Toda empresa que vende mais de uma vez para o mesmo cliente acaba fazendo a mesma pergunta: as pessoas estão voltando? O painel costuma responder com uma média, a taxa de retenção do mês, e a média quase sempre engana. Ela mistura clientes que chegaram há dois anos com os que chegaram na semana passada, e uma campanha que trouxe muita gente de uma vez pode esconder uma piora real.
A análise de cohort resolve isso separando os clientes em turmas, pela data de entrada. Este guia explica o que é, quando usar, como montar no GA4, no Excel e no Power BI, e mostra um detalhe que os tutoriais não contam: a mesma base de dados gera curvas de retenção diferentes conforme a regra de contagem que a ferramenta usa.
O que é análise de cohort?
Cohort, ou coorte em português, é um grupo de pessoas que compartilham uma característica num mesmo período. Na análise de marketing e de produto, a característica mais usada é a data de entrada: todos os clientes que fizeram a primeira compra em janeiro formam a coorte de janeiro, os de fevereiro formam a de fevereiro, e assim por diante.
A análise acompanha cada coorte ao longo do tempo e mede quantos de seus membros voltam a fazer alguma coisa (comprar, acessar, usar o produto) no período 1, no período 2, no período 3. O resultado é uma tabela em escada: cada linha é uma coorte, cada coluna é um período desde a entrada, e cada célula diz quantos voltaram. Lida na vertical, a tabela mostra se as turmas mais novas retêm melhor ou pior do que as antigas.
Por que cohort é importante?
Porque separa o efeito do tempo do efeito da turma. Uma taxa de retenção geral que cai pode significar que o produto piorou, ou só que entrou muita gente nova, que naturalmente volta menos no começo. A análise de cohort distingue as duas coisas.
- Mostra o impacto de mudanças: se o onboarding mudou em março, a coorte de março em diante deve reter diferente das anteriores.
- Avalia a qualidade da aquisição: clientes trazidos por uma promoção agressiva podem comprar uma vez e sumir; a coorte daquele mês revela isso.
- Alimenta o cálculo de valor do cliente: a curva de retenção por coorte é a base para estimar quanto um cliente gera ao longo do tempo.
- Antecipa o churn: a queda na retenção dos primeiros períodos aparece antes de afetar a receita total.
A ligação com o valor do cliente é direta: a mesma tabela de coorte é o método mais usado para estimar o LTV, como mostramos no artigo sobre lifetime value e o que o GA4 chama de valor.
Quais são os tipos de análise de coorte?
Há dois grandes tipos, que respondem a perguntas diferentes:
| Tipo | Como agrupa | Pergunta que responde | Exemplo |
|---|---|---|---|
| Coorte de aquisição | Pela data de entrada (primeira visita, primeira compra, cadastro) | As turmas novas retêm melhor que as antigas? | Clientes da primeira compra em março |
| Coorte comportamental | Por uma ação feita no período (usou um recurso, comprou certa categoria) | Quem faz X volta mais do que quem não faz? | Quem usou o cupom na primeira compra |
| Coorte por origem | Coorte de aquisição detalhada por canal, campanha ou região | Qual canal traz o cliente que fica? | Primeira compra em março vinda de mídia paga |
Organização da Alliance Comunicação a partir das formas usuais de análise de coorte.
Na prática, quase toda análise começa pela coorte de aquisição e depois é detalhada por origem ou por comportamento. A pergunta de negócio decide o recorte, e não o contrário.
Quando usar a análise de cohort?
Ela faz sentido sempre que o negócio depende de o cliente voltar. Os casos mais comuns:
- Assinatura e SaaS: quantos clientes de cada mês continuam pagando no mês 3, 6, 12.
- E-commerce: quantos compradores de primeira viagem fazem a segunda compra, e em quanto tempo.
- Aplicativos e conteúdo: quantos usuários de cada semana voltam a abrir o app.
- B2B com recompra: quantos clientes de cada trimestre renovam ou ampliam o contrato.
- Avaliação de campanha: se os clientes de uma ação específica se comportam diferente dos trazidos por outros canais.
Ela faz menos sentido quando a compra é única por natureza (um imóvel, uma formatura) ou quando o volume é tão pequeno que cada coorte tem poucas pessoas e qualquer variação vira ruído.
Como o GA4 conta a semana e o mês da coorte?
