> ## Documentation Index
> Fetch the complete documentation index at: https://docs.nemu.com.br/llms.txt
> Use this file to discover all available pages before exploring further.

# Modelo de Atribuição de Markov

> Entenda detalhadamente sobre o modelo de Markov e como ele é calculado

# O que é o Modelo de Markov?

O modelo de atribuição por **Cadeias de Markov** (ou apenas Markov) é uma forma avançada de entender o valor real de cada canal, campanha ou anúncio em jornadas de conversão. Diferente dos modelos tradicionais (*First Click, Last Click, Linear, Time Decay, etc.*), o Markov não distribui o crédito apenas com base em pontos fixos da jornada, mas sim na importância que cada interação tem dentro de todas as jornadas observadas.

Em outras palavras: o Markov não olha só para *“quem trouxe”* ou *“quem converteu”*, mas para o impacto que cada interação tem quando está presente e quando está ausente.

<Info>
  No modelo de Markov, nós não consideramos a jornada completa, justamente para garantir maior qualidade e consistência na atribuição. Hoje trabalhamos com uma **janela de 7 dias**, que é a que melhor equilibra volume e precisão dos dados.

  Jornadas muito longas tendem a ter ruídos e diluir a relevância dos pontos de contato mais próximos da conversão, o que pode impactar negativamente análise desse modelo.
</Info>

## Como o Markov é Calculado

O modelo de Markov na Nemu segue o **método de efeito remoção**:

1. **Mapeamos todas as jornadas**: tanto as que resultaram em conversão quanto as que não resultaram.
2. **Simulamos a remoção de um canal/campanha/anúncio**:
   * Retiramos a presença desse ponto das jornadas.
   * Calculamos como ficariam as taxas de conversão sem esse ponto.
3. **Comparamos com o cenário original**:
   * Se a conversão cai, significa que esse canal teve papel fundamental.
   * Se não há impacto, significa que esse canal teve pouco ou nenhum papel na conversão.
4. **Atribuímos proporcionalmente o valor**: a participação de cada canal é baseada no quanto ele realmente contribui para a conversão no todo.

## Exemplo Prático

Imagine que temos as seguintes jornadas:

* Usuário 1: Google → Meta → Conversão
* Usuário 2: Orgânico → Meta → Conversão
* Usuário 3: Google → Conversão

Se aplicarmos o efeito remoção em **Meta**:

* As jornadas que passavam por Meta agora “perdem” esse passo.
* O resultado mostra **queda significativa nas conversões totais**.

### Conclusão

**Meta** desempenhou papel essencial na jornada (mesmo sem ser sempre o último clique).

## Explicando para uma Criança

Pense que você está montando um **quebra-cabeça**. Cada peça ajuda a formar a figura final. O modelo de Markov testa o que acontece se você tirar uma peça: a figura ainda aparece ou fica incompleta? Assim sabemos quais peças são realmente importantes para completar o desenho.

## Vantagens do Modelo Markov

* Mede impacto real de cada canal.
* Considera todo o caminho do usuário, não apenas início ou fim.
* Ajuda a identificar canais de topo de funil que contribuem de forma invisível em outros modelos.

<Note>
  **Exclusividade:** Pouquíssimas plataformas oferecem esse nível de análise de
  forma acessível.
</Note>