This thesis presents the Privacy-by-design Attribution Model (PBDAM), a novel approach to multi-channel attribution modeling that addresses the challenges of capturing hidden interactions and ensuring equitable credit assignment while maintaining consumer privacy. PBDAM's performance is rigorously assessed through a comprehensive examination of both synthetic and actual empirical data, underscoring its superiority over conventional multi-channel attribution methods. Through analyzing a synthetic dataset with aggregated daily data and evaluating actual campaign data from major companies in Brazil, PBDAM demonstrates its ability to effectively capture hidden interaction information, generate fair attribution values, and provide valuable insights without compromising consumer privacy. The findings of this research establish PBDAM as a superior model in terms of performance, equitable credit assignment, and privacy- consciousness.

Esta tese introduz o Modelo de Atribuição Privacy-by-design (PBDAM), uma inovação na modelagem de atribuição multicanal que resolve os desafios de identificar interações ocultas e assegurar uma distribuição justa de créditos, tudo isso preservando a privacidade do consumidor. O PBDAM foi rigorosamente avaliado com base em conjuntos de dados sintéticos e empíricos, evidenciando sua superioridade em comparação com abordagens tradicionais. A análise de um conjunto de dados sintéticos e a avaliação de campanhas de grandes empresas brasileiras permitiram ao PBDAM demonstrar sua eficácia na captura de informações de interação ocultas, na geração de avaliações de crédito equitativas e na entrega de insights relevantes, sem abrir mão da privacidade. As conclusões alcançadas confirmam o PBDAM como um modelo avançado, com destaque em performance, equidade na atribuição de créditos e responsabilidade com a privacidade.