aiox-core 5.0.5 → 5.0.7

package/pro/squads/data/tasks/build-attribution.md

@@ -0,0 +1,1695 @@
+# Build Attribution Model Task
+
+## Purpose
+
+Construir modelos de attribution marketing completos para entender como diferentes canais e touchpoints contribuem para conversões. Este task guia a implementação de múltiplos modelos de attribution (first-touch, last-touch, linear, time-decay, position-based e data-driven), mapeamento de canais, definição de janelas de conversão e metodologia multi-touch attribution (MTA).
+
+## Workspace Output Contract
+
+- Preflight: `*workspace-preflight` + `*workspace-context {slug}`
+- Output canônico (template-first): `workspace/businesses/{slug}/analytics/attribution-report.yaml`
+- Output canônico adicional: `workspace/businesses/{slug}/analytics/dmmm.yaml`
+- Output custom (ad-hoc): `docs/data/{slug}/attribution-analysis-{date}.md`
+- Regra: escrita canônica só se existir template correspondente em `workspace/_templates/analytics/`
+
+---
+
+## Primary Agent
+
+**Avinash Kaushik** - Digital Analytics Evangelist, ex-Google
+
+> "A maioria das empresas está data-rich e insight-poor. Não faltam dados, faltam decisões."
+
+Kaushik argumenta que attribution existe para gerar AÇÃO, não relatórios. Se um modelo de attribution não muda uma decisão de budget, é ruído.
+
+---
+
+## Tier 0: Diagnostic Questions
+
+Antes de construir qualquer modelo de attribution, responda estas perguntas diagnósticas:
+
+```yaml
+tier_0_diagnosis:
+
+  business_context:
+    - Qual é o objetivo principal? (awareness, leads, vendas, retention)
+    - Qual é o ticket médio do produto/serviço?
+    - Qual é o ciclo de vendas típico? (dias, semanas, meses)
+    - Qual é o volume de conversões mensal?
+
+  channel_landscape:
+    - Quais canais de marketing estão ativos?
+    - Qual é o mix de investimento atual por canal?
+    - Existem canais offline que precisam ser considerados?
+    - Há dados de todos os canais em um único lugar?
+
+  data_availability:
+    - Existe tracking cross-device?
+    - Os cookies first-party estão implementados?
+    - Há integração CRM <-> Marketing?
+    - Qual é a qualidade do UTM tagging?
+
+  maturity_assessment:
+    - Qual modelo está em uso hoje? (nenhum, last-click, etc.)
+    - Há histórico de dados de pelo menos 6 meses?
+    - A equipe tem capacidade de agir nos insights?
+    - Existe buy-in executivo para mudar alocação de budget?
+```
+
+---
+
+## Inputs
+
+```yaml
+required:
+  - business_objective: "O objetivo de negócio principal"
+  - conversion_event: "Definição exata do que é uma conversão"
+  - channels_list: "Lista de todos os canais de marketing ativos"
+  - historical_data: "Período de dados disponível (mínimo 3 meses)"
+  - budget_by_channel: "Investimento atual por canal"
+
+optional:
+  - customer_journey_data: "Dados de jornada do cliente se disponíveis"
+  - crm_integration: "Se há integração com CRM"
+  - offline_touchpoints: "Canais offline a considerar"
+  - existing_attribution: "Modelo atual em uso"
+  - conversion_window: "Janela de conversão desejada (padrão: 30 dias)"
+  - cross_device_capability: "Se há tracking cross-device"
+  - seasonality_factors: "Fatores sazonais do negócio"
+```
+
+---
+
+## Why Attribution Matters
+
+### The Attribution Problem
+
+```yaml
+attribution_problem:
+
+  reality:
+    - "Cliente vê ad no Instagram"
+    - "Pesquisa no Google"
+    - "Lê review em blog"
+    - "Recebe email promocional"
+    - "Converte via link do email"
+
+  last_click_view: "Email recebe 100% do crédito"
+  first_click_view: "Instagram recebe 100% do crédito"
+  truth: "Todos contribuíram - mas em que proporção?"
+
+business_impact:
+  wrong_attribution:
+    - "Cortar budget de canais que iniciam jornadas"
+    - "Over-invest em canais que só fecham"
+    - "Ignorar touchpoints de nurturing"
+    - "Decisões baseadas em dados incompletos"
+
+  correct_attribution:
+    - "Entender papel de cada canal no funnel"
+    - "Otimizar investimento por estágio da jornada"
+    - "Identificar sinergias entre canais"
+    - "ROI real por canal"
+```
+
+### Kaushik's Attribution Philosophy
+
+> "Use first-touch para otimizar awareness. Use last-touch para otimizar conversão. Compare os dois para encontrar oportunidades."
+
+```
+┌─────────────────────────────────────────────────────────────────┐
+│                                                                 │
+│  FIRST-TOUCH:  "O que traz pessoas?"                           │
+│  LAST-TOUCH:   "O que fecha vendas?"                           │
+│  COMPARAÇÃO:   "Onde estão as oportunidades?"                  │
+│                                                                 │
+│  Gap entre first e last = canais subvalorizados                │
+│                                                                 │
+└─────────────────────────────────────────────────────────────────┘
+```
+
+---
+
+## Attribution Models Overview
+
+### Model Comparison Matrix
+
+```
+┌────────────────────────────────────────────────────────────────────────────┐
+│                     ATTRIBUTION MODELS COMPARISON                           │
+├────────────────────────────────────────────────────────────────────────────┤
+│                                                                             │
+│  MODELO          │ DISTRIBUIÇÃO     │ COMPLEXIDADE │ MELHOR PARA            │
+│  ─────────────────────────────────────────────────────────────────────────  │
+│  First-Touch     │ 100% primeiro    │ Baixa        │ Awareness, top funnel  │
+│  Last-Touch      │ 100% último      │ Baixa        │ Conversão, bottom      │
+│  Linear          │ Igual para todos │ Baixa        │ Jornadas longas        │
+│  Time-Decay      │ Mais p/ recentes │ Média        │ Ciclos de venda curtos │
+│  Position-Based  │ 40/20/40         │ Média        │ Balance geral          │
+│  Data-Driven     │ Algorítmico      │ Alta         │ Alto volume de dados   │
+│                                                                             │
+└────────────────────────────────────────────────────────────────────────────┘
+```
+
+### Visual: Credit Distribution by Model
+
+```
+Jornada: [Paid Search] → [Display] → [Social] → [Email] → [Conversão]
+
+FIRST-TOUCH:
+  Paid Search: ████████████████████ 100%
+  Display:
+  Social:
+  Email:
+
+LAST-TOUCH:
+  Paid Search:
+  Display:
+  Social:
+  Email:       ████████████████████ 100%
+
+LINEAR:
+  Paid Search: █████ 25%
+  Display:     █████ 25%
+  Social:      █████ 25%
+  Email:       █████ 25%
+
+TIME-DECAY (7 dias):
+  Paid Search: ██ 10%
+  Display:     ███ 15%
+  Social:      █████ 25%
+  Email:       ██████████ 50%
+
+POSITION-BASED:
+  Paid Search: ████████ 40%
+  Display:     ██ 10%
+  Social:      ██ 10%
+  Email:       ████████ 40%
+```
+
+---
+
+## Model 1: First-Touch Attribution
+
+### Definition
+
+O primeiro touchpoint recebe 100% do crédito pela conversão.
