Análise de coorte: como ler a tabela que ninguém lê

Uma loja de cosméticos que acompanho fechou o primeiro semestre com 22% de recompra em 30 dias. No papel, um número morno. O time passou três semanas testando assunto de e-mail, cupom de retorno e frequência de disparo atrás daqueles pontos perdidos.

O problema não estava no e-mail. Estava no fato de que 22% não descrevia cliente nenhum. Era a média de cinco grupos de clientes: quatro deles rodavam entre 24% e 25%, e um, o de março, rodava a 16%. Março tinha sido o mês de uma campanha de cupom pesado que quase triplicou a entrada de clientes novos.

Taxa de retenção média é o tipo de número que parece uma resposta e funciona como um cobertor. Cobre tudo e não explica nada. A análise de coorte tira o cobertor.

O que é análise de coorte?

Análise de coorte é a técnica de separar clientes em grupos que compartilham um evento inicial na mesma janela de tempo, quase sempre o mês da primeira compra, e acompanhar cada grupo ao longo dos períodos seguintes. Em vez de uma taxa de retenção única para a base inteira, você enxerga a curva de cada safra separadamente.

O termo vem da epidemiologia, onde coorte é um grupo fechado acompanhado ao longo do tempo. A lógica migrou intacta para negócios: em vez de tirar fotos de grupos diferentes em meses diferentes e comparar as fotos, você segue o mesmo grupo e vê o que acontece com ele. Em português de mercado, safra é a palavra que mais ajuda. Cada mês de aquisição é uma safra, com qualidade própria.

Por que a média de retenção engana

Volte à loja de cosméticos. Cinco safras de clientes novos, de janeiro a maio, e quantos de cada uma voltaram a comprar nos meses seguintes.

Safra	Clientes novos	Recompra em M+1	Em M+2	Em M+3
Janeiro	400	96 (24%)	68 (17%)	56 (14%)
Fevereiro	520	130 (25%)	88 (17%)	68 (13%)
Março	900	144 (16%)	90 (10%)	72 (8%)
Abril	610	146 (24%)	104 (17%)	em curso
Maio	580	145 (25%)	em curso	em curso

A conta agregada: 3.010 clientes novos no período e 661 recompras no mês seguinte à entrada, ou 22%. Nenhuma safra é 22%. Quatro estão entre 24% e 25%, e março, sozinho, puxa a média para baixo porque entrou com mais que o dobro do volume de janeiro. A média não é o comportamento típico. É o comportamento de ninguém, ponderado pelo volume de quem errou.

Vale terminar a conta, porque ela muda a conversa sobre a campanha. Março trouxe 380 clientes novos a mais que fevereiro. Três meses depois, restavam 72 clientes ativos de março contra 68 de fevereiro. Os 380 clientes extras renderam quatro clientes ativos. Todo o investimento de mídia daquele mês comprou volume que evaporou, e a média de 22% escondeu isso por seis meses.

É por isso que retenção média e churn rate agregados funcionam como indicadores de painel, não de diagnóstico. Eles avisam que algo mudou. Não dizem o quê, nem quando entrou na casa.

Como montar uma coorte: quatro decisões

Montar uma tabela de coorte é escolher quatro coisas. Errar qualquer uma delas produz um gráfico bonito e inútil.

1. O evento que define a entrada. Primeira compra é o padrão do varejo. Em software, costuma ser a ativação, não o cadastro, porque quem cria conta e nunca usa polui a safra inteira.
2. A granularidade. Mensal funciona para a maioria. Semanal só faz sentido se o ciclo de compra for curto e o volume, alto. Trimestral é o refúgio de quem tem poucas contas por mês.
3. O evento que conta como retorno. Qualquer compra? Compra acima de um valor mínimo? Login? A escolha muda o número em dezenas de pontos, então registre a definição em algum lugar antes que alguém a mude no meio do ano.
4. A métrica da célula. Percentual de clientes ativos é o mais comum, mas receita acumulada por safra costuma responder melhor à pergunta que o financeiro está fazendo.

As três direções de leitura da tabela

Aqui está a parte que quase nenhum material cobre. Uma tabela de coorte não tem uma leitura. Tem três, e cada direção responde a uma pergunta diferente.

Linha: como esta safra envelhece?

Siga janeiro da esquerda para a direita: 24%, 17%, 14%. A perda é brutal no primeiro mês e desacelera depois. Isso é normal e é a informação mais útil da linha: existe um patamar, o grupo de gente que realmente virou cliente. Se a sua curva não achata nunca, o produto não tem retenção, tem inércia. Se achata cedo e alto, você tem um negócio de recorrência mesmo sem vender assinatura, e o cálculo de LTV passa a ter base real em vez de chute.

Coluna: a qualidade da aquisição mudou?

Leia a coluna de M+1 de cima para baixo: 24%, 25%, 16%, 24%, 25%. Cada célula da coluna representa safras diferentes na mesma idade, então a comparação é justa. Uma célula fora da linha, como março, aponta para o que aconteceu na aquisição daquele mês: canal novo, cupom agressivo, promoção que atraiu caçador de desconto. A coluna é o melhor detector de mídia que compra volume ruim.

Diagonal: aconteceu alguma coisa naquele mês?

A diagonal é a leitura que ninguém faz e que resolve os casos mais difíceis. Maio no calendário contém, ao mesmo tempo, o M+4 de janeiro, o M+3 de fevereiro, o M+2 de março e o M+1 de abril. Se todas essas células caem juntas, o problema não é de nenhuma safra: é do mês. Checkout quebrado, ruptura de estoque, frete que subiu, mudança de política, feriado longo. Uma queda que aparece em linha e coluna ao mesmo tempo quase sempre é um evento de calendário disfarçado de problema de retenção.

