Como este tema funciona na sua empresa
Operação tipicamente ainda não roda análise de coorte — métricas se resumem a receita mensal, número de pedidos, ticket médio. Para começar, basta uma planilha (Google Sheets ou Excel) com a base de pedidos exportada da plataforma (Shopify, Nuvemshop, VTEX, Loja Integrada). Estrutura mínima: linha igual mês da primeira compra (safra), coluna igual número de meses após primeira compra, célula igual % de clientes da safra que comprou de novo no mês X. Em 2-4 horas o primeiro modelo está rodando, mesmo com 200-2.000 clientes. Vale como aprendizado qualitativo, não para decisão estatística fina.
Dashboards de coorte em BI (Power BI, Looker Studio, Tableau, Metabase) atualizados mensalmente. Coortes segmentadas por canal de aquisição (Meta Ads, Google Ads, orgânico, direct, social), por categoria de primeira compra e por ticket inicial. Métricas acompanhadas: % de retenção por safra, receita acumulada por safra, LTV calculado a partir de coorte. Decisão de investimento em canal usa retenção do canal, não apenas CAC. Investimento típico: licença de BI (R$ 500-5.000/mês) + tempo de analista BI ou ecommerce manager.
Modelos preditivos sobre coortes — ML classifica perfis de cliente para prever LTV esperado por safra e por segmento. Coortes cruzadas em múltiplas dimensões (canal x categoria x região x ticket). Plataformas como Amplitude, Mixpanel ou stack proprietário em data warehouse (Snowflake, BigQuery) com camada de analytics. Time de analytics dedicado interpreta tendências entre safras, identifica deterioração ou melhoria e aciona investimento em canal específico. Investimento: equipe de analytics (3-15 pessoas) + plataformas (US$ 50.000-1.000.000/ano).
Análise de coorte em e-commerce
(cohort analysis) é o método analítico que agrupa clientes por característica compartilhada — tipicamente o mês de primeira compra (safra) — e acompanha seu comportamento ao longo do tempo (recompra, receita acumulada, cancelamento) em uma matriz de safra contra meses subsequentes, revelando padrões de retenção que ficam escondidos quando se olha apenas para médias gerais, e fornecendo a base correta para cálculo de LTV (valor do cliente no tempo) e para comparar a qualidade real entre canais de aquisição.
Por que média geral mente
Quando o e-commerce olha "ticket médio de R$ 180 e taxa de recompra de 32%", está olhando agregado. Esse número combina clientes novos (que mal compraram uma vez) com clientes antigos (que já têm padrão de recompra estável). A média geral pode subir ou descer por mil razões — mudança de mix de produto, mudança de canal de aquisição, sazonalidade — sem que ninguém saiba o que mudou.
Coorte resolve esse problema. Ao agrupar clientes por mês de primeira compra, cada safra é acompanhada separadamente. Você consegue responder perguntas que a média esconde:
A safra de janeiro está se comportando pior que a de outubro do ano passado? Por quê?
Clientes adquiridos por Meta Ads compram de novo menos que os adquiridos por orgânico? Quanto a menos?
A queda de receita do mês passado é coorte recente fraca ou coorte antiga em fadiga?
Sem coorte, essas perguntas viram especulação. Com coorte, viram dado.
Como montar uma análise de coorte
Estrutura básica em três passos:
Passo 1 — extrair dados. Da plataforma de e-commerce, exporte tabela de pedidos com pelo menos: ID do cliente, data do pedido, valor do pedido. Se disponível: canal de aquisição (UTM do primeiro contato), categoria do produto, região. A janela ideal cobre pelo menos 12 meses de histórico.
Passo 2 — definir coortes. Para cada cliente, identifique o mês da primeira compra. Esse mês é a "safra" do cliente. Todos os clientes da mesma safra são agrupados.
