analise cohort no ecommerce

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. 

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.

cohort​

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:

  1. Percentual de clientes ativos por período, se o foco é entender retenção pura.
  2. Receita gerada por safra, se o foco é medir o valor financeiro de cada grupo.
  3. 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.

cohort​

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.

Pedro Ivo Martins

Pedro Ivo Martins é professor na Fundação Dom Cabral e sócio da Dito, referência em CRM para Varejo no Brasil. Com mais de 18 anos de carreira, ele é mentor de scale-ups da Endeavor, investidor anjo e limited partner do SaaSholic, atua no ecossistema de tecnologia e inovação. Formado em Comunicação, com Especialização em Gestão Estratégica e Mestrado em Ciências Sociais.

Posts Similares

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Fale conosco

Preencha o formulário para falar com o nosso atendimento

    ×
    Fale conosco

    Que tal realizar um benchmarking com um grande varejista do seu setor?

    Logotipo "dito" em letras brancas minúsculas com um ponto verde na letra "o", centralizado em um quadrado de bordas arredondadas com degradê azul.

    O único CRM para o varejo que realmente integra lojas físicas e e-commerce.

    Todos os direitos reservados a DITO.