Coorte de clientes ou coorte de receita?

As duas versões da mesma tabela contam histórias diferentes, e escolher só uma é um erro comum.

	Coorte de clientes	Coorte de receita
O que a célula mostra	% da safra ainda ativa	receita gerada pela safra no período
Melhor para	varejo, apps, compra repetida	SaaS, assinaturas, B2B
Alerta que dá	base encolhendo	receita encolhendo com base estável
Ponto cego	ignora que quem fica gasta mais	esconde concentração em poucos clientes

Em negócio de assinatura, é comum as duas apontarem para lados opostos: a base cai 3% ao mês e a receita da safra sobe, porque quem fica migra para planos maiores. Essa diferença entre perder cliente e perder dinheiro é justamente o que a receita líquida de retenção mede, e é uma das métricas de SaaS que investidores olham primeiro. Se você só acompanha a coorte de clientes, vai comemorar um problema ou entrar em pânico com uma boa notícia.

Onde a análise de coorte quebra

Safras pequenas. Com 40 clientes numa safra, dois a mais comprando mexem cinco pontos percentuais. Abaixo de algo como 100 clientes por período, junte em trimestres ou aceite que a tabela mostra ruído com cara de tendência.

Ciclo de compra longo. Se o produto é recomprado a cada seis meses, a coorte mensal devolve uma parede de zeros e um susto desnecessário. Case a granularidade com o ciclo real de recompra, que você descobre olhando o intervalo mediano entre pedidos, não o que o time acha que é.

Mudança de mix. Trocar de canal muda quem entra. Safras novas podem ser piores sem que nada no produto tenha piorado. Quando isso acontece, corte a coorte por canal de origem antes de concluir qualquer coisa sobre retenção.

Limites da ferramenta. A exploração de coorte do Google Analytics 4 exibe no máximo 60 coortes e, quando você aplica uma dimensão de detalhamento, mostra apenas os 15 principais valores dela, segundo a documentação da própria ferramenta. Serve para começar e para responder perguntas de topo. Para cruzar safra com canal, plano e categoria de produto ao mesmo tempo, você vai precisar do dado bruto fora dela.

O que fazer com o que a tabela mostra

Uma tabela de coorte só vale o trabalho se virar decisão. Na prática, três decisões saem dela com frequência.

A primeira é sobre mídia: safras com M+1 abaixo do padrão apontam canais ou criativos que compram volume descartável. Corte verba ali antes de escalar. A segunda é sobre onboarding: se a queda de M0 para M+1 é sempre a maior, o dinheiro está no primeiro mês de vida do cliente, não na reativação de quem já sumiu. A terceira é sobre canal de venda. A pesquisa E-Consumidor 2026, feita pela Nuvemshop com a Opinion Box, apontou que 46,5% dos consumidores voltam a comprar em lojas próprias de marca, contra 30% em marketplaces. Se as suas safras de marketplace despencam e as de loja própria achatam, o padrão não é acidente, e a conclusão sobre onde investir muda.

Repare que nenhuma dessas decisões aparece numa taxa média. Todas aparecem quando você separa as safras.

Perguntas frequentes

Análise de coorte e análise de cohort são a mesma coisa?

Sim. Cohort é apenas o termo em inglês, e no Brasil as duas formas circulam no mesmo sentido. Vale saber que, em buscas em português, coorte também traz muito conteúdo de epidemiologia, onde o conceito nasceu.

Como fazer análise de cohort no Excel?

Você precisa de uma tabela com cliente, data da primeira compra e data de cada pedido. Crie uma coluna com o mês da primeira compra e outra com a diferença em meses entre o pedido e essa data. Jogue as duas numa tabela dinâmica, com a safra nas linhas e a diferença nas colunas, contando clientes distintos. É esse par de colunas calculadas que faz o trabalho, não a tabela dinâmica.

Dá para fazer análise de cohort no Power BI?

Dá, e a lógica é a mesma: uma medida DAX que conta clientes distintos por safra e por índice de período. O trabalho difícil continua sendo a modelagem da data de primeira compra, que precisa ficar fixa por cliente e não pode ser recalculada dentro do filtro de período.

Qual é uma boa taxa de retenção por coorte?

Depende tanto do setor que benchmark externo costuma atrapalhar mais que ajudar. O parâmetro útil é interno: a sua própria safra de seis meses atrás, na mesma idade. O que importa é se a curva está achatando mais alto do que achatava antes.

Análise de coorte serve para quem não vende por assinatura?

Serve, e às vezes rende mais. Em varejo e serviços, a coorte é o que revela se a segunda compra existe de fato ou se o negócio vive de trazer gente nova todo mês, que é a situação mais cara e menos visível numa planilha de faturamento.

A tabela não resolve nada sozinha

O valor da análise de coorte não está em construir a tabela, está em olhar para ela com uma pergunta na cabeça. Quem monta uma vez, tira print e nunca mais volta ganhou um slide. Quem revisita a mesma tabela todo mês, sempre perguntando o que mudou na safra nova em relação à anterior, ganha um sistema de alerta que detecta problema de aquisição meses antes do faturamento reclamar. É um hábito barato com retorno desproporcional.

O obstáculo raramente é conceitual. É que o dado de pedidos está no e-commerce, o de origem está na plataforma de anúncios e o de cadastro está no CRM, e cruzar os três dá trabalho suficiente para a análise ficar para depois. O Sherlok existe para encurtar esse caminho: você conecta as fontes uma vez e passa a perguntar em português, do tipo "compare a recompra em 30 dias das safras dos últimos seis meses por canal de aquisição", recebendo a análise pronta em vez de uma fila de extrações. A tabela continua sendo sua. O que muda é o tempo entre a pergunta e a resposta.