Análise de Cohort (Coorte)

Resposta rápida: a Análise de Cohort (ou coorte) é uma técnica de analytics que agrupa usuários ou clientes por uma característica comum — geralmente o mês em que entraram — e acompanha o comportamento de cada grupo ao longo do tempo. Em vez de olhar uma média geral, que mistura tudo, você compara grupos comparáveis e enxerga retenção, churn e o real efeito das suas mudanças.

O que é a Análise de Cohort (coorte)?#

A Análise de Cohort é um método de análise comportamental que divide a base de usuários em grupos (as cohorts, ou coortes) e mede como cada grupo se comporta ao longo do tempo, em vez de tratar todo mundo como um número só. A palavra "coorte" vem do latim cohors — uma unidade do exército romano — e carrega a ideia central: um conjunto de pessoas que compartilham uma experiência comum dentro de um mesmo período.

No marketing digital e em produto, o recorte mais usado é o mês de aquisição: todos os usuários que se cadastraram em janeiro formam a "coorte de janeiro"; os de fevereiro, a "coorte de fevereiro"; e assim por diante. Depois, você acompanha cada coorte mês a mês — quantos voltaram, quantos compraram de novo, quantos sumiram. Segundo a definição de referência, a Análise de Cohort é um subconjunto da análise comportamental que quebra os dados em grupos relacionados antes de analisá-los, em vez de olhar a base inteira como um bloco único.

A grande virada de pensamento aqui é esta: uma média esconde a história. Se sua base total cresce, parece tudo bem — mas pode ser que cada novo grupo de clientes esteja abandonando o produto mais rápido que o anterior, e o crescimento esteja apenas mascarando uma sangria. A coorte separa o "quando a pessoa entrou" do "há quanto tempo ela está com você", e é justamente essa separação que revela o que a média soma e apaga.

Para que serve a Análise de Cohort?#

A Análise de Cohort serve para responder se o seu produto está ficando melhor ou pior ao longo do tempo — e onde, exatamente, as pessoas desistem. Em vez de uma foto borrada da base inteira, ela entrega um filme nítido de cada grupo. Na prática, ela é usada para:

• Medir retenção de verdade: ver quantos % de cada coorte continuam ativos no 1º, 2º, 3º mês — o termômetro mais honesto de product/market fit.
• Enxergar o churn (abandono): identificar em que momento da jornada as pessoas começam a sumir — se é logo na primeira semana ou depois de meses.
• Avaliar o impacto de mudanças: comparar as coortes antes e depois de um novo onboarding, preço ou funcionalidade, isolando o efeito real.
• Estimar o LTV (valor do cliente): projetar quanto cada grupo gasta ao longo da vida útil, base para decidir quanto vale pagar para adquirir um cliente.

Embora tenha raízes na epidemiologia e na demografia — onde se estuda, por exemplo, uma coorte de nascimento ao longo de décadas —, a técnica se firmou no mundo digital com SaaS, e-commerce, apps e jogos online. Onde houver usuários entrando em momentos diferentes e um comportamento para acompanhar (login, compra, recompra), há uma análise de coorte a fazer.

Quando usar: a Análise de Cohort brilha quando a pergunta é "meu negócio está saudável por baixo do capô?" — a base cresce, mas você não sabe se os clientes ficam; mudou algo no produto e quer saber se melhorou de fato; ou precisa decidir quanto investir em aquisição sabendo quanto cada cliente realmente vale ao longo do tempo.

Quais são os tipos de cohort? (aquisição e comportamental)#

Existem dois grandes tipos de coorte, e escolher o recorte certo é metade do trabalho. A diferença está em o que define o grupo:

• Coorte por aquisição (acquisition cohort): agrupa os usuários pelo período em que eles entraram — o mês ou a semana do cadastro, da primeira compra ou do download. É o tipo mais comum. Responde: "os clientes que conquistei em março ficam mais ou menos tempo do que os de janeiro?".
• Coorte comportamental (behavioral cohort): agrupa os usuários por uma ação que realizaram, não pela data de entrada. Por exemplo: quem usou determinado recurso na primeira semana, quem convidou um amigo, ou quem comprou acima de certo valor. Responde: "quem faz X retém melhor do que quem não faz?".

A coorte por aquisição é ótima para medir a saúde geral e o efeito de mudanças ao longo do calendário. A coorte comportamental é ótima para descobrir o "momento aha" — a ação que separa quem fica de quem abandona. No Facebook, conta a lenda do growth, esse momento foi "adicionar 7 amigos em 10 dias"; identificar o equivalente no seu produto, por meio de coortes comportamentais, vira uma alavanca de retenção. Os dois tipos não competem: o ideal é usar coortes de aquisição para vigiar a tendência e coortes comportamentais para descobrir por quê.

