique para rastrear. O que mudou é o contexto: ele havia sido marginalizado pela febre da atribuição perfeita, e volta ao centro agora porque o mundo voltou a se parecer com aquele em que ele foi inventado — um mundo onde boa parte do efeito do marketing não deixa rastro individual.

O MMM tem limitações honestas que precisam ser ditas: ele dá uma visão agregada e estratégica, não diz qual criativo específico converteu, exige histórico de dados e é sensível à qualidade do investimento informado. Por isso a operação madura não escolhe entre MMM e atribuição — ela usa os dois em camadas, com um terceiro elemento amarrando: a incrementalidade.

Método	O que mede	Depende de clique?	Resiste à IA zero-clique?	Melhor para
Atribuição por clique	Sequência de toques clicáveis	Sim	Não	Otimização tática de canais clicáveis
MMM	Contribuição do canal sobre a venda total	Não	Sim	Alocação estratégica de budget
Incrementalidade	Receita causada pela campanha	Não	Sim	Validar causa, calibrar os outros dois

Por que incrementalidade é o juiz que reconcilia os dois?

Porque tanto a atribuição quanto o MMM são estimativas, e estimativas precisam de uma âncora empírica para não derivar. A incrementalidade fornece essa âncora ao responder a única pergunta que importa de verdade: quanto de receita esta campanha adicionou que não existiria sem ela? Ela responde isso com experimento — geo holdout, que desliga a campanha em regiões de controle e compara, ou conversion lift, que expõe um grupo de controle ao acaso e mede a diferença.

O papel da incrementalidade na operação é ser o juiz que calibra os outros dois métodos. Quando o MMM estima que o canal X contribui com tanto, um teste de incrementalidade no canal X confirma ou corrige essa estimativa com dado causal. Quando a atribuição credita demais ao search de marca, um holdout de search de marca revela quanto dessa venda aconteceria sem o anúncio. Sem incrementalidade, atribuição e MMM são dois modelos discordando sem árbitro; com ela, viram duas lentes calibradas contra a realidade. Essa é a mesma disciplina que rege a mídia paga quando a IA comprime o funil — a régua final não é o que a plataforma reporta nem o que o modelo estima, é o que o experimento prova.

Por que a taxonomia de campanha é dado de produto, não naming?

Porque toda a medição que vem depois — atribuição, MMM, relatório de ROAS, MER — é construída sobre os nomes, UTMs e convenções com que as campanhas foram cadastradas. A taxonomia de campanha é a camada de dados de entrada de marketing. E vale a regra mais velha da computação: lixo na entrada, lixo na saída. Se a mesma campanha aparece como “BlackFriday”, “black-friday”, “BF2026” e “Black_Friday_SP” em quatro lugares, nenhum modelo downstream consegue saber que são a mesma coisa — e a análise inteira nasce corrompida, por mais sofisticado que seja o método.

Tratar taxonomia como naming é tratá-la como combinado informal: alguém escreve uma planilha de convenções, metade do time segue, ninguém valida, e o caos se acumula silenciosamente até a análise não fechar. Tratar taxonomia como dado de produto é o oposto: ela é governada com a disciplina de um schema. Tem estrutura definida (campanha, canal, audiência, criativo, geografia, em campos padronizados), é validada na entrada (UTM mal formada é rejeitada, não corrigida depois), é versionada (mudou a convenção, registra-se quando e por quê) e é obrigatória (não existe campanha sem taxonomia válida). É a mesma mentalidade que torna o catálogo legível por máquina — a de structured data e catálogo machine-readable — aplicada à camada de marketing: o dado é um produto com contrato, não um texto livre.

Nenhum modelo de atribuição ou MMM, por mais avançado, conserta dado de entrada sujo. A taxonomia de campanha é a fundação invisível da medição — e fundação que ninguém governa é fundação que cede no pior momento, que é quando a diretoria pede o número.

Como o MER fecha o que a atribuição fragmenta?