+
+### When to Use
+
+```yaml
+first_touch_use_cases:
+
+  ideal_for:
+    - "Medir eficácia de canais de awareness"
+    - "Entender o que traz novos visitantes"
+    - "Avaliar canais de topo de funil"
+    - "Campanhas de brand awareness"
+
+  not_ideal_for:
+    - "Medir eficácia de fechamento"
+    - "Otimizar conversões diretas"
+    - "Jornadas curtas (1-2 touchpoints)"
+
+  questions_it_answers:
+    - "Qual canal traz mais pessoas?"
+    - "Onde devemos investir para awareness?"
+    - "Quais canais iniciam jornadas de sucesso?"
+```
+
+### Implementation
+
+```sql
+-- First-Touch Attribution Query
+WITH first_touch AS (
+  SELECT
+    user_id,
+    conversion_id,
+    MIN(touchpoint_timestamp) as first_touch_time
+  FROM touchpoints
+  WHERE touchpoint_timestamp <= conversion_timestamp
+    AND touchpoint_timestamp >= conversion_timestamp - INTERVAL '30 days'
+  GROUP BY user_id, conversion_id
+)
+SELECT
+  t.channel,
+  t.source,
+  t.medium,
+  COUNT(DISTINCT ft.conversion_id) as attributed_conversions,
+  SUM(c.revenue) as attributed_revenue
+FROM first_touch ft
+JOIN touchpoints t ON ft.user_id = t.user_id
+  AND ft.first_touch_time = t.touchpoint_timestamp
+JOIN conversions c ON ft.conversion_id = c.conversion_id
+GROUP BY t.channel, t.source, t.medium
+ORDER BY attributed_conversions DESC;
+```
+
+### Report Template
+
+```yaml
+first_touch_report:
+
+  header:
+    title: "First-Touch Attribution Report"
+    period: "[DATA INICIO] - [DATA FIM]"
+    total_conversions: "[TOTAL]"
+
+  metrics_by_channel:
+    columns:
+      - channel
+      - first_touch_conversions
+      - percentage_of_total
+      - attributed_revenue
+      - cpa_first_touch
+      - roas_first_touch
+
+  insights_section:
+    - "Top 3 canais que iniciam jornadas"
+    - "Canais subvalorizados vs last-touch"
+    - "Recomendações de budget para awareness"
+```
+
+---
+
+## Model 2: Last-Touch Attribution
+
+### Definition
+
+O último touchpoint antes da conversão recebe 100% do crédito.
+
+### When to Use
+
+```yaml
+last_touch_use_cases:
+
+  ideal_for:
+    - "Medir eficácia de fechamento"
+    - "Otimizar canais de conversão direta"
+    - "Avaliar campanhas de retargeting"
+    - "ROI de canais de resposta direta"
+
+  not_ideal_for:
+    - "Entender jornadas complexas"
+    - "Avaliar canais de awareness"
+    - "Negócios com ciclo de venda longo"
+
+  questions_it_answers:
+    - "Qual canal fecha mais vendas?"
+    - "Onde devemos investir para conversão?"
+    - "Qual é o ROI direto por canal?"
+```
+
+### Implementation
+
+```sql
+-- Last-Touch Attribution Query
+WITH last_touch AS (
+  SELECT
+    user_id,
+    conversion_id,
+    MAX(touchpoint_timestamp) as last_touch_time
+  FROM touchpoints
+  WHERE touchpoint_timestamp <= conversion_timestamp
+    AND touchpoint_timestamp >= conversion_timestamp - INTERVAL '30 days'
+  GROUP BY user_id, conversion_id
+)
+SELECT
+  t.channel,
+  t.source,
+  t.medium,
+  COUNT(DISTINCT lt.conversion_id) as attributed_conversions,
+  SUM(c.revenue) as attributed_revenue,
+  SUM(c.revenue) / NULLIF(SUM(spend.cost), 0) as roas
+FROM last_touch lt
+JOIN touchpoints t ON lt.user_id = t.user_id
+  AND lt.last_touch_time = t.touchpoint_timestamp
+JOIN conversions c ON lt.conversion_id = c.conversion_id
+LEFT JOIN channel_spend spend ON t.channel = spend.channel
+GROUP BY t.channel, t.source, t.medium
+ORDER BY attributed_conversions DESC;
+```
+
+### First vs Last Touch Comparison
+
+```sql
+-- Compare First vs Last Touch
+WITH first_last AS (
+  SELECT
+    user_id,
+    conversion_id,
+    MIN(touchpoint_timestamp) as first_touch,
+    MAX(touchpoint_timestamp) as last_touch
+  FROM touchpoints
+  WHERE touchpoint_timestamp <= conversion_timestamp
+  GROUP BY user_id, conversion_id
+)
+SELECT
+  ft.channel as first_touch_channel,
+  lt.channel as last_touch_channel,
+  COUNT(*) as conversions,
+  ROUND(100.0 * COUNT(*) / SUM(COUNT(*)) OVER(), 2) as percentage
+FROM first_last fl
+JOIN touchpoints ft ON fl.first_touch = ft.touchpoint_timestamp AND fl.user_id = ft.user_id
+JOIN touchpoints lt ON fl.last_touch = lt.touchpoint_timestamp AND fl.user_id = lt.user_id
+GROUP BY ft.channel, lt.channel
+ORDER BY conversions DESC;
+```
+
+---
+
+## Model 3: Linear Attribution
+
+### Definition
+
+Todos os touchpoints na jornada recebem crédito igual.
+
+### When to Use
+
+```yaml
+linear_use_cases:
+
+  ideal_for:
+    - "Jornadas longas e complexas"
+    - "Quando todos os touchpoints importam igualmente"
+    - "B2B com múltiplos stakeholders"
+    - "Produtos de consideração alta"
+
+  not_ideal_for:
+    - "Jornadas curtas"
+    - "Quando há touchpoints claramente mais importantes"
+    - "Negócios de impulso"
+
+  questions_it_answers:
+    - "Qual é a contribuição média de cada canal?"
+    - "Quais canais aparecem mais frequentemente?"
+    - "Como distribuir budget igualmente?"
