Um guia de como usar análises de cohorts para medir a eficiência de investimentos em marketing tanto para jornadas de compras com ciclo mais curto, como para jornadas de compra com ciclos mais longos.
Texto de Antoine Curti
O que é uma análise de Cohort?
É um conjunto de dados (geralmente em formato de tabela) que te ajuda entender como uma “safra” de pessoas e resultados se comportam ao longo do tempo.
A origem do cohort vem da medicina: médicos separavam grupos (“safras”) de pessoas para acompanhar o comportamento de doenças e tratamentos ao longo do tempo.
No mundo do Marketing/Growth, essa análise geralmente vai te ajudar a responder perguntas sobre métricas como:
- Frequência de Uso/Compra ao longo do tempo
- Retenção de Clientes ao longo do tempo
- Receita ou LTV ao longo do tempo
O primeiro ponto a entender sobre Cohort é que todas as análises serão ao longo de “Unidades de Tempo”, ou seja:
- Mês
- Semana
- Dia
- etc
E os “tipos de Cohorts” costumam ser divididos em dois grupos:
- Cohort de Aquisição ou Temporal: significa agrupar usuários com base na data do seu “primeiro evento” ou “cadastro”, como por exemplo, todos os usuários que se cadastraram no mês X
- Cohort de Comportamento: significa agrupar usuários com base em alguma característica ou comportamento em comum, mesmo que sem atrelar uma data, como por exemplo > usuários que gastam Muito vs Pouco
Vamos começar com exemplos práticos e simples, antes de aprofundar nas fórmulas de excel/google sheets.
Exemplo Prático A: iFood (app)
Vamos supor que somos gerentes de growth no iFood – um app de delivery de comida e supermercado com um ciclo de vendas relativamente curto – e queremos responder algumas perguntas que só o nosso amigo Cohort pode responder, como por exemplo:
Pergunta-exemplo 1) Ao longo de 2024, estamos adquirindo usuários com maior ou menor frequência de compra?
(Eu jamais olharia um gráfico sobre minha frequência de compra no iFood, pois meu coração e minha fatura do cartão não aguentariam la verdad.)
Para responder esta pergunta, vamos montar uma tabela fictícia de cohort.
Antes de montar sua tabela, você precisa saber que toda análise de cohort vai ter geralmente 4 “ingredientes”:
- Linhas (cohorts): serão as característica de agrupamento > nesse caso vamos agrupar os usuários baseado no mês em que fizeram seu cadastro no iFood (cohort de aquisição).
- Colunas (tempo): serão as “unidades de tempo” > nesse caso vamos analisar ao longo dos meses do ano
- Métricas (resultado): analisaremos a frequência média de pedidos realizados
- Filtro/Segmento (base de dados): vamos filtrar apenas usuários cadastrados em 2024 que fizeram ao menos 1 pedido, pois queremos apenas a média de pedidos dos usuários ativos.
Sua planilha vai ficar mais ou menos assim:
Como ler essa tabela:
- Cada Linha representa o cohort do mês em que um Usuário foi adquirido. Ou seja, a linha “Cadastrou em Janeiro 24” irá mostrar apenas os dados dos usuários que se cadastraram em Janeiro 24. Isso é um “cohort” ou uma “safra” de usuários com uma característica temporal em comum.
- Cada Coluna é sobre o mês em que a Ação ou Comportamento daquele cohort de usuários aconteceu.
- Os números da tabela refletem a Métrica escolhida: nesse caso a frequência média de pedidos realizados por aquele Cohort em determinado mês
Veja que o Cohort que se cadastrou em Janeiro 2024 (pintado de laranja) fez uma média de 2 pedidos no seu primeiro mês de uso do app (janeiro 24), e em Junho 24 já estavam fazendo uma média de 7 pedidos por mês. Ou seja, a frequência foi 350% maior!
Continuando a análise ao longo dos meses, o Cohort de Fevereiro 24 (em azul na tabela abaixo) começou mais devagar, com apenas 1 pedido por mês, mas em Junho 24 essa galera fez 9 pedidos em média. 900% de crescimento em 5 meses.
E o Cohort de Abril 24 (vermelho) foi um mês fora da curva, pois a média de pedidos no primeiro mês foi 8:
Então, voltando à pergunta 1: ao longo de 2024, estamos adquirindo usuários com maior ou menor frequência de compra?
A resposta seria: sim, estamos trazendo usuários ativos com cada vez maior frequência de compra ao longo do tempo.
Uma ótima notícia pro time de growth, pois mostra que a qualidade da aquisição aumentou.
Mas essa resposta gera uma nova pergunta: por que será que os usuários estão comprando com mais frequência?
Uma hipótese pode ser que: usuários que compram Comida + Mercado compram com maior frequência, e como aumentamos as campanhas de Mercado, isso pode ter correlação no resultado.
Então bora aplicar mais uma análise de Cohort para entender se essas hipóteses se aplicam.