De onde veio a Análise de Cohort? (origem)#

A Análise de Cohort não tem um inventor único nem uma data de nascimento — e quem disser o contrário está inventando. Ela nasceu na epidemiologia e na demografia, áreas que há mais de um século estudam grupos de pessoas que compartilham um evento no tempo (uma coorte de nascimento, uma coorte exposta a determinado fator) para acompanhar desfechos ao longo dos anos. O próprio termo "estudo de coorte" é clássico na pesquisa em saúde.

O salto para o mundo dos negócios e da tecnologia veio com o crescimento das empresas de software por assinatura e dos aplicativos, especialmente a partir dos anos 2000 e 2010, quando ferramentas de analytics passaram a tornar trivial agrupar usuários por mês de cadastro. A técnica se popularizou no vocabulário de startups e growth sobretudo através do movimento Lean Startup: em A Startup Enxuta (2011), Eric Ries defende a "análise de coorte" como uma das formas de gerar métricas acionáveis, em oposição às "métricas de vaidade" — números grandes que sobem mas não dizem nada útil.

Em Lean Analytics (2013), Alistair Croll e Benjamin Yoskovitz consolidaram a coorte como ferramenta central do analytics de startups. A definição deles é precisa:

"A análise de coorte compara grupos de usuários ao longo do tempo. (...) Em vez de olhar todos os usuários de uma vez, você os separa em grupos relacionados — e esses grupos, ou coortes, normalmente compartilham características ou experiências dentro de um período definido."
— Alistair Croll e Benjamin Yoskovitz, em Lean Analytics (2013). Fonte: Lean Analytics e Cohort analysis.

O que é a curva (e a tabela) de retenção?#

O resultado visual mais importante da Análise de Cohort é a tabela (ou matriz) de retenção — às vezes chamada de tabela triangular, pelo formato escalonado que ela assume. Funciona assim: cada linha é uma coorte (o mês em que o grupo entrou); cada coluna é o tempo decorrido desde a entrada (mês 0, mês 1, mês 2...); e cada célula mostra o percentual daquela coorte que continuava ativo naquele momento.

Lendo essa tabela, você extrai duas leituras complementares:

• Leitura horizontal (a curva de retenção): siga uma linha da esquerda para a direita e veja como aquela coorte derrete com o tempo. Toda coorte começa em 100% no mês 0 e cai. A pergunta é: ela cai e estabiliza num platô (sinal de fidelidade), ou cai até quase zero (sinal de que o produto não gruda)?
• Leitura vertical (comparação entre coortes): desça uma coluna — digamos, "mês 3" — e compare as coortes mais antigas com as mais novas. Se a retenção no mês 3 está subindo de coorte para coorte, suas mudanças estão funcionando. Se está caindo, algo piorou, mesmo que a base total continue crescendo.

A curva de retenção saudável não vai a zero: ela cai nos primeiros períodos e depois achata num platô — esse platô é a fração de clientes que vira fiel. Uma curva que despenca direto até o chão (a "curva sorriso invertida") é um alerta vermelho: você está enchendo um balde furado, adquirindo clientes que escorrem pelo ralo logo em seguida.

Como montar uma tabela de cohort de retenção passo a passo#

Montar sua primeira matriz de coorte de retenção segue este roteiro:

1. Defina o evento de "ativo". O que conta como um cliente vivo? Pode ser "fez login", "abriu o app", "comprou", "usou o recurso principal". Sem essa definição, retenção é uma palavra vazia. Escolha o evento que representa valor real do seu produto.
2. Escolha o critério da coorte. Na maioria dos casos, o mês de aquisição (cadastro ou primeira compra). Defina também o tamanho do passo: dia, semana ou mês — apps de uso diário pedem coorte semanal; SaaS B2B costuma usar mensal.
3. Agrupe os usuários. Separe todos os usuários pelo período de entrada. Coorte de janeiro, de fevereiro, de março — cada uma com seu total de pessoas (o "n" da coorte, sua base 100%).
4. Conte os ativos por período. Para cada coorte, conte quantos realizaram o evento de "ativo" no mês 0, no mês 1, no mês 2, e assim por diante. Atenção: é a mesma coorte sendo seguida no tempo, não pessoas novas entrando.
5. Transforme em percentual. Divida os ativos de cada período pelo tamanho original da coorte. O mês 0 sempre dá 100%; os demais mostram quanto restou. Trabalhar em % é o que torna coortes de tamanhos diferentes comparáveis.
6. Monte a matriz e leia. Disponha coortes nas linhas e períodos nas colunas. Leia na horizontal (a curva de cada grupo) e na vertical (a evolução entre grupos). Procure onde a queda é mais brusca — ali está o seu ponto de fuga.
7. Aja sobre o achado. Retenção ruim na primeira semana? O problema é onboarding. Retenção que despenca no mês de cobrança? É preço ou valor percebido. Coortes novas piores que as antigas? Algo que você mudou regrediu. A coorte aponta onde agir.