A atribuição, por natureza, fragmenta a venda em pedaços de crédito por canal, e na era da IA esses pedaços não somam a verdade — porque parte da jornada não deixou rastro e vários canais reivindicam a mesma conversão. O MER (Marketing Efficiency Ratio) resolve isso por agregação: é a receita total da empresa dividida pelo gasto total de marketing, sem atribuir nada a ninguém. Não diz qual canal converteu, mas diz a verdade de caixa — para cada real de marketing no agregado, quantos reais de receita a empresa fez.

O MER é o número que não se deixa enganar pela jornada cruzando IA, social, retail media e busca no mesmo dia, porque não tenta rastrear a jornada — só olha o resultado no caixa. Por isso ele entra no topo do painel de marketing operations como a métrica de sanidade: a atribuição e o MMM informam a alocação entre canais, a incrementalidade calibra a causa, e o MER verifica se o conjunto está, no agregado, gerando receita eficiente. Quando a soma dos ROAS de plataforma “explica” mais venda do que a empresa fez — sintoma clássico de dupla contagem —, é o MER que denuncia a ficção, porque ele só conhece a receita real e o gasto real.

Onde o e-commerce mais erra em marketing operations?

O primeiro erro é continuar gerindo budget pela atribuição por clique como se a IA não tivesse quebrado a premissa. O time olha o relatório de last click, vê o search de marca brilhando, e realoca verba da construção de demanda para a colheita de fundo — alimentando o próprio declínio sem que o relatório acuse. Atribuição por clique virou, na melhor das hipóteses, sinal tático para canais clicáveis; usá-la como verdade estratégica de alocação é pilotar olhando um instrumento que descalibrou.

O segundo erro é negligenciar a taxonomia por ser “chata”. Ninguém ganha promoção arrumando UTM, então a tarefa é eternamente adiada, até o dia em que a análise não fecha e descobre-se que três anos de dados estão poluídos sem conserto retroativo. Taxonomia ruim não dá erro visível no curto prazo — ela apodrece o dado em silêncio e cobra a conta na hora da decisão importante. Governá-la como dado de produto, desde o início, é barato; consertá-la depois é caro ou impossível.

O terceiro erro é escolher um único método e brigar pela religião. Há quem só acredite em MMM e despreze atribuição, e há quem só confie no clique e ache MMM “caixa-preta”. Os dois extremos perdem. A operação madura usa MMM para a alocação estratégica, atribuição para a otimização tática do que ainda é clicável, incrementalidade para calibrar ambos contra a causa, e MER como verdade agregada de caixa. Não é escolher uma lente; é montar o conjunto de lentes que, juntas, mostram o que nenhuma sozinha mostra.

A decisão prática

Pare de tratar a atribuição por clique como a fonte da verdade e comece a montar uma pilha de medição em camadas. Concretamente: adote o MMM para decidir a alocação estratégica de budget entre canais, mantenha a atribuição apenas como sinal tático dos canais que ainda são clicáveis, ancore tudo em testes de incrementalidade que provem a causa, e ponha o MER no topo como verdade de caixa. Nenhuma camada sozinha é confiável na era da IA; o conjunto é.

Antes de qualquer modelo, porém, conserte a fundação: governe a taxonomia de campanha como dado de produto. Defina o schema de naming e UTM, torne a validação obrigatória na entrada e versione as convenções. Sem isso, MMM, atribuição e MER são modelos sofisticados rodando sobre dado sujo — e o resultado parece preciso justamente porque a sujeira não acende alarme.

Próximo passo

Faça um teste de estresse no seu marketing operations hoje. Exporte os nomes e UTMs das campanhas dos últimos noventa dias e conte de quantas formas diferentes a mesma campanha foi cadastrada — se a resposta for mais de uma, a sua medição já está construída sobre areia. Depois, pegue o canal que mais consome orçamento e pergunte: a justificativa desse gasto vem da atribuição por clique, que a IA tornou cega para metade da jornada, ou de um teste de incrementalidade que prova quanto ele de fato adicionou? Se a taxonomia está bagunçada e a verba é guiada pelo clique, o problema vai além do seu modelo de atribuição: você está medindo, com instrumentos do mundo do clique, um mundo em que o clique sumiu.