+```
+
+### Implementation
+
+```sql
+-- Linear Attribution Query
+WITH touchpoint_counts AS (
+  SELECT
+    user_id,
+    conversion_id,
+    COUNT(*) as total_touchpoints
+  FROM touchpoints
+  WHERE touchpoint_timestamp <= conversion_timestamp
+    AND touchpoint_timestamp >= conversion_timestamp - INTERVAL '30 days'
+  GROUP BY user_id, conversion_id
+)
+SELECT
+  t.channel,
+  t.source,
+  COUNT(*) as total_touchpoints,
+  SUM(1.0 / tc.total_touchpoints) as attributed_conversions,
+  SUM(c.revenue / tc.total_touchpoints) as attributed_revenue
+FROM touchpoints t
+JOIN touchpoint_counts tc ON t.user_id = tc.user_id
+  AND t.conversion_id = tc.conversion_id
+JOIN conversions c ON tc.conversion_id = c.conversion_id
+WHERE t.touchpoint_timestamp <= c.conversion_timestamp
+GROUP BY t.channel, t.source
+ORDER BY attributed_conversions DESC;
+```
+
+### Linear Attribution Formula
+
+```
+Credit por Touchpoint = 1 / N
+
+Onde N = número total de touchpoints na jornada
+
+Exemplo:
+- Jornada com 4 touchpoints
+- Cada touchpoint recebe 25% (1/4)
+- Se conversão vale R$100, cada touchpoint recebe R$25
+```
+
+---
+
+## Model 4: Time-Decay Attribution
+
+### Definition
+
+Touchpoints mais próximos da conversão recebem mais crédito, com decaimento exponencial.
+
+### When to Use
+
+```yaml
+time_decay_use_cases:
+
+  ideal_for:
+    - "Ciclos de venda com prazo definido"
+    - "Promoções e ofertas limitadas"
+    - "Quando recência importa"
+    - "E-commerce com decisão rápida"
+
+  not_ideal_for:
+    - "Ciclos de venda muito longos (6+ meses)"
+    - "Quando touchpoints iniciais são cruciais"
+    - "Brand building de longo prazo"
+
+  questions_it_answers:
+    - "Quais canais influenciam no momento da decisão?"
+    - "Qual é o impacto da recência?"
+    - "Como otimizar os últimos touchpoints?"
+```
+
+### Time-Decay Formula
+
+```
+┌─────────────────────────────────────────────────────────────────┐
+│                    TIME-DECAY FORMULA                           │
+├─────────────────────────────────────────────────────────────────┤
+│                                                                 │
+│  Credit = 2^(-t/half_life)                                     │
+│                                                                 │
+│  Onde:                                                         │
+│  - t = dias entre touchpoint e conversão                       │
+│  - half_life = período de meia-vida (padrão: 7 dias)          │
+│                                                                 │
+│  Exemplo (half_life = 7 dias):                                 │
+│  - Touchpoint no dia da conversão: 2^0 = 1.00 (100%)          │
+│  - Touchpoint 7 dias antes: 2^-1 = 0.50 (50%)                 │
+│  - Touchpoint 14 dias antes: 2^-2 = 0.25 (25%)                │
+│  - Touchpoint 21 dias antes: 2^-3 = 0.125 (12.5%)             │
+│                                                                 │
+└─────────────────────────────────────────────────────────────────┘
+```
+
+### Implementation
+
+```sql
+-- Time-Decay Attribution Query
+WITH decay_weights AS (
+  SELECT
+    t.user_id,
+    t.conversion_id,
+    t.channel,
+    t.touchpoint_timestamp,
+    c.conversion_timestamp,
+    -- Half-life de 7 dias
+    POWER(2, -1.0 * EXTRACT(DAY FROM (c.conversion_timestamp - t.touchpoint_timestamp)) / 7) as weight
+  FROM touchpoints t
+  JOIN conversions c ON t.user_id = c.user_id
+  WHERE t.touchpoint_timestamp <= c.conversion_timestamp
+    AND t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '30 days'
+),
+normalized_weights AS (
+  SELECT
+    *,
+    weight / SUM(weight) OVER (PARTITION BY conversion_id) as normalized_weight
+  FROM decay_weights
+)
+SELECT
+  channel,
+  COUNT(DISTINCT conversion_id) as conversions_touched,
+  SUM(normalized_weight) as attributed_conversions,
+  AVG(normalized_weight) as avg_attribution_per_conversion
+FROM normalized_weights
+GROUP BY channel
+ORDER BY attributed_conversions DESC;
+```
+
+### Half-Life Recommendations
+
+```yaml
+half_life_recommendations:
+
+  7_days:
+    use_for: "E-commerce, impulse purchases"
+    rationale: "Decisão rápida, recência muito importante"
+
+  14_days:
+    use_for: "SaaS trials, mid-ticket products"
+    rationale: "Período de consideração moderado"
+
+  30_days:
+    use_for: "B2B, high-ticket products"
+    rationale: "Ciclo de venda mais longo"
+
+  custom:
+    formula: "Analise tempo médio entre primeiro touchpoint e conversão"
+    recommendation: "Half-life = tempo médio / 2"
+```
+
+---
+
+## Model 5: Position-Based (U-Shaped) Attribution
+
+### Definition
+
+40% para primeiro touchpoint, 40% para último, 20% distribuído entre os do meio.
+
+### When to Use
+
+```yaml
+position_based_use_cases:
+
+  ideal_for:
+    - "Valorizar tanto discovery quanto closing"
+    - "Balance entre awareness e conversão"
+    - "Jornadas com 3+ touchpoints"
+    - "Quando início e fim são claramente importantes"
+
+  not_ideal_for:
+    - "Jornadas muito curtas (1-2 touchpoints)"
+    - "Quando touchpoints do meio são cruciais"
+    - "Nurturing intensivo"
+
+  questions_it_answers:
+    - "Quais canais trazem E convertem?"
+    - "Qual é o valor combinado de cada canal?"
+    - "Como balancear budget entre awareness e conversão?"
