O que é Attribution Theatre no marketing de SaaS?

Correlação vs causalidade descreve a diferença entre duas variáveis que se movem juntas (correlação) e uma variável que realmente provoca uma mudança em outra (causalidade). "Attribution Theatre" é a prática de apresentar dados de marketing correlacionados, como dashboards que mostram conversões em alta junto com uma campanha, como se provassem que a campanha causou o crescimento, quando nenhum teste controlado confirmou essa ligação. Para times de SaaS, confundir uma coisa com a outra despeja orçamento em canais que apenas parecem eficazes.

Qual é a diferença real entre correlação e causalidade?

Correlação significa que duas métricas sobem ou caem juntas. Causalidade significa que uma dessas métricas é diretamente responsável pela mudança na outra. Um time de SaaS pode notar que os cadastros em trial aumentaram na mesma semana em que lançou uma campanha de anúncios no LinkedIn. Isso é uma correlação. Saber se os anúncios realmente causaram esses cadastros, e não um lançamento de produto, uma menção na imprensa ou a demanda sazonal, é outra questão, que a correlação sozinha não responde.

Provar causalidade exige isolar uma variável mantendo todo o resto constante, geralmente por meio de um experimento controlado. Provar correlação não exige nada além de duas linhas num gráfico indo na mesma direção. Essa distância entre "se moveram juntas" e "causou o movimento" é exatamente onde a maioria dos relatórios de atribuição falha, e é onde o Attribution Theatre vive.

O que é Attribution Theatre?

Attribution Theatre é a prática de montar relatórios de atribuição polidos e de aparência confiante, que dão crédito a canais de marketing com base em correlação e depois apresentam esse crédito como se a causalidade estivesse provada. Parece rigor. Funciona como palpite.

A mecânica é parecida na maioria dos times de B2B SaaS que caem nisso. Um dashboard atribui receita a um canal, com base em regras de last-touch ou multi-touch. Ninguém fez um teste de holdout para verificar se essa receita teria aparecido de qualquer forma. O time apresenta o relatório numa reunião de board como um fato. A liderança realoca o orçamento com base nesse fato. Ninguém volta depois para checar se a realocação realmente mudou o resultado, porque o dashboard do trimestre seguinte já está para ser entregue.

O nome importa porque captura algo que o jargão dos relatórios costuma esconder: a encenação da certeza, não a sua substância. Um experimento de campo em larga escala no eBay é o caso documentado mais claro dessa distância. Como os cliques em buscas e o comportamento de compra são correlacionados, o retorno do paid search é uma fração das estimativas convencionais não experimentais, e os anúncios de palavras-chave de marca não têm benefícios mensuráveis no curto prazo (NBER). O estudo concluiu que, se o eBay desligasse seus anúncios de busca de marca, o tráfego para o site do eBay permaneceria praticamente igual, continuando a chegar pelos resultados de busca orgânica, que não custam nada ao eBay (CEPR). Os dashboards de atribuição vinham encenando esse teatro havia anos, creditando o investimento em anúncios por vendas que teriam acontecido de qualquer forma.

Por que isso importa para os times de growth de SaaS?

Os times de growth de SaaS estão estruturalmente expostos ao Attribution Theatre porque os fornecedores projetam ferramentas de atribuição para mostrar correlação e depois as rotulam como se mostrassem causalidade. O Google Analytics, a maior parte dos relatórios de CRM e os modelos multi-touch padrão operam todos sob o mesmo princípio: rastrear o que aconteceu antes de uma conversão e distribuir o crédito de acordo. Nenhum deles, por construção, consegue dizer o que teria acontecido sem aquele ponto de contato.