Passo 3 — montar a matriz. Em planilha ou BI, crie tabela onde:
(a) Linha igual mês da primeira compra (safra) — janeiro/2024, fevereiro/2024 etc. (b) Coluna igual mês relativo após primeira compra — M0 (mês da primeira compra), M1 (mês seguinte), M2 (dois meses depois) etc. (c) Célula igual métrica desejada — pode ser % de clientes da safra que comprou no mês relativo (coorte de retenção), receita gerada no mês relativo (coorte de receita) ou número absoluto de clientes ativos.
Resultado: tabela em formato triangular (safras antigas têm mais colunas preenchidas que safras recentes). É a base de toda análise.
Tipos de coorte úteis em e-commerce
Coorte de retenção (clientes). Mostra, para cada safra, o % de clientes que continuam comprando ao longo dos meses. Exemplo: safra de janeiro/2024 tinha 1.000 clientes; em M1 (fevereiro), 12% compraram de novo; em M3, 8%; em M6, 4%. A "curva de retenção" mostra como esse % cai ao longo do tempo.
Coorte de receita. Mostra, para cada safra, a receita gerada por safra em cada mês subsequente. Exemplo: clientes adquiridos em janeiro geraram R$ 240.000 no mês de aquisição, R$ 35.000 no M1, R$ 18.000 no M3. Útil para calcular LTV acumulado.
Coorte de receita acumulada. Variação da anterior que soma a receita até o mês X. Exemplo: clientes adquiridos em janeiro acumularam R$ 312.000 até o M6, R$ 380.000 até M12. Base direta para LTV.
Coorte por canal de aquisição. Divide as safras por canal (Meta Ads, Google Ads, orgânico, direto, e-mail, social orgânico). Permite ver que o cliente vindo de Meta tem retenção de 25% em M1, e o cliente vindo de orgânico, 45%. Decisão de investimento muda radicalmente quando se vê isso.
Coorte por categoria de primeira compra. Cliente que comprou primeiro na categoria A tem padrão de recompra diferente do que comprou em B. Útil para identificar "categoria de aquisição" — produto que traz cliente que depois compra outras coisas.
Coorte por ticket inicial. Cliente cujo primeiro pedido foi acima da média se comporta diferente do que comprou abaixo? Em muitos e-commerces, ticket inicial alto correlaciona com retenção alta — sinal de cliente premium ou de qualidade do produto bem demonstrada.
Como ler uma curva de retenção
A curva de retenção (% de clientes da safra ativos em cada mês após a aquisição) tem formato característico em e-commerce: queda acentuada nos primeiros 1-3 meses, depois estabilização.
Queda acentuada inicial. Esperado em quase todo e-commerce. A maioria dos clientes que comprou uma vez não volta nos primeiros 30 dias. É natural. O que importa é quanto cai.
Ponto de estabilização. Em algum mês (varia por categoria — em moda, M3-M6; em mercado, M1-M3; em assinatura, mais cedo), a curva começa a estabilizar. O % que continua ativo nesse platô é o "núcleo retido" da safra.
O platô importa mais que a queda inicial. Empresa A perde 80% no M3 mas estabiliza em 20%. Empresa B perde 60% no M3 mas continua caindo até 5% em M12. Empresa A tem retenção real superior, embora a queda inicial pareça pior.
Smile curve. Em alguns casos especiais (e-commerce com aquisição em massa em data específica, como Black Friday), a curva tem formato de sorriso: cai forte, estabiliza, e sobe de novo quando os clientes da safra voltam para a próxima Black Friday. Sinal de comportamento sazonal recorrente.
Comparação entre safras. Safras recentes devem ter, na mesma idade relativa (M1, M2, M3), retenção igual ou melhor que safras antigas. Se piorou, há sinal de algum problema (canal pior, mix mudou, qualidade caiu, concorrência). Se melhorou, alguma ação está funcionando.
Planilha (Google Sheets ou Excel) com base de pedidos exportada da plataforma e fórmulas básicas (CONT.SE, SOMASES). Modelo simples: matriz safra × mês relativo, célula com % de retenção. Revisão eventual (trimestral). Vale como descritivo, não preditivo. Foco: identificar diferenças entre canais de aquisição para realocar mídia.