+```
+
+### Position-Based Formula
+
+```
+┌─────────────────────────────────────────────────────────────────┐
+│                 POSITION-BASED (40/20/40)                       │
+├─────────────────────────────────────────────────────────────────┤
+│                                                                 │
+│  PRIMEIRO TOUCHPOINT:  40% do crédito                          │
+│  ÚLTIMO TOUCHPOINT:    40% do crédito                          │
+│  TOUCHPOINTS DO MEIO:  20% dividido igualmente                 │
+│                                                                 │
+│  Exemplo: 5 touchpoints                                        │
+│                                                                 │
+│  [1]────[2]────[3]────[4]────[5]                              │
+│   40%    6.67%  6.67%  6.67%  40%                              │
+│                                                                 │
+│  Se apenas 2 touchpoints:                                      │
+│  [1]────[2]                                                    │
+│   50%    50%                                                   │
+│                                                                 │
+└─────────────────────────────────────────────────────────────────┘
+```
+
+### Implementation
+
+```sql
+-- Position-Based Attribution Query
+WITH ordered_touchpoints AS (
+  SELECT
+    t.*,
+    ROW_NUMBER() OVER (PARTITION BY t.conversion_id ORDER BY t.touchpoint_timestamp) as position,
+    COUNT(*) OVER (PARTITION BY t.conversion_id) as total_touchpoints
+  FROM touchpoints t
+  JOIN conversions c ON t.user_id = c.user_id
+  WHERE t.touchpoint_timestamp <= c.conversion_timestamp
+    AND t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '30 days'
+),
+weighted_touchpoints AS (
+  SELECT
+    *,
+    CASE
+      WHEN total_touchpoints = 1 THEN 1.0
+      WHEN total_touchpoints = 2 THEN 0.5
+      WHEN position = 1 THEN 0.4
+      WHEN position = total_touchpoints THEN 0.4
+      ELSE 0.2 / (total_touchpoints - 2)
+    END as weight
+  FROM ordered_touchpoints
+)
+SELECT
+  channel,
+  SUM(CASE WHEN position = 1 THEN 1 ELSE 0 END) as first_touch_count,
+  SUM(CASE WHEN position = total_touchpoints THEN 1 ELSE 0 END) as last_touch_count,
+  SUM(weight) as attributed_conversions,
+  AVG(weight) as avg_weight
+FROM weighted_touchpoints
+GROUP BY channel
+ORDER BY attributed_conversions DESC;
+```
+
+### Variations
+
+```yaml
+position_based_variations:
+
+  standard_u_shaped:
+    first: 40%
+    last: 40%
+    middle: 20%
+    best_for: "Balance geral"
+
+  w_shaped:
+    first: 30%
+    lead_creation: 30%
+    last: 30%
+    other: 10%
+    best_for: "B2B com lead qualification"
+
+  z_shaped:
+    first: 22.5%
+    lead_creation: 22.5%
+    opportunity_creation: 22.5%
+    last: 22.5%
+    other: 10%
+    best_for: "B2B enterprise com múltiplos estágios"
+
+  custom:
+    description: "Ajustar pesos baseado em análise de jornadas"
+    recommendation: "Testar diferentes distribuições"
+```
+
+---
+
+## Model 6: Data-Driven Attribution
+
+### Definition
+
+Modelo algorítmico que calcula a contribuição de cada touchpoint baseado em dados históricos e probabilidades.
+
+### When to Use
+
+```yaml
+data_driven_use_cases:
+
+  ideal_for:
+    - "Alto volume de conversões (1000+/mês)"
+    - "Dados históricos robustos (6+ meses)"
+    - "Equipe com capacidade analítica"
+    - "Budget significativo de marketing"
+
+  not_ideal_for:
+    - "Baixo volume de conversões"
+    - "Dados incompletos ou inconsistentes"
+    - "Necessidade de simplicidade"
+    - "Mudanças frequentes no mix de canais"
+
+  requirements:
+    - "Mínimo 15.000 cliques por canal"
+    - "Mínimo 600 conversões no período"
+    - "Tracking consistente cross-channel"
+```
+
+### Methodology: Shapley Value
+
+```
+┌─────────────────────────────────────────────────────────────────┐
+│                    SHAPLEY VALUE METHOD                         │
+├─────────────────────────────────────────────────────────────────┤
+│                                                                 │
+│  Origem: Teoria dos jogos (Lloyd Shapley, 1953)                │
+│                                                                 │
+│  Conceito:                                                      │
+│  - Calcula a contribuição marginal de cada "jogador" (canal)   │
+│  - Considera todas as combinações possíveis de canais          │
+│  - Atribui crédito baseado em quanto cada canal adiciona       │
+│                                                                 │
+│  Fórmula Simplificada:                                         │
+│  φᵢ = Σ [|S|!(n-|S|-1)!/n!] × [v(S∪{i}) - v(S)]               │
+│                                                                 │
+│  Onde:                                                          │
+│  - φᵢ = valor Shapley do canal i                               │
+│  - S = subconjunto de canais sem i                             │
+│  - v(S) = taxa de conversão do subconjunto S                   │
+│  - n = número total de canais                                   │
+│                                                                 │
+└─────────────────────────────────────────────────────────────────┘
+```
+
+### Methodology: Markov Chain
+
+```yaml
+markov_chain_attribution:
+
+  concept:
+    description: |
+      Modela a jornada do cliente como uma cadeia de Markov,
+      onde cada estado (canal) tem probabilidades de transição
+      para outros estados ou para conversão/abandono.
+
+  process:
+    step_1: "Mapear todas as jornadas como sequências de estados"
+    step_2: "Calcular matriz de transição entre estados"
+    step_3: "Calcular probabilidade de conversão com cada canal"
+    step_4: "Calcular removal effect (o que acontece se remover o canal)"
+    step_5: "Atribuir crédito baseado no removal effect"
+
+  removal_effect:
+    formula: |
+      RE(i) = P(conversão com canal i) - P(conversão sem canal i)
+    interpretation: |
+      Quanto maior o removal effect, mais importante o canal
+      para a probabilidade de conversão.
+```
+
+### Implementation Approach
+
+```python
+# Pseudo-código para Data-Driven Attribution
+# Usando Markov Chain com Removal Effect
+
+def calculate_markov_attribution(journeys):
+    """
+    journeys: lista de jornadas, cada uma sendo uma lista de canais
+    Retorna: dicionário com atribuição por canal
+    """
+
+    # 1. Construir matriz de transição
+    transition_matrix = build_transition_matrix(journeys)
+
+    # 2. Calcular probabilidade base de conversão
+    base_conversion_prob = calculate_conversion_probability(
+        transition_matrix,
+        all_channels
+    )
+
+    # 3. Para cada canal, calcular removal effect
+    removal_effects = {}
+    for channel in channels:
+        # Remover canal da matriz
+        modified_matrix = remove_channel(transition_matrix, channel)
+
+        # Calcular nova probabilidade de conversão
+        new_conversion_prob = calculate_conversion_probability(
