A média de recompra da sua base provavelmente esconde dois grupos opostos: um que volta todo mês e outro que sumiu depois da primeira compra.
Sumário
Quando você olha só a média, os dois comportamentos se misturam, e o diagnóstico fica raso.
É esse ponto cego que a análise de cohort resolve. Em vez de tratar a base inteira como um bloco único, ela separa os clientes por safra, o mês ou período em que fizeram a primeira compra, e acompanha o comportamento de cada grupo ao longo do tempo.
O resultado aparece numa matriz: cada linha é uma safra, cada coluna é um período depois da entrada, e os valores mostram quantos clientes daquela safra ainda compram.
Neste conteúdo, você vai entender os conceitos por trás da análise de cohort, montar a matriz no Excel e no Power BI e usar os dados para orientar decisões de marketing e retenção de clientes.
O que é Cohort?
Cohort é um grupo de clientes que compartilha uma característica de entrada em comum, geralmente a data da primeira compra.
A análise de cohort acompanha como esse grupo específico se comporta ao longo do tempo, no lugar de resumir a base inteira em um único número.
Um exemplo disso são clientes que compraram pela primeira vez em janeiro formam a safra de janeiro. A análise mostra quantos desses clientes voltaram a comprar em fevereiro, em março e assim por diante, e comparar essa safra com a de fevereiro revela se a aquisição está trazendo clientes mais ou menos fiéis conforme os meses passam.
A cohort também pode ser formada por comportamento, e não só por tempo.
Clientes que compraram usando cupom de primeira compra formam uma safra que pode ser comparada com a de clientes que chegaram por indicação, o que ajuda a enxergar se a origem do cliente influencia o quanto ele volta a comprar.
O que é e como analisar o ciclo de vida do cliente no varejo?
O ciclo de vida do cliente descreve as etapas que ele percorre desde o primeiro contato até o momento em que deixa de comprar, e é esse ciclo que dá sentido à leitura da matriz de cohort.
Antes do cohort: entenda o ciclo de vida do cliente
Todo cliente passa por estágios parecidos: aquisição, ativação, retenção, recompra e, eventualmente, o risco de churn.
A análise de cohort funciona como uma câmera que registra em que ponto do ciclo cada safra está, e isso muda completamente o diagnóstico de uma queda de vendas.
Um varejista que só olha o total de faturamento do mês não enxerga se a queda em março veio de menos aquisição ou de clientes antigos abandonando a base.
Já quando a cohort mostra que a safra de janeiro caiu de comprar em março, fica claro que o problema é retenção, e não aquisição, então a resposta certa é uma campanha de recompra, não mais investimento em mídia.
Diferenças entre cohort por tempo e cohort por comportamento
A cohort por tempo agrupa clientes pelo mês ou trimestre da primeira compra. É a mais comum e a mais simples de montar em uma planilha, porque basta uma coluna de data para começar.
Já a cohort por comportamento agrupa clientes por uma ação específica: canal de aquisição, categoria da primeira compra, uso de cupom ou meio de pagamento.
Comparar a retenção de quem parcelou com a de quem pagou à vista, por exemplo, pode revelar qual perfil tem maior tendência de recompra, e combinar os dois tipos de cohort aprofunda ainda mais a leitura sobre o que sustenta a fidelização.
Como a análise de cohort revela a lealdade e a retenção no e-commerce?
A cohort revela lealdade ao mostrar, período a período, quantos clientes de cada safra continuam ativos, isolando o efeito de mudanças no negócio e apontando o momento exato em que a base começa a esfriar.
No e-commerce, esse recorte importa porque decisões de frete, prazo de entrega e checkout mudam com frequência, e comparar cohorts formados antes e depois de uma alteração no meio de pagamento ou no frete grátis mostra se a mudança gerou retenção real ou só um pico passageiro de vendas.
Um jeito prático de visualizar essa lealdade é cruzar dois indicadores por safra, como no exemplo abaixo:
| Safra (mês de entrada) | Clientes ativos no mês 1 | Clientes ativos no mês 3 | Taxa de retenção no mês 3 |
| Janeiro | 1.000 | 310 | 31% |
| Fevereiro | 1.200 | 456 | 38% |
| Março | 900 | 198 | 22% |
Uma tabela assim já denuncia onde investigar: por que a safra de março reteve tão menos que a de fevereiro? Foi uma mudança na operação, uma campanha de aquisição mais fria ou um problema de entrega naquele período? São perguntas a se fazer frente aos dados.
Colocar os números lado a lado ajuda a enxergar isso na prática.
No gráfico abaixo, as três safras da tabela partem do mesmo ponto, mas se descolam rápido: a safra de fevereiro sustenta uma curva de queda mais suave, enquanto a de março perde clientes de forma mais acelerada já no segundo mês.
Como fazer uma análise de Cohort na prática?
Uma análise de cohort na prática exige três passos: dados limpos e organizados por cliente e data, escolha do critério de safra e definição clara da métrica de retenção que será acompanhada mês a mês.
Qualidade dos dados e higienização da base
Nenhuma matriz de cohort sobrevive a uma base suja.