Pergunta-exemplo 2) Usuários que compram Comida + Mercado geram receita maior ao longo do tempo comparado com quem compra apenas Comida ou apenas Mercado?
Bora mapear nossos 4 ingredientes da tabela cohort:
- Linhas: as característica de agrupamento > agora decidimos agrupar clientes nos Cohorts de Comportamento: Pedem Apenas Comida vs Pedem Apenas Mercado vs Pedem Comida + Mercado
- Colunas: as “unidades de tempo” > nesse caso meses após o cadastro
- Métricas: receita média acumulada, ou seja, a média de quanto cada usuário gastou ao todo com iFood
- Filtro/Segmento: também filtrando apenas usuários que fizeram ao menos 1 pedido
E nossa tabela fica mais ou menos assim:
Podemos ver que usuários que compram Tanto Comida Quanto Mercado no iFood, possuem uma média de gasto acumulado de R$2.900 reais no sexto mês. Isso é 80% maior que a média de receita acumulada dos compradores de “Apenas Comida” e incríveis 383% maior vs Compradores de “Apenas Mercado”.
Com esse insight, agora o time de growth poderia checar se na Pergunta 1, a frequência de pedidos está aumentando porque os usuários adquiridos estão cada vez mais sendo usuários “Comida + Mercado”. E se for verdade, o próximo passo é definir hipóteses de como incentivar ainda mais esse comportamento (exemplo: pop-up com cupom de mercado quando finaliza pedido de comida. Já caiu num desse por aí?).
Pergunta-exemplo 3) Churn: Quantos % das pessoas cadastradas fazem pedido no primeiro mês? E no segundo? E em 6 meses?
A análise de Cohort é muito utilizada em análises de Churn. Tem até um post muito bom da Amplitude sobre o tema (em inglês), por isso não vou entrar em detalhes nesse artigo nem no exemplo do iFood. Aqui está o link do artigo e um print de um relatório de cohort ilustrando o % de usuários que voltam a usar um app nos dias seguintes da aquisição:
Para resumir: no print (extraído do artigo da Amplitude) podemos ver que apenas 9.97% dos usuários acessam no dia seguinte ao cadastro, enquanto 4.93% dos usuários totais acessam a plataforma no quinto dia após a aquisição.
Além de analisar Acessos como no print acima, essa análise pode ser feita para analisar o “churn” de qualquer métrica, seja atrelado a receita como “Pedidos no iFood” e “Renovação de Assinatura na Netflix” como “churn” de comportamento “Restaurantes Visualizados no iFood” ou “Minutos Assistidos na Netflix”.
Exemplo Prático B: Agência de Viagens (geração de leads)
Existem empresas com ciclo de vendas mais longo, diferente do iFood que o usuário já faz cadastro e faz o primeiro pedido na mesma semana, uma agência de viagens pode levar meses pra fechar o pacote com um lead.
Nesses casos, é fundamental usar a análise de cohort de aquisição para calcular a Receita e ROAS das suas campanhas de mídia, por exemplo.
Na tabela acima, temos os 4 “ingredientes”:
- Linhas: cohort de aquisição baseado no mês que virou lead
- Colunas: mês em que a compra foi realizada
- Métricas: total de vendas realizadas naquele mês por aquele cohort
- Filtro/Segmento: todos os usuários
O que podemos observar:
- Os clientes que se tornaram Leads em Janeiro, fecharam apenas R$1mil em vendas em Janeiro.
- Porém, esses leads fecharam R$3mil em Fevereiro, R$1mil em Março e R$0 em Abril.
- Isso dá um total de R$5mil em vendas geradas pelos leads da “safra” de Janeiro, um número 5x maior que os R$1mil vendidos em janeiro.
É o que chamamos aqui na agência nowle de visão “Fechamento” vs visão “Cohort”:
- Fechamento Janeiro: investiu R$500 e gerou R$1mil de Receita, então ROAS 2x
- Cohort Janeiro: investiu R$500 e gerou R$5mil de Receita até abril, então ROAS 10x
Abaixo um exemplo de uma visão Cohort real:
Veja que nessa tabela não precisamos usar as colunas com unidades de tempo. Apenas usamos a lógica de cohort pra somar a receita gerada em cada semana (coluna Date G).
Esse exemplo reforça que cohort é tanto uma análise em si (no formato tabela), mas também é um “modo de calcular” uma métrica, que não precisa ser sempre apresentada nas colunas ao longo do tempo, mas sim calculada com os dados ao longo do tempo.
Exemplo Prático C: Loja de Roupas (e-commerce)
Vamos analisar qual categoria de produto traz compradores com maior Receita LTV ao longo dos meses.
Os 4 ingredientes da tabela de Cohort que vamos precisar:
- Linhas: cohort de aquisição baseado na categoria comprada (Camiseta, Vestido, Sapato)
- Colunas: meses desde que a primeira compra foi feita
- Métricas: total de