+            modified_matrix,
+            channels_without(channel)
+        )
+
+        # Removal effect
+        removal_effects[channel] = base_conversion_prob - new_conversion_prob
+
+    # 4. Normalizar para somar 100%
+    total_effect = sum(removal_effects.values())
+    attribution = {
+        channel: effect / total_effect
+        for channel, effect in removal_effects.items()
+    }
+
+    return attribution
+```
+
+### Data Requirements
+
+```yaml
+data_driven_requirements:
+
+  minimum_data:
+    conversions: "600+ conversões no período de análise"
+    clicks_per_channel: "15.000+ cliques por canal"
+    time_period: "6+ meses de dados históricos"
+
+  data_quality:
+    - "UTM tagging consistente"
+    - "User ID unificado cross-device"
+    - "Timestamps precisos"
+    - "Sem gaps de dados"
+
+  recommended_tools:
+    google: "Google Analytics 4 Data-Driven Attribution"
+    custom: "Python (Markov Chain libraries)"
+    enterprise: "Adobe Analytics, Salesforce"
+```
+
+---
+
+## Channel Mapping
+
+### Standard Channel Definitions
+
+```yaml
+channel_mapping:
+
+  paid_search:
+    definition: "Anúncios pagos em buscadores"
+    sources: ["google", "bing", "yahoo"]
+    mediums: ["cpc", "ppc", "paid_search"]
+    utm_pattern: "utm_medium=cpc OR utm_medium=ppc"
+    role: "Intent capture, bottom funnel"
+
+  organic_search:
+    definition: "Tráfego não-pago de buscadores"
+    sources: ["google", "bing", "yahoo", "duckduckgo"]
+    mediums: ["organic"]
+    utm_pattern: "No UTM, referrer from search engine"
+    role: "Brand awareness, mid-funnel"
+
+  paid_social:
+    definition: "Anúncios em redes sociais"
+    sources: ["facebook", "instagram", "linkedin", "tiktok", "twitter"]
+    mediums: ["paid_social", "cpc", "cpm"]
+    utm_pattern: "utm_medium=paid_social"
+    role: "Awareness, demand generation"
+
+  organic_social:
+    definition: "Tráfego não-pago de redes sociais"
+    sources: ["facebook", "instagram", "linkedin", "tiktok", "twitter"]
+    mediums: ["social", "organic_social"]
+    utm_pattern: "No UTM, referrer from social"
+    role: "Engagement, brand building"
+
+  email:
+    definition: "Campanhas de email marketing"
+    sources: ["newsletter", "campaign", "automation"]
+    mediums: ["email"]
+    utm_pattern: "utm_medium=email"
+    role: "Nurturing, retention, conversion"
+
+  display:
+    definition: "Banners e anúncios display"
+    sources: ["google", "programmatic", "direct"]
+    mediums: ["display", "banner", "cpm"]
+    utm_pattern: "utm_medium=display"
+    role: "Awareness, retargeting"
+
+  affiliate:
+    definition: "Tráfego de parceiros afiliados"
+    sources: ["affiliate_name"]
+    mediums: ["affiliate", "referral"]
+    utm_pattern: "utm_medium=affiliate"
+    role: "Acquisition, performance"
+
+  referral:
+    definition: "Links de outros sites"
+    sources: ["[domain]"]
+    mediums: ["referral"]
+    utm_pattern: "No UTM, referrer from external site"
+    role: "PR, partnerships"
+
+  direct:
+    definition: "Acesso direto sem referrer"
+    sources: ["direct", "(direct)"]
+    mediums: ["(none)", "direct"]
+    utm_pattern: "No referrer, no UTM"
+    role: "Brand recall, bookmarks"
+
+  video:
+    definition: "Anúncios em plataformas de vídeo"
+    sources: ["youtube", "vimeo"]
+    mediums: ["video", "pre-roll"]
+    utm_pattern: "utm_medium=video"
+    role: "Awareness, education"
+```
+
+### Channel Grouping SQL
+
+```sql
+-- Channel Grouping Logic
+SELECT
+  CASE
+    -- Paid Search
+    WHEN LOWER(utm_medium) IN ('cpc', 'ppc', 'paid_search')
+      AND LOWER(utm_source) IN ('google', 'bing', 'yahoo')
+    THEN 'Paid Search'
+
+    -- Organic Search
+    WHEN LOWER(utm_medium) = 'organic'
+      OR (utm_medium IS NULL AND referrer LIKE '%google%' AND referrer NOT LIKE '%googleads%')
+    THEN 'Organic Search'
+
+    -- Paid Social
+    WHEN LOWER(utm_medium) IN ('paid_social', 'paidsocial')
+      OR (LOWER(utm_medium) IN ('cpc', 'cpm')
+          AND LOWER(utm_source) IN ('facebook', 'instagram', 'linkedin', 'tiktok'))
+    THEN 'Paid Social'
+
+    -- Organic Social
+    WHEN LOWER(utm_medium) IN ('social', 'organic_social')
+      OR (utm_medium IS NULL
+          AND referrer ~* '(facebook|instagram|linkedin|twitter|tiktok)')
+    THEN 'Organic Social'
+
+    -- Email
+    WHEN LOWER(utm_medium) = 'email'
+    THEN 'Email'
+
+    -- Display
+    WHEN LOWER(utm_medium) IN ('display', 'banner', 'cpm')
+    THEN 'Display'
+
+    -- Affiliate
+    WHEN LOWER(utm_medium) = 'affiliate'
+    THEN 'Affiliate'
+
+    -- Referral
+    WHEN LOWER(utm_medium) = 'referral'
+      OR (utm_medium IS NULL AND referrer IS NOT NULL AND referrer != '')
+    THEN 'Referral'
+
+    -- Direct
+    WHEN utm_medium IS NULL AND (referrer IS NULL OR referrer = '')
+    THEN 'Direct'
+
+    ELSE 'Other'
+  END as channel_group,
+  *
+FROM touchpoints;
+```
+
+### Channel Role in Funnel
+
+```
+┌─────────────────────────────────────────────────────────────────┐
+│                    CHANNEL ROLE BY FUNNEL STAGE                 │
+├─────────────────────────────────────────────────────────────────┤
+│                                                                 │
+│  AWARENESS (SEE)                                               │
+│  ├── Display Ads                                               │
+│  ├── Video Ads                                                 │
+│  ├── Paid Social (prospecting)                                 │
+│  └── PR / Influencer                                           │
+│                                                                 │
+│  CONSIDERATION (THINK)                                         │
+│  ├── Organic Search                                            │
+│  ├── Content Marketing                                         │
+│  ├── Email (nurturing)                                         │
+│  └── Organic Social                                            │
+│                                                                 │
+│  DECISION (DO)                                                 │
+│  ├── Paid Search (brand + non-brand)                           │
+│  ├── Retargeting                                               │
+│  ├── Email (promotional)                                       │
+│  └── Affiliate                                                 │
+│                                                                 │
+│  LOYALTY (CARE)                                                │
+│  ├── Email (retention)                                         │
+│  ├── Direct (bookmarks)                                        │
+│  └── Organic Social                                            │
+│                                                                 │
+└─────────────────────────────────────────────────────────────────┘
+```
+
+---
+
+## Conversion Window Definition
+
+### What is a Conversion Window?
+
+O período de tempo antes de uma conversão em que touchpoints são considerados para atribuição.