Dashboard de coorte em BI (Power BI, Looker Studio, Tableau, Metabase) atualizado mensalmente, com filtros por canal, categoria, região, ticket inicial. Métrica primária: LTV/CAC por canal (LTV calculado a partir da coorte). Decisão de orçamento de mídia parte da leitura de coorte, não só de CAC do mês. Revisão mensal em comitê de marketing e crescimento.
Pipeline de dados em warehouse (Snowflake, BigQuery, Redshift) consolida pedidos, contatos, eventos. Coorte rodada em dbt + visualização em Looker, Mode ou stack proprietário. Modelos preditivos (ML) estimam LTV por perfil antes de a coorte amadurecer — útil para decisão de mídia em tempo quase real. Time de analytics avalia tendências entre safras e aciona alocação de orçamento.
Conexão com LTV
LTV (valor do cliente no tempo) bem calculado vem de coorte. Quando empresas calculam LTV como "ticket médio × frequência × margem", sem coorte, o número é fictício — não reflete o decaimento real ao longo do tempo.
Cálculo de LTV a partir de coorte:
(a) Tome uma safra com pelo menos 12 meses de histórico (idealmente 24). (b) Some a receita gerada por essa safra ao longo de todos os meses. (c) Divida pelo número de clientes da safra. (d) Resultado: LTV bruto até o horizonte observado.
Para LTV em margem: aplique a margem média sobre o número acima.
Para LTV projetado além do horizonte observado: ajuste curva de retenção em modelo simples (decaimento exponencial ou potência) e estime receita futura. Acima de 24 meses, projeções viram chute — vale calibrar com cautela.
LTV por canal de aquisição é onde a coorte faz diferença operacional. Canal A tem CAC R$ 80 e LTV (12 meses) R$ 280; canal B tem CAC R$ 65 e LTV (12 meses) R$ 180. Mesmo com CAC menor, o canal B é pior — LTV/CAC de 2,8 contra 3,5 do A. Decisão: dobrar A, reduzir B. Sem coorte por canal, essa decisão seria invisível.
Conexão com CAC
CAC (custo de aquisição de cliente) por canal x retenção do canal (lida em coorte) é a equação central de decisão de mídia em e-commerce.
Métricas que importam:
LTV/CAC por canal. Quantas vezes o LTV cobre o CAC. Benchmark típico em e-commerce: acima de 3x é saudável; entre 1,5x e 3x é aceitável com olhar; abaixo de 1,5x exige correção.
Payback do CAC. Quantos meses leva para a receita acumulada da safra recuperar o CAC. Em e-commerce, payback abaixo de 6 meses é forte; entre 6 e 12 é razoável; acima de 12 começa a pesar no caixa.
Margem incremental por safra. Quanto cada real investido em aquisição gera em margem ao longo do tempo, considerando retenção real.
Sem coorte, essas métricas viram média geral — e média esconde o canal ruim que está sendo financiado com a retenção do canal bom.
Ferramentas para rodar coorte
Planilha (Google Sheets, Excel). Início simples, funciona para até alguns milhares de clientes. Limitação: trabalho manual de atualização, fórmulas pesadas com volume.
Looker Studio (gratuito). Conecta a Google Sheets, BigQuery, plataformas de e-commerce via conector. Visualização básica de coorte é manual; comunidade compartilha templates.
Power BI. Modelo de dados robusto, visualização avançada, ideal para média empresa. Conecta a SQL, planilhas, plataformas de e-commerce via conectores.
Tableau. Mais robusto para análise visual exploratória; custo de licença maior; curva de aprendizado.
Metabase, Redash. Open-source para times com infraestrutura SQL. Bom custo-benefício.
Klaviyo, Mailchimp (segmento e-commerce). Plataformas de e-mail trazem visões de coorte de clientes — útil para campanhas, limitado para análise estratégica.
GA4. Tem relatório de coorte nativo, mas com limitações (granularidade, sampling). Útil como diagnóstico inicial, não como fonte de verdade.