Aqui está o primeiro detalhe que muda o resultado. Na exploração de coorte do GA4, os períodos seguem o calendário, e não uma contagem de dias corridos:
A consequência prática: um usuário que entrou num sábado tem uma “semana 0” de um único dia. Se ele volta no domingo seguinte, o GA4 o conta como retido na semana 1, embora tenha voltado no dia seguinte. Um usuário que entrou num domingo tem sete dias de semana 0. Coortes semanais do GA4 misturam, portanto, pessoas com janelas iniciais de tamanhos diferentes.
Nenhuma das duas regras está errada. O problema surge quando alguém compara a tabela do GA4 com uma montada no Excel ou no CRM com dias corridos e conclui que um dos números está quebrado. Antes de comparar, confira a regra de período das duas fontes.
Qual a diferença entre os cálculos padrão, contínuo e cumulativo?
Este é o segundo detalhe, e o que mais muda a leitura. O GA4 oferece três formas de decidir quem conta como retido em cada período:
- Padrão: cada célula inclui todos os usuários da coorte que atendem ao critério de retorno naquele período, não importa o que fizeram nos outros.
- Contínuo: cada célula inclui quem atende ao critério naquele período e em todos os anteriores. Quem falhou uma semana sai da conta para sempre.
- Cumulativo: cada célula inclui quem atendeu ao critério em qualquer período até ali. Quem voltou uma vez continua contando.
Para ver o efeito, imagine uma coorte de 10 usuários e o padrão de retorno de cada um nas semanas 1, 2 e 3 (exemplo ilustrativo). Cinco voltam na semana 1, cinco na semana 2 e cinco na semana 3, mas não são sempre os mesmos cinco. O resultado nas três contas:
| Cálculo | Semana 1 | Semana 2 | Semana 3 | Leitura |
|---|---|---|---|---|
| Padrão | 50% | 50% | 50% | Retenção estável: metade volta toda semana |
| Contínuo | 50% | 30% | 20% | Retenção caindo: poucos voltam sem falhar |
| Cumulativo | 50% | 70% | 80% | Alcance crescendo: quase todos já voltaram alguma vez |
Exemplo ilustrativo da Alliance Comunicação, com as regras de cálculo descritas na Central de Ajuda do Google Analytics.
Qual usar? O padrão responde “quantos estão ativos em cada período” e serve para acompanhar engajamento. O contínuo responde “quantos criaram o hábito sem interrupção” e é o mais exigente, útil para produtos de uso frequente. O cumulativo responde “quantos já voltaram pelo menos uma vez” e funciona bem para recompra no e-commerce, em que o cliente não precisa comprar toda semana.
Como fazer análise de cohort no GA4?
O caminho é a seção Explorar, com a técnica de exploração de coorte. Os passos:
1. Defina o critério de inclusão
É o que coloca o usuário na coorte: primeiro contato (data de aquisição), qualquer evento, qualquer transação, qualquer conversão ou um evento específico. Para retenção de clientes, a primeira transação costuma ser o critério mais útil; para engajamento, o primeiro contato.
2. Defina o critério de retorno
É o que conta como “voltou”: qualquer evento, qualquer transação, qualquer conversão ou um evento específico. Um retorno por qualquer evento mede visita; por transação, mede recompra. Misturar os dois é o erro mais comum.
3. Escolha a granularidade
Diária, semanal ou mensal. Escolha pelo ciclo natural do negócio: um app de uso diário pede semanas; um e-commerce de reposição mensal pede meses.
4. Escolha o cálculo
Padrão, contínuo ou cumulativo, conforme a pergunta (veja a seção anterior). Anote a escolha no relatório: quem lê a tabela precisa saber qual regra gerou o número.
5. Detalhe com cuidado
Dá para abrir as coortes por uma dimensão, como canal ou dispositivo. Mas respeite os limites: a análise exibe no máximo 60 coortes e, com uma dimensão de detalhamento, apenas os 15 principais valores. Coortes muito pequenas podem ser omitidas por limiar de anonimato, sobretudo em dimensões geográficas.
Como fazer análise de cohort no Excel e no Power BI?
Quando o GA4 não basta, por exemplo quando a compra acontece no CRM, na loja física ou num ERP, a tabela pode ser montada a partir da base de pedidos. A lógica é a mesma nas duas ferramentas:
- Uma linha por pedido, com o identificador do cliente e a data.