Pesquisas que replicaram esse padrão fora do eBay encontraram o mesmo efeito de substituição em escala menor, mas ainda significativa. Uma replicação no Edmunds.com encontrou o mesmo efeito de substituição, mas em magnitude bem menor, com menos da metade do tráfego de paid search recuperado pela busca orgânica. A direção do viés é consistente mesmo quando a magnitude varia, que é o padrão que qualquer time de growth deve esperar de relatórios baseados em correlação: eles tendem a superestimar o impacto, não a subestimá-lo.

A consequência financeira se acumula rápido para uma empresa de SaaS com orçamento enxuto. Uma análise de trabalhos de incrementalidade em escala de produção concluiu que a atribuição last-touch continua sendo o principal sinal de decisão na publicidade digital, apesar das muitas evidências de que os resultados atribuídos podem superestimar o impacto causal em 2 a 10 vezes. Um fundador que realoca investimento com base nesse número inflado não está otimizando. Está financiando a ilusão.

Para times de SaaS em estágio inicial e em fase de crescimento, isso importa mais do que para grandes empresas com áreas dedicadas de ciência de dados. Uma start-up de dez pessoas costuma ter um dashboard, um líder de growth e nenhuma capacidade de rodar uma análise causal paralela antes de cada decisão de orçamento. O Attribution Theatre prospera exatamente nesse ambiente: muita pressão para mostrar um número e pouca capacidade de questioná-lo.

Como identificar Attribution Theatre nos seus próprios relatórios?

Alguns sinais recorrentes separam uma afirmação causal genuína de uma teatral:

• Não existe grupo de controle nem holdout. Se ninguém consegue dizer como a métrica estaria sem o canal ou a campanha, o número no dashboard é uma correlação vestida de resultado.
• A "causa" foi, ela mesma, uma reação. Se um vendedor só oferece desconto a clientes que já mostram sinais de churn, o desconto vai se correlacionar com o churn, ainda que seja um sintoma, e não um motor.
• A linha do tempo não fecha. Se a suposta causa aconteceu depois do efeito, ou tão perto dele que outras dez coisas aconteceram ao mesmo tempo, não dá para separar a correlação do ruído.
• A métrica se moveu para todos, não só para o grupo tratado. Se sessões, receita ou cadastros subiram em todos os canais ao mesmo tempo, é improvável que uma única campanha seja a única responsável.
• Ninguém sabe explicar como seria o "sucesso" se a campanha tivesse fracassado. Uma afirmação causal precisa de um contrafactual falseável. Uma afirmação baseada em correlação raramente tem um.

Qualquer time que não consiga responder pelo menos três dessas perguntas sobre um resultado reportado está fazendo Attribution Theatre, quer chame assim ou não.

Como os times de SaaS passam da correlação para a causalidade?

A solução não é ter mais dashboards. É testar de forma controlada. Holdouts aleatórios, experimentos com divisão geográfica e rollouts em fases são as ferramentas padrão para isolar uma variável e observar seu efeito real, e não exigem um time de ciência de dados para rodar em pequena escala. Uma empresa de SaaS que testa um novo e-mail de onboarding pode deixar 10% dos novos cadastros sem recebê-lo e comparar as taxas de ativação. Esse único teste gera mais certeza causal do que um ano de dashboards baseados em correlação.

É aqui que a abordagem da Seedling para relatórios de growth difere da maioria das configurações de analytics padrão: ela leva os times a hipóteses testáveis e comparações com holdout, em vez de retratos estáticos de atribuição, de modo que uma vitória declarada precise passar por uma verificação antes de virar decisão de orçamento. O objetivo não é desconfiar de todo dashboard. É criar o hábito de perguntar como a métrica estaria sem a intervenção antes de dar crédito à intervenção.

O Attribution Theatre não é sinal de marketing ruim. É sinal de uma cultura de relatórios que premia respostas confiantes em vez de respostas corretas. Os times de SaaS que crescem com eficiência não são os que têm os modelos de atribuição mais sofisticados. São os que aceitam testar uma afirmação antes de agir sobre ela e admitir quando o dashboard mostrava uma coincidência, e não uma causa.