Mixpanel, Amplitude. Ferramentas dedicadas a análise de produto e cliente, com coortes nativas avançadas. Custo alto, faz sentido em volume e maturidade analítica avançada.
VTEX, Shopify e plataformas de e-commerce. Algumas trazem dashboards de coorte nativos ou via apps. Verificar antes de construir do zero.
Erros comuns
Olhar só média. O erro original que coorte resolve. Empresa que reporta "30% de recompra" sem ver a curva por safra perde toda a riqueza.
Coorte muito pequena. Safra com 30 clientes em uma planilha gera ruído estatístico. Em base pequena, agrupar safras por trimestre, não por mês.
Ignorar o shape. Olhar só M1 ou só M12 sem ver a curva inteira esconde padrão. O ponto de estabilização e a inclinação contam mais que pontos isolados.
Mudar definição entre revisões. Em janeiro, coorte é "comprou de novo em qualquer canal". Em março, vira "comprou no canal direto". Comparação fica impossível. Defina a métrica antes e mantenha.
Não segmentar por canal. Coorte agregada esconde o canal ruim. Sempre quebrar por canal de aquisição.
Comparar safras incomparáveis. Black Friday/2023 com janeiro/2024 — sazonalidade e mix diferentes. Comparar safras de mesmo tipo (todas as Black Fridays entre si; todos os janeiros entre si) ou ajustar para o efeito.
Calcular LTV sem coorte. "Ticket médio × frequência × margem" gera número que não reflete decaimento. LTV de verdade vem de coorte.
Não revisar mensalmente. Coorte que é calculada uma vez por ano vira documento morto. Revisão mensal é o mínimo em e-commerce ativo.
Sinais de que sua operação precisa de coorte
Se três ou mais sintomas se aplicam, vale priorizar a implementação ou maturação da análise de coorte.
- Sem visão de coorte mensal — métricas se resumem a receita, pedidos, ticket médio agregados.
- LTV é calculado por fórmula simples (ticket × frequência), sem partir de coorte real.
- Decisão de investir em canal é tomada pelo CAC do mês, sem comparar retenção entre canais.
- Sem segmentação por safra — todos os clientes são tratados como se fossem do mesmo grupo.
- A curva de retenção nunca foi visualizada — ninguém na empresa sabe o "shape" do decaimento.
- BI da empresa não tem visão de coorte; relatórios são listas de números sem matriz temporal.
- Quando a receita cai, ninguém sabe se é safra recente ruim ou safra antiga em fadiga.
- Canais com CAC baixo continuam financiados sem análise de retenção comparativa.
Caminhos para implementar análise de coorte
A decisão entre construir capacidade interna ou contratar consultoria depende da maturidade do time, da disponibilidade de dados e da escala da operação.
Analista de BI ou ecommerce manager constrói modelo de coorte em planilha (começo) ou BI (escala). Definição de métricas, segmentação por canal e categoria, atualização mensal. Decisões de mídia e produto usam coorte como input regular.
- Perfil necessário: analista de BI ou ecommerce manager com noção de SQL e BI + acesso aos dados da plataforma de e-commerce
- Quando faz sentido: base de pelo menos algumas centenas de clientes mensais, time disposto a aprender, prioridade clara para retenção
- Investimento: tempo do analista (40-80h iniciais + 4-8h/mês) + licença de BI (gratuito a R$ 5.000/mês)
Consultoria de analytics ou agência analítica estrutura o modelo de coorte, conecta fontes de dados, treina o time interno. Manutenção pode ser terceirizada (BI as a service) ou trazida para casa após a implantação.
- Perfil de fornecedor: consultoria de business intelligence, agência de marketing digital com prática analítica, especialista em database marketing
- Quando faz sentido: dados espalhados em múltiplas plataformas, falta de analista interno, decisão de tornar coorte processo estrutural
- Investimento típico: projeto de implantação (R$ 15.000-80.000) + manutenção mensal (R$ 2.000-15.000) ou treinamento e handoff
Suas decisões de canal consideram o shape da curva de retenção por coorte?
