Análise de Coorte: Como Entender Por Que Clientes Ficam ou Saem
A análise de coorte revela os padrões de retenção escondidos nos seus números agregados. Veja como ler uma, construir uma e agir com base no que encontrar.
Sua taxa de retenção geral é 78%. Isso é bom? Depende inteiramente de quais clientes estão ficando e quais estão saindo — e é exatamente isso que seu número de retenção agregado não consegue dizer. Uma empresa com 78% de retenção pode estar retendo com sucesso seus clientes mais valiosos enquanto perde os mais recentes, ou pode estar segurando uma base de clientes legada enquanto seus coortes recentes churn rapidamente. O agregado esconde as duas histórias. A análise de coorte as revela.
Um coorte é simplesmente um grupo de clientes que começaram ao mesmo tempo — se cadastraram no mesmo mês, fizeram sua primeira compra no mesmo trimestre, ou fizeram upgrade na mesma semana. Ao rastrear cada coorte de forma independente ao longo do tempo, você consegue ver como os padrões de retenção mudam em diferentes períodos da história da sua empresa. O resultado é um dos diagnósticos mais poderosos disponíveis para um time de produto ou negócio.
Como ler uma tabela de retenção por coorte
Uma tabela de retenção por coorte padrão tem os coortes de aquisição nas linhas (Janeiro, Fevereiro, Março...) e os meses desde a aquisição nas colunas (Mês 0, Mês 1, Mês 2...). O Mês 0 é sempre 100% — esse é o ponto de partida. Os números em cada linha mostram qual porcentagem daquele coorte ainda estava ativa em cada mês subsequente.
| Coorte | Mês 0 | Mês 1 | Mês 2 | Mês 3 | Mês 4 | Mês 5 | Mês 6 |
|---|---|---|---|---|---|---|---|
| Janeiro | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Fevereiro | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Março | 100% | 76% | 62% | 51% | 49% | — | — |
| Abril | 100% | 79% | 65% | 61% | — | — | — |
| Maio | 100% | 82% | 69% | — | — | — | — |
| Junho | 100% | 84% | — | — | — | — | — |
Esta tabela conta uma história clara: a retenção melhorou significativamente a cada mês. O coorte de Janeiro reteve apenas 34% no Mês 6, enquanto coortes mais recentes estão mantendo 69–84% nos primeiros dois meses. Algo mudou — provavelmente uma melhoria no produto, um fluxo de onboarding melhor, ou uma mudança no canal de aquisição que trouxe clientes mais adequados. O número de retenção agregado teria mascarado isso completamente.
Os três padrões para observar
Quando você tem uma tabela de coorte, está procurando três padrões específicos. Cada um aponta para um problema diferente e exige uma solução diferente.
Uma queda inicial acentuada: Se a retenção do Mês 0 para o Mês 1 estiver consistentemente abaixo de 50%, você tem um problema de onboarding. Os clientes estão se cadastrando e não encontrando valor rápido o suficiente para continuar. Esse é o padrão mais comum em SaaS early-stage e o mais tratável — melhor onboarding, menor tempo para o valor e maior engajamento nos primeiros dias ajudam bastante.
Declínio consistente em todos os coortes: Se a retenção continua caindo na mesma taxa mês após mês em todos os coortes, você tem um problema de valor do produto. Os clientes experimentam o produto, alguns ficam inicialmente, mas não há valor contínuo suficiente para mantê-los engajados. Nenhuma melhoria de onboarding vai resolver isso — o produto em si precisa entregar mais razões para voltar.
Uma curva em "sorriso" que se estabiliza: As melhores curvas de retenção se estabilizam após uma queda inicial. Os clientes que sobrevivem aos primeiros dois ou três meses tendem a ficar. O objetivo é maximizar o número de clientes que atingem esse ponto de inflexão. Se a curva nunca se estabiliza — se a retenção continua caindo na mesma taxa no Mês 6 que no Mês 1 — você não tem uma base de clientes retidos estável, e os cálculos de LTV baseados nesse coorte serão enganosos.
O número mais importante em uma tabela de coorte não é o percentual no Mês 6 — é a inclinação entre o Mês 0 e o Mês 2. É aí que a maioria dos clientes é perdida, e onde a maioria das intervenções tem maior alavancagem.
Segmentando coortes: onde mora o insight real
A análise de coorte se torna verdadeiramente poderosa quando você segmenta os coortes por canal de aquisição, faixa de preço, tamanho do cliente ou geografia. Uma tabela de coorte que mostra retenção geral de 60% após três meses pode revelar que clientes da busca orgânica retêm a 75% enquanto clientes de redes sociais pagas retêm a 40%. Esse único insight reformula toda a conversa sobre alocação de marketing.
A segmentação de maior valor quase sempre é por canal de aquisição. Clientes que descobrem você por indicação, conteúdo ou busca orgânica tipicamente retêm em taxas materialmente mais altas do que aqueles adquiridos por campanhas pagas amplas. Se seus dados de coorte mostram esse padrão — e geralmente mostram — é um argumento forte para investir em conteúdo e programas de indicação, mesmo quando a aquisição paga parece mais barata no custo por aquisição. O CAC parece barato até você incorporar a retenção no modelo.
O que fazer com uma tabela de coorte em declínio
Se seus coortes mais recentes estão retendo pior do que os mais antigos, esse é um sinal urgente. Significa que algo no seu produto, aquisição ou onboarding piorou — e piorou recentemente. Verifique o que mudou. Você abriu um novo canal de aquisição que traz clientes menos qualificados? Você lançou uma funcionalidade que interrompeu um fluxo de trabalho existente? Você mudou os preços de uma forma que atraiu clientes que não eram o fit certo?
Melhorar a retenção por coorte é quase sempre um problema de produto e onboarding antes de ser um problema de marketing. A sequência de intervenções que tende a funcionar: primeiro, identifique as ações que os clientes retidos tomam nas primeiras duas semanas que os clientes churned não tomam. Depois, redesenhe o onboarding para impulsionar essas ações mais cedo. Então, use o comportamento inicial como sinal para identificar clientes em risco e intervir antes que eles saiam, e não depois.
Coortes de longa data parecem ótimos porque os clientes que ficaram são, por definição, os mais satisfeitos e com melhor fit. Quando você analisa a retenção do Mês 24 de um coorte com dois anos, está vendo uma população que já foi fortemente filtrada pelo churn. Não use o comportamento de clientes retidos há muito tempo como modelo para o que novos clientes farão — eles são uma amostra selecionada, não uma representativa.
A análise de coorte é mais útil quando revisada de forma consistente, e não executada uma vez e esquecida. No FabricLoop, times de produto e growth costumam manter uma nota mensal no grupo compartilhado com um snapshot de coorte atualizado — a tabela renovada com os dados mais recentes, um parágrafo de interpretação sobre o que mudou e por quê, e uma lista de tarefas de intervenções sendo testadas nos coortes em risco. Quando a análise fica junto das tarefas que respondem a ela, a lacuna entre insight e ação diminui substancialmente.