+
+### Window Selection Guidelines
+
+```yaml
+conversion_window_guidelines:
+
+  factors_to_consider:
+    - "Ciclo de venda típico"
+    - "Valor do produto/serviço"
+    - "Complexidade da decisão"
+    - "Frequência de compra"
+
+  recommendations_by_business:
+
+    ecommerce_low_ticket:
+      window: "7 dias"
+      rationale: "Decisão rápida, impulso"
+
+    ecommerce_high_ticket:
+      window: "30 dias"
+      rationale: "Período de consideração"
+
+    saas_b2b:
+      window: "60-90 dias"
+      rationale: "Múltiplos stakeholders, avaliação"
+
+    enterprise_sales:
+      window: "180 dias"
+      rationale: "Ciclo longo, múltiplas interações"
+
+    subscription_services:
+      window: "14-30 dias"
+      rationale: "Trial period + decisão"
+```
+
+### Multi-Window Analysis
+
+```sql
+-- Compare Attribution Across Different Windows
+WITH touchpoints_by_window AS (
+  SELECT
+    t.channel,
+    c.conversion_id,
+    CASE
+      WHEN t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '7 days' THEN '7_days'
+      WHEN t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '14 days' THEN '14_days'
+      WHEN t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '30 days' THEN '30_days'
+      WHEN t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '60 days' THEN '60_days'
+      WHEN t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '90 days' THEN '90_days'
+    END as window_period
+  FROM touchpoints t
+  JOIN conversions c ON t.user_id = c.user_id
+  WHERE t.touchpoint_timestamp <= c.conversion_timestamp
+)
+SELECT
+  channel,
+  COUNT(DISTINCT CASE WHEN window_period = '7_days' THEN conversion_id END) as conv_7d,
+  COUNT(DISTINCT CASE WHEN window_period = '14_days' THEN conversion_id END) as conv_14d,
+  COUNT(DISTINCT CASE WHEN window_period = '30_days' THEN conversion_id END) as conv_30d,
+  COUNT(DISTINCT CASE WHEN window_period = '60_days' THEN conversion_id END) as conv_60d,
+  COUNT(DISTINCT CASE WHEN window_period = '90_days' THEN conversion_id END) as conv_90d
+FROM touchpoints_by_window
+GROUP BY channel
+ORDER BY conv_30d DESC;
+```
+
+### Finding Optimal Window
+
+```yaml
+optimal_window_analysis:
+
+  method_1_percentile:
+    description: "Usar percentil 90 do tempo entre primeiro touchpoint e conversão"
+    steps:
+      - "Calcular tempo entre primeiro touchpoint e conversão para cada jornada"
+      - "Encontrar percentil 90"
+      - "Usar como janela de conversão"
+    sql: |
+      SELECT PERCENTILE_CONT(0.9) WITHIN GROUP (
+        ORDER BY EXTRACT(DAY FROM conversion_timestamp - first_touchpoint_timestamp)
+      ) as p90_window
+      FROM journey_summary;
+
+  method_2_diminishing_returns:
+    description: "Encontrar ponto onde adicionar mais dias não adiciona conversões significativas"
+    steps:
+      - "Calcular conversões por janela (7, 14, 30, 60, 90 dias)"
+      - "Calcular incremento percentual"
+      - "Parar quando incremento < 5%"
+```
+
+---
+
+## Multi-Touch Attribution (MTA) Methodology
+
+### MTA Implementation Framework
+
+```
+┌─────────────────────────────────────────────────────────────────┐
+│                MTA IMPLEMENTATION FRAMEWORK                     │
+├─────────────────────────────────────────────────────────────────┤
+│                                                                 │
+│  FASE 1: DATA FOUNDATION (Semanas 1-2)                         │
+│  ├── Audit de tracking atual                                   │
+│  ├── Padronização de UTMs                                      │
+│  ├── Unificação de user IDs                                    │
+│  └── Criação de tabela de touchpoints                          │
+│                                                                 │
+│  FASE 2: MODEL SELECTION (Semanas 3-4)                         │
+│  ├── Análise de jornadas existentes                            │
+│  ├── Teste de múltiplos modelos                                │
+│  ├── Comparação de resultados                                  │
+│  └── Seleção do modelo primário                                │
+│                                                                 │
+│  FASE 3: IMPLEMENTATION (Semanas 5-6)                          │
+│  ├── Queries de produção                                       │
+│  ├── Dashboard de attribution                                  │
+│  ├── Automação de reports                                      │
+│  └── Documentação                                              │
+│                                                                 │
+│  FASE 4: OPTIMIZATION (Ongoing)                                │
+│  ├── Revisão mensal de resultados                              │
+│  ├── Ajustes de modelo se necessário                           │
+│  ├── Correlação com budget decisions                           │
+│  └── Refinamento contínuo                                      │
+│                                                                 │
+└─────────────────────────────────────────────────────────────────┘
+```
+
+### Journey Reconstruction
+
+```sql
+-- Reconstruct Customer Journeys
+WITH journeys AS (
+  SELECT
+    c.user_id,
+    c.conversion_id,
+    c.conversion_timestamp,
+    c.revenue,
+    STRING_AGG(
+      t.channel || ' (' || t.touchpoint_timestamp::date || ')',
+      ' -> '
+      ORDER BY t.touchpoint_timestamp
+    ) as journey_path,
+    COUNT(t.touchpoint_id) as touchpoint_count,
+    MIN(t.touchpoint_timestamp) as first_touch,
+    MAX(t.touchpoint_timestamp) as last_touch,
+    EXTRACT(DAY FROM c.conversion_timestamp - MIN(t.touchpoint_timestamp)) as journey_length_days
+  FROM conversions c
+  JOIN touchpoints t ON c.user_id = t.user_id
+  WHERE t.touchpoint_timestamp <= c.conversion_timestamp
+    AND t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '30 days'
+  GROUP BY c.user_id, c.conversion_id, c.conversion_timestamp, c.revenue
+)
+SELECT
+  journey_path,
+  COUNT(*) as occurrence_count,
+  AVG(revenue) as avg_revenue,
+  AVG(touchpoint_count) as avg_touchpoints,
+  AVG(journey_length_days) as avg_journey_days
+FROM journeys
+GROUP BY journey_path
+ORDER BY occurrence_count DESC
+LIMIT 50;
+```
+
+### Assisted vs Direct Conversions
+
+```sql
+-- Assisted vs Direct Conversions
+WITH journey_stats AS (
+  SELECT
+    t.channel,
+    c.conversion_id,
+    CASE
+      WHEN t.touchpoint_timestamp = (
+        SELECT MAX(touchpoint_timestamp)
+        FROM touchpoints
+        WHERE user_id = t.user_id
+          AND touchpoint_timestamp <= c.conversion_timestamp
+      ) THEN 'last_touch'
+      ELSE 'assisted'
+    END as touch_type
+  FROM touchpoints t
+  JOIN conversions c ON t.user_id = c.user_id
+  WHERE t.touchpoint_timestamp <= c.conversion_timestamp
+    AND t.touchpoint_timestamp >= c.conversion_timestamp - INTERVAL '30 days'
+)
+SELECT
+  channel,
+  COUNT(DISTINCT CASE WHEN touch_type = 'last_touch' THEN conversion_id END) as direct_conversions,
+  COUNT(DISTINCT CASE WHEN touch_type = 'assisted' THEN conversion_id END) as assisted_conversions,
+  ROUND(
+    COUNT(DISTINCT CASE WHEN touch_type = 'assisted' THEN conversion_id END)::numeric /
+    NULLIF(COUNT(DISTINCT CASE WHEN touch_type = 'last_touch' THEN conversion_id END), 0),
+    2
+  ) as assist_to_direct_ratio
+FROM journey_stats
+GROUP BY channel
+ORDER BY direct_conversions DESC;
+```
+
+---
+
+## Reporting Recommendations
+
+### Executive Dashboard
+
+```yaml
+executive_dashboard:
+
+  headline_metrics:
+    - total_conversions: "Total de conversões no período"
+    - total_revenue: "Receita total atribuída"
+    - avg_touchpoints: "Média de touchpoints por conversão"
+    - avg_journey_days: "Dias médios até conversão"
+
+  model_comparison_chart:
+    type: "Stacked bar chart"
+    x_axis: "Canais"
+    y_axis: "Conversões atribuídas"
+    series: ["First-Touch", "Last-Touch", "Position-Based"]
+    insight: "Highlight canais com maior diferença entre modelos"
+
+  channel_performance_table:
+    columns:
+      - channel
+      - first_touch_conversions
+      - last_touch_conversions
+      - position_based_conversions
+      - spend
+      - cpa_by_model
+      - roas_by_model
+
+  journey_insights:
+    - top_10_journeys: "Jornadas mais comuns"
+    - avg_touchpoints_by_conversion_value: "Correlação touchpoints x valor"
+    - channel_overlap: "Quais canais aparecem juntos"
+```
+
+### So What Framework for Attribution Reports
+
+```yaml
+attribution_so_what:
+
+  section_1_so_what:
+    question: "Por que isso importa?"