O oHub conecta sua empresa a consultorias de business intelligence, agências de marketing digital com prática analítica e especialistas em database marketing. Em poucos minutos, descreva seu desafio e receba propostas de quem entende o mercado brasileiro.
Encontrar fornecedores de Marketing no oHub
Sem custo, sem compromisso. Você recebe propostas e decide se e com quem avançar.
Perguntas frequentes
O que é análise de coorte?
Coorte (cohort) é grupo de clientes que compartilha característica — em e-commerce, tipicamente o mês da primeira compra (safra). Análise de coorte agrupa clientes por essa característica e acompanha o comportamento ao longo do tempo (recompra, receita, cancelamento), revelando padrões que ficam escondidos na média geral. É a base correta para calcular LTV real e comparar qualidade entre canais de aquisição.
Como montar coorte de e-commerce?
Três passos: (1) exporte da plataforma a base de pedidos com ID do cliente, data e valor — idealmente com canal de aquisição, categoria e região; (2) identifique a "safra" de cada cliente (mês da primeira compra); (3) monte matriz onde linha = safra, coluna = mês relativo após primeira compra (M0, M1, M2...) e célula = métrica desejada (% de retenção, receita, receita acumulada). Em planilha, dois a quatro horas montam o primeiro modelo. Em BI, dashboard fica reutilizável.
Como ler curva de retenção?
Curva típica em e-commerce tem queda acentuada nos primeiros 1-3 meses e depois estabiliza em platô. O platô importa mais que a queda inicial — empresa que perde 80% mas estabiliza em 20% tem retenção real superior à que perde 60% mas continua caindo até 5%. Em alguns casos aparece "smile curve" (sobe de novo em sazonalidade recorrente). Compare safras de mesma idade relativa — se safras recentes estão piores que antigas, há sinal de problema.
Coorte por canal: como fazer?
Adicione ao dado de pedido o canal de aquisição (primeiro contato com a marca, registrado via UTM ou modelo de atribuição). Crie matriz separada por canal: safra de Meta Ads, safra de Google Ads, safra de orgânico, safra de direto. Compare retenção e receita acumulada por canal. Canal A pode ter CAC menor mas LTV/CAC pior — só a coorte por canal revela. Decisão de mídia muda quando essa visão entra na rotina.
Quais ferramentas mostram coorte?
Planilha (Google Sheets, Excel) para começar — funciona até alguns milhares de clientes. Looker Studio (gratuito) e Power BI para média empresa. Tableau para análise visual avançada. Metabase e Redash open-source para times com SQL. GA4 tem coorte nativo com limitações. Mixpanel e Amplitude são dedicadas a coortes avançadas (alto custo). Algumas plataformas de e-commerce (VTEX, Shopify) e de email (Klaviyo) trazem visões nativas — verificar antes de construir do zero.
Coorte e LTV: como se conectam?
LTV bem calculado vem de coorte. Calcule a receita acumulada da safra ao longo dos meses, divida pelo número de clientes da safra — você tem LTV bruto até o horizonte observado. Aplicar margem dá LTV em margem. Projeção além do observado exige ajuste de curva. LTV por canal de aquisição é o uso mais valioso: cliente que veio do Meta tem LTV diferente do que veio de orgânico, e essa diferença orienta investimento. Sem coorte, LTV vira fórmula fictícia (ticket × frequência), sem refletir o decaimento real.
Fontes e referências
- Avinash Kaushik — Occam's Razor — referência em analytics digital, com guias sobre análise de coorte e métricas de retenção.
- Brian Balfour / Reforge — frameworks de growth, retenção e curva de retenção como métrica central de produto.
- Klaviyo — guias e benchmarks de retenção em e-commerce por vertical (moda, beleza, alimentos, eletrônicos).
- Conversion — relatórios e análises sobre comportamento de compra e retenção no e-commerce brasileiro.
- ABComm — Associação Brasileira de Comércio Eletrônico — dados de mercado e referências sobre o setor.