- Duplicidade de cadastro;
- CPF divergente entre canais;
- Datas de compra incompletas
Essas informações distorcem a leitura e levam a decisões erradas, então o primeiro passo é sempre técnico, não analítico.
Antes de montar qualquer matriz, unifique o histórico de compras por cliente, cruzando loja física, e-commerce e aplicativo.
Sem essa unificação, o mesmo cliente aparece como duas pessoas diferentes, uma em cada canal, e a taxa de retenção real fica subestimada, o que é um erro comum em operações que ainda tratam os canais como bases separadas.
Escolha da safra e definição da métrica de retenção
Defina o critério de agrupamento. O mês da primeira compra costuma ser o padrão mais usado no varejo, por equilibrar volume de dados e granularidade de leitura.
Em seguida, escolha a métrica certa para o objetivo:
- Percentual de clientes ativos por período, se o foco é entender retenção pura.
- Receita gerada por safra, se o foco é medir o valor financeiro de cada grupo.
- Ticket médio da safra ao longo do tempo, se o foco é entender se o cliente compra mais caro conforme amadurece.
Cada métrica responde a uma pergunta diferente, então alinhe a escolha ao objetivo da análise antes de começar a montar a planilha.
Como criar um Dashboard de Cohort no Power BI e Excel?
Com a safra e a métrica definidas, o próximo passo é escolher a ferramenta que vai sustentar a leitura no dia a dia, seja uma planilha simples ou um dashboard conectado direto à base.
Estruturando a tabela de cohort no Excel
No Excel, a estrutura básica coloca os clientes nas linhas, agrupados pela safra de entrada, e os períodos (mês 0, mês 1, mês 2…) nas colunas.
Uma tabela dinâmica cruza a data da primeira compra com as datas das compras seguintes e calcula automaticamente em qual período cada transação caiu.
A partir dessa tabela, a formatação condicional transforma os números em um mapa de calor simples: cores mais fortes para taxas de retenção mais altas, cores mais claras para quedas. Esse recurso visual já entrega boa parte do valor da análise sem sair da planilha.
Construindo o mapa de calor de cohort no Power BI
No Power BI, o mesmo princípio ganha interatividade. Uma matriz com safras nas linhas e períodos nas colunas, alimentada por medidas DAX que calculam a taxa de retenção relativa ao tamanho da safra original, permite filtrar por categoria de produto, canal de aquisição ou região sem recriar a tabela do zero.
O ganho real do Power BI aparece quando o dashboard é atualizado automaticamente a partir da base de dados do CRM.
Assim, o gestor acompanha a evolução das safras mais recentes sem depender de exportação manual de planilha toda semana.
Como usar a análise de cohort em vendas e marketing para aumentar a margem do e-commerce?
Depois de mapear o comportamento da base, o próximo passo é usar essa leitura para orientar decisões concretas de aquisição e calendário comercial.
Comparando fidelidade por canal de aquisição
Nem todo canal de aquisição traz o mesmo tipo de cliente. Comparar a cohort de quem chegou por indicação com a de quem chegou por cupom de desconto costuma expor diferenças grandes de recompra, e isolar essa cohort por canal ajuda o time de marketing a redirecionar verba de aquisição para os canais que realmente sustentam LTV, não só para os que geram volume barato de primeira compra.
Otimização do calendário comercial e campanhas sazonais
A cohort também mostra o momento certo de agir. Se a matriz aponta que a maior parte da queda de retenção acontece entre o segundo e o terceiro mês após a compra, esse é o ponto exato para programar uma campanha de reengajamento, em vez de um disparo genérico distribuído ao longo do trimestre.
O mesmo raciocínio vale para o calendário sazonal: comparar a retenção da safra que entrou durante a Black Friday com a de uma safra de mês regular revela se o cliente de data promocional volta a comprar fora do período de desconto ou se abandona a marca assim que a oferta acaba.
Vale lembrar que crescer em número de clientes sem aumentar o gasto médio por cliente é um sinal de alerta que a cohort ajuda a antecipar.
Benchmark: como sua base se compara à de outras marcas do varejo segundo o material Clienting Index 2026
Depois de montar sua própria matriz, a pergunta natural é: esse resultado é bom ou ruim perto do mercado? É aí que um benchmark externo ajuda a calibrar a expectativa.
O Clienting Index 2026, estudo da Dito com dados de mais de 300 marcas de varejo de moda e casa, cruza a variação de clientes únicos com a variação de gasto médio por cliente para classificar cada marca em um quadrante de crescimento.
Entre as 262 marcas analisadas, 40,8% conseguiram crescer nos dois eixos ao mesmo tempo, ganhando clientes e aumentando o gasto médio. Já 36,6% cresceram só em gasto médio, com a base de clientes praticamente parada, e 10,7% perderam em ambas as frentes.
É esse mesmo tipo de cruzamento, entre volume de clientes e comportamento de compra ao longo do tempo, que sustenta uma boa leitura de cohort: uma safra pode estar trazendo receita maior só porque um grupo pequeno de clientes está gastando mais, mascarando uma base que não cresce.
Vale a pena baixar o estudo completo e comparar onde sua operação se encaixa.