+    template: |
+      Attribution analysis reveals that [CHANNEL X] brings [Y%] of first touches
+      but only [Z%] of last touches, indicating its role as an
+      [awareness/nurturing] channel that's currently [undervalued/overvalued]
+      by last-click attribution.
+
+  section_2_what_changed:
+    question: "O que mudou desde a última análise?"
+    template: |
+      Compared to [PREVIOUS PERIOD]:
+      - [CHANNEL A] first-touch share increased by [X%]
+      - [CHANNEL B] assist ratio decreased by [Y%]
+      - Average journey length changed from [N] to [M] touchpoints
+
+  section_3_why:
+    question: "Por que mudou?"
+    template: |
+      Key factors:
+      - [CAMPAIGN/CHANGE 1] launched in [DATE]
+      - [BUDGET SHIFT] from [CHANNEL X] to [CHANNEL Y]
+      - [SEASONAL FACTOR] affecting [BEHAVIOR]
+
+  section_4_now_what:
+    question: "O que vamos fazer?"
+    template: |
+      Recommendations:
+      1. [INCREASE/DECREASE] [CHANNEL X] budget by [%] because [REASON]
+      2. Test [STRATEGY] in [CHANNEL Y] to improve [METRIC]
+      3. [ACTION 3]
+
+      Expected impact: [PROJECTED CHANGE] in [METRIC]
+```
+
+### Model Selection Report
+
+```yaml
+model_selection_report:
+
+  analysis_approach:
+    step_1: "Run all models on same dataset"
+    step_2: "Compare attribution distribution"
+    step_3: "Identify major discrepancies"
+    step_4: "Recommend based on business context"
+
+  comparison_table:
+    rows: "Channels"
+    columns:
+      - first_touch_pct
+      - last_touch_pct
+      - linear_pct
+      - time_decay_pct
+      - position_based_pct
+      - variance: "Max - Min"
+
+  recommendation_criteria:
+    high_variance_channels:
+      description: "Canais com alta variância entre modelos"
+      action: "Investigar mais a fundo, pode ser over/under valued"
+
+    consistent_channels:
+      description: "Canais com atribuição similar em todos modelos"
+      action: "Confiança alta na performance real"
+
+  final_recommendation:
+    template: |
+      Based on [BUSINESS CONTEXT], we recommend:
+
+      PRIMARY MODEL: [MODEL NAME]
+      Reason: [WHY THIS MODEL FITS]
+
+      SECONDARY MODEL: [MODEL NAME]
+      Use for: [SPECIFIC USE CASE]
+
+      AVOID: [MODEL NAME]
+      Reason: [WHY NOT APPROPRIATE]
+```
+
+---
+
+## Common Pitfalls and Solutions
+
+### Attribution Pitfalls
+
+```yaml
+attribution_pitfalls:
+
+  pitfall_1_incomplete_tracking:
+    problem: "Touchpoints não trackados corretamente"
+    symptoms:
+      - "Alto volume de (direct)/(none)"
+      - "Canais aparecem com menos conversões que esperado"
+      - "Gaps nas jornadas"
+    solution:
+      - "Audit completo de UTM tagging"
+      - "Implementar tracking server-side"
+      - "Padronizar nomenclatura cross-team"
+
+  pitfall_2_cross_device_blindness:
+    problem: "Mesmo usuário em múltiplos devices não é identificado"
+    symptoms:
+      - "Jornadas parecem mais curtas que realidade"
+      - "Direct/Organic inflados"
+      - "Paid undervalued"
+    solution:
+      - "Implementar login/user ID"
+      - "Usar probabilistic matching"
+      - "First-party data collection"
+
+  pitfall_3_walled_gardens:
+    problem: "Plataformas (FB, Google) não compartilham dados completos"
+    symptoms:
+      - "Discrepância entre platform reports e analytics"
+      - "Conversões duplicadas"
+      - "Impossível ver jornada completa"
+    solution:
+      - "UTM tracking rigoroso"
+      - "Server-side tracking (CAPI)"
+      - "MMM para validação"
+
+  pitfall_4_single_model_bias:
+    problem: "Usar apenas um modelo para todas decisões"
+    symptoms:
+      - "Budget concentrado em canais de fechamento"
+      - "Awareness channels cortados"
+      - "Long-term brand building prejudicado"
+    solution:
+      - "Usar múltiplos modelos"
+      - "First-touch para awareness budget"
+      - "Last-touch para conversion budget"
+
+  pitfall_5_ignoring_offline:
+    problem: "Touchpoints offline não considerados"
+    symptoms:
+      - "Conversões parecem surgir do nada"
+      - "Subestimar impacto de eventos/vendas pessoais"
+    solution:
+      - "Tracking de offline (QR codes, vanity URLs)"
+      - "CRM integration"
+      - "Surveys pós-conversão"
+```
+
+### Quality Assurance Checklist
+
+```yaml
+attribution_qa_checklist:
+
+  data_quality:
+    - [ ] UTMs padronizados e consistentes
+    - [ ] Sem duplicação de touchpoints
+    - [ ] Timestamps corretos (timezone)
+    - [ ] User IDs unificados
+    - [ ] Conversões linkadas corretamente a touchpoints
+
+  model_validation:
+    - [ ] Soma das atribuições = 100%
+    - [ ] Nenhum canal com atribuição negativa
+    - [ ] Resultados fazem sentido business
+    - [ ] Comparação entre modelos realizada
+
+  reporting:
+    - [ ] Período de análise definido
+    - [ ] Janela de conversão documentada
+    - [ ] Definição de conversão clara
+    - [ ] Insights acionáveis incluídos
+
+  governance:
+    - [ ] Stakeholders alinhados no modelo
+    - [ ] Frequência de review definida
+    - [ ] Ownership de dados claro
+    - [ ] Processo de mudança documentado
+```
+
+---
+
+## Implementation Roadmap
+
+### Phase 1: Foundation (Week 1-2)
+
+```yaml
+phase_1_foundation:
+
+  week_1:
+    tasks:
+      - "Audit current tracking implementation"
+      - "Document all channels and sources"
+      - "Identify data gaps"
+      - "Create UTM standards document"
+    deliverables:
+      - "Tracking audit report"
+      - "UTM standards guide"
+      - "Gap analysis"
+
+  week_2:
+    tasks:
+      - "Fix critical tracking issues"
+      - "Implement missing UTMs"
+      - "Create touchpoints table"
+      - "Test data collection"
+    deliverables:
+      - "Updated tracking implementation"
+      - "Touchpoints table schema"
+      - "Data quality report"
+```
+
+### Phase 2: Model Selection (Week 3-4)
+
+```yaml
+phase_2_model_selection:
+
+  week_3:
+    tasks:
+      - "Extract historical journey data"