- Data de entrada de cada cliente: a menor data de pedido daquele cliente. Ela define a coorte (por exemplo, o mês da primeira compra).
- Período desde a entrada: a diferença, em meses ou semanas, entre a data do pedido e a data de entrada. No Excel, para meses, a conta (ano do pedido − ano de entrada) × 12 + (mês do pedido − mês de entrada) resolve.
- Tabela dinâmica com a coorte nas linhas, o período nas colunas e a contagem distinta de clientes nos valores.
- Divisão pelo tamanho da coorte, a coluna do período 0, para chegar à porcentagem.
No Power BI, a diferença de períodos costuma ser feita com a função DATEDIFF do DAX. Vale saber como ela conta: segundo a documentação da Microsoft, a função retorna o número de limites de intervalo entre duas datas. Entre 1º de julho de 2019 e 31 de dezembro de 2021, o exemplo oficial dá 29 meses, e não 30. É uma regra de calendário, parecida com a do GA4, e diferente de dividir os dias por 30.
Por isso, a regra precisa ser decidida antes da fórmula. Quem monta a tabela no Excel por dias corridos e compara com o GA4 por calendário vai encontrar diferenças que não são erro. Detalhamos armadilhas parecidas de cálculo no artigo sobre a taxa que a coluna calcula errado no DAX.
Como ler uma tabela de coorte?
A tabela tem três direções de leitura, e cada uma responde a uma pergunta diferente. Vale percorrer as três antes de tirar qualquer conclusão:
- Na horizontal (uma linha): mostra a vida de uma turma. Quanto cai do período 0 para o 1, onde a curva se estabiliza e se há algum período em que ela volta a subir, como num mês de recompra sazonal.
- Na vertical (uma coluna): compara turmas no mesmo ponto da vida. Se a coluna do período 3 melhora de cima para baixo, as coortes mais novas estão retendo melhor. É a leitura que mostra o efeito de uma mudança.
- Na diagonal: junta células do mesmo mês do calendário, de turmas diferentes. Uma queda que aparece na diagonal, e não nas linhas, costuma indicar um evento externo naquele mês, como uma falha no site ou uma mudança de preço.
A primeira queda, do período 0 para o 1, é quase sempre a maior, e é ali que pequenas melhorias rendem mais. Um onboarding que faz mais gente voltar na primeira semana desloca a curva inteira para cima. Já a parte plana da curva, quando ela para de cair, mostra o núcleo de clientes que ficou: é esse número que sustenta a receita recorrente.
Um cuidado final: coortes de tamanhos muito diferentes não devem ser somadas numa média simples. Uma turma de 5 mil clientes e outra de 200 não têm o mesmo peso. Se for preciso resumir, pondere pelo tamanho de cada coorte ou mostre as duas lado a lado.
Quais os erros mais comuns na análise de cohort?
- Não declarar o cálculo. Uma tabela de retenção sem dizer se é padrão, contínua ou cumulativa não pode ser comparada com nada.
- Comparar fontes com regras de período diferentes. Semana de calendário no GA4 e sete dias corridos na planilha não batem.
- Misturar critério de retorno. Visita não é recompra; escolha um e mantenha.
- Ler as coortes recentes como se fossem completas. A coorte do mês passado ainda não teve tempo de chegar ao período 6.
- Coortes pequenas demais. Com poucas pessoas por turma, uma variação de dois clientes parece tendência.
- Olhar só a média. O valor da análise está em comparar as linhas entre si, não em tirar mais uma média.
Por onde começar hoje
Escolha uma pergunta de negócio, uma só. “Os clientes que chegaram depois da mudança no onboarding voltam mais?” ou “Os compradores da Black Friday fazem a segunda compra?”. A partir dela, decida o critério de entrada, o de retorno, a granularidade e o cálculo, e escreva essas quatro escolhas no topo da tabela. Só então monte a análise, no GA4 se o comportamento está no site, no Excel ou no Power BI se está no CRM.
Quando a retenção precisa virar painel, com coortes atualizadas sozinhas a partir do CRM e do site, o time de BI e dashboards da Alliance integra as fontes e documenta as regras de cálculo. E, para ver onde a retenção se encaixa no marketing como um todo, o diagnóstico de marketing gratuito leva cerca de 30 minutos e aponta as lacunas de dados, CRM e relacionamento.





