Exemplo de Análise de Cohort na prática (caso Plantei App)#

Para sair da teoria, veja o Plantei — um aplicativo fictício de assinatura para cuidar de plantas em casa, sediado em Florianópolis (SC). O app cobra uma mensalidade e, em troca, manda lembretes de rega, diagnósticos por foto e dicas. A base de assinantes crescia mês a mês, e o time comemorava. Mas o caixa não acompanhava. Antes de gastar mais em anúncios, eles montaram a tabela de coorte.

Passo 1 a 5 — montar a matriz. Definiram "ativo" como "abriu o app pelo menos uma vez no mês". Agruparam por mês de assinatura e calcularam a retenção em percentual:

Passo 6 — ler a tabela. Na vertical, o estrago apareceu: a retenção do mês 1 caiu de 62% (janeiro) para 49% (março). Cada nova coorte estava abandonando mais rápido que a anterior — exatamente o que a média da base, sempre crescente, escondia. Na horizontal, a queda mais brutal era do mês 0 para o mês 1: as pessoas sumiam logo nas primeiras semanas.

Passo 7 — agir. A queda concentrada no primeiro mês apontava para o onboarding. Investigando, o time descobriu que março coincidiu com uma campanha de descontos que trouxe muita gente curiosa, porém sem intenção real de cuidar de plantas. Eles reformularam a primeira semana do app (tutorial guiado + primeira rega comemorada) e passaram a segmentar melhor a aquisição. Duas coortes depois, a retenção do mês 1 voltou a subir. O insight não veio do total de assinantes — veio de separar os grupos.

Análise de Cohort vs métricas agregadas: qual a diferença?#

A diferença entre olhar coortes e olhar números agregados (totais e médias) é a diferença entre diagnóstico e ilusão. As métricas agregadas somam todo mundo num único valor; a coorte preserva o tempo e o grupo. A tabela deixa claro por que a média engana:

O caso clássico é o do "balde furado": a empresa adquire 1.000 clientes por mês e perde 950, mas como entra mais do que sai, a base total cresce e o gráfico agregado sobe lindamente. A média não vê o furo. A coorte, sim — porque acompanha cada grupo encolhendo. Por isso o modelo AARRR (Aquisição, Ativação, Retenção, Receita, Recomendação), o "funil pirata" de Dave McClure, usa coortes para medir cada etapa: agregados dizem quanto, coortes dizem se está melhorando. As duas visões convivem — só não confunda o número grande de hoje com saúde de longo prazo.

O que a Análise de Cohort revela#

Bem montada, a coorte vira um painel de diagnóstico. Os quatro sinais que ela mais entrega:

• Retenção: a fração de cada grupo que continua ativo no tempo. É o indicador mais correlacionado com product/market fit — produto que gruda forma platô; produto que não gruda derrete.
• Churn (abandono): o avesso da retenção. A coorte mede não só quanto, mas quando — se a fuga é na primeira semana (onboarding) ou na renovação (valor/preço).
• LTV (valor no tempo de vida): acompanhando quanto cada coorte gasta período a período, você projeta o valor total do cliente — base para saber quanto pode pagar para adquirir um (o CAC) sem prejuízo.
• Efeito de mudanças: comparando coortes antes e depois de uma alteração (novo preço, onboarding ou funcionalidade), você isola o impacto real, sem o ruído de quem já estava na base.

O fio que costura tudo é o princípio que abre este guia: médias escondem a verdade. Um número agregado pode subir enquanto cada novo cliente fica menos tempo — e a coorte é a lente que separa os grupos e mostra a história que a soma apaga.

Erros comuns na Análise de Cohort#

• Confiar na média e ignorar a coorte: o erro-mãe. A base total cresce, todo mundo comemora, e ninguém vê que a retenção de cada nova safra está piorando.
• Não definir o que é "ativo": sem um evento claro de atividade, a retenção vira chute. "Login" e "compra" contam histórias muito diferentes — escolha o que representa valor.
• Misturar coorte de aquisição com comportamental sem perceber: agrupar por data e por ação são coisas distintas. Saber qual recorte responde sua pergunta evita conclusões erradas.
• Usar o passo de tempo errado: coorte mensal num app de uso diário esconde o abandono da primeira semana; coorte semanal num SaaS anual gera ruído. Combine o passo ao ciclo de uso.
• Tirar conclusão de coorte pequena: uma coorte com 12 usuários oscila por acaso. Sem volume mínimo, o que parece tendência é só barulho estatístico.
• Comparar coortes incomparáveis: a coorte que veio de um desconto agressivo não se comporta como a que veio do orgânico. Misturá-las contamina a leitura — segmente por canal quando fizer diferença.

Ficha técnica da Análise de Cohort#