+      - "Calculate first-touch attribution"
+      - "Calculate last-touch attribution"
+      - "Calculate linear attribution"
+    deliverables:
+      - "Journey dataset"
+      - "Basic attribution tables"
+
+  week_4:
+    tasks:
+      - "Calculate time-decay attribution"
+      - "Calculate position-based attribution"
+      - "Compare all models"
+      - "Recommend primary model"
+    deliverables:
+      - "Full model comparison report"
+      - "Model recommendation document"
+```
+
+### Phase 3: Production (Week 5-6)
+
+```yaml
+phase_3_production:
+
+  week_5:
+    tasks:
+      - "Build production queries"
+      - "Create automated pipelines"
+      - "Design dashboard"
+      - "Write documentation"
+    deliverables:
+      - "Production SQL queries"
+      - "Automated data pipeline"
+      - "Dashboard wireframe"
+
+  week_6:
+    tasks:
+      - "Deploy dashboard"
+      - "Train stakeholders"
+      - "Set up alerts"
+      - "Document maintenance procedures"
+    deliverables:
+      - "Live attribution dashboard"
+      - "Training materials"
+      - "Maintenance runbook"
+```
+
+### Ongoing: Optimization
+
+```yaml
+ongoing_optimization:
+
+  monthly:
+    - "Review attribution trends"
+    - "Compare to budget allocation"
+    - "Identify optimization opportunities"
+    - "Update model if needed"
+
+  quarterly:
+    - "Deep dive analysis"
+    - "Model accuracy assessment"
+    - "Stakeholder presentation"
+    - "Budget reallocation recommendations"
+
+  annually:
+    - "Full model audit"
+    - "Consider advanced models (data-driven)"
+    - "Benchmark against industry"
+    - "Technology stack review"
+```
+
+---
+
+## Output Deliverables
+
+```yaml
+deliverables:
+
+  primary:
+    attribution_model: |
+      Modelo de attribution implementado com:
+      - Queries de produção
+      - Channel mapping completo
+      - Conversion window definido
+
+    attribution_dashboard: |
+      Dashboard interativo com:
+      - Comparação de modelos
+      - Channel performance
+      - Journey analysis
+
+    recommendation_report: |
+      Relatório com recomendações de:
+      - Budget allocation
+      - Channel optimization
+      - Model selection rationale
+
+  secondary:
+    channel_mapping_document: |
+      Documentação de:
+      - Definição de cada canal
+      - UTM standards
+      - Grouping logic
+
+    journey_analysis: |
+      Análise de:
+      - Top journeys
+      - Assist patterns
+      - Channel synergies
+
+  optional:
+    data_driven_model: |
+      Se volume suficiente:
+      - Markov chain implementation
+      - Shapley value calculation
+      - Model comparison
+```
+
+---
+
+## Quality Checklist
+
+### Pre-Implementation Checklist
+
+```yaml
+pre_implementation_checklist:
+  - [ ] Business objective claramente definido
+  - [ ] Definição de conversão acordada
+  - [ ] Canais ativos listados
+  - [ ] Tracking audit completo
+  - [ ] Stakeholders alinhados
+  - [ ] Timeline definido
+```
+
+### Model Quality Checklist
+
+```yaml
+model_quality_checklist:
+  - [ ] Atribuições somam 100% por conversão
+  - [ ] Sem valores negativos
+  - [ ] Todos canais representados
+  - [ ] Janela de conversão apropriada
+  - [ ] Múltiplos modelos comparados
+  - [ ] Resultados validados com stakeholders
+```
+
+### Report Quality Checklist
+
+```yaml
+report_quality_checklist:
+  - [ ] So What framework aplicado
+  - [ ] Insights acionáveis incluídos
+  - [ ] Recomendações específicas
+  - [ ] Visualizações claras
+  - [ ] Comparação com período anterior
+  - [ ] Next steps definidos
+```
+
+---
+
+## Integration with Other Tasks
+
+### Related Data Pack Tasks
+
+```yaml
+related_tasks:
+
+  calculate_clv:
+    integration: "CLV por canal de aquisição (first-touch)"
+    value: "Entender quais canais trazem clientes de maior valor"
+
+  segment_rfm:
+    integration: "RFM segments por attribution path"
+    value: "Identificar quais jornadas produzem melhores clientes"
+
+  design_health_score:
+    integration: "Health Score por canal de origem"
+    value: "Correlacionar canal de aquisição com retenção"
+
+  create_dashboard:
+    integration: "Attribution como módulo do DMMM dashboard"
+    value: "Visão unificada de marketing performance"
+```
+
+---
+
+## Glossary
+
+```yaml
+glossary:
+
+  attribution:
+    definition: "Processo de atribuir crédito a touchpoints pelo resultado"
+
+  touchpoint:
+    definition: "Qualquer interação do cliente com marketing antes da conversão"
+
+  conversion_window:
+    definition: "Período antes da conversão onde touchpoints são considerados"
+
+  first_touch:
+    definition: "Primeiro touchpoint na jornada do cliente"
+
+  last_touch:
+    definition: "Último touchpoint antes da conversão"
+
+  assisted_conversion:
+    definition: "Conversão onde o canal participou mas não foi o last-touch"
+
+  mta_multi_touch_attribution:
+    definition: "Atribuição que considera múltiplos touchpoints"
+
+  shapley_value:
+    definition: "Método de teoria dos jogos para distribuir crédito"
+
+  markov_chain:
+    definition: "Modelo probabilístico de transição entre estados"
+
+  removal_effect:
+    definition: "Impacto na conversão se um canal for removido"
+
+  utm_parameters:
+    definition: "Tags de URL para tracking de campanhas (source, medium, campaign)"
+
+  walled_garden:
+    definition: "Plataforma que limita compartilhamento de dados (FB, Google)"
+```
+
+---
+
+## Version History
+
+```yaml
+version: "1.0"
+created: "2026-01-23"
+primary_agent: "Avinash Kaushik"
+lines: "1100+"
+
+changelog:
+  - "1.0: Task inicial criado com 6 modelos de attribution"
+  - "1.0: Channel mapping completo com SQL"
+  - "1.0: Conversion window methodology"
+  - "1.0: Multi-touch attribution framework"
+  - "1.0: Reporting recommendations com So What framework"
+  - "1.0: Implementation roadmap"
+```
+
+---
+
+*Data Intelligence Pack - Task: Build Attribution*
+*Primary Agent: Avinash Kaushik*
+*Framework: DMMM + See-Think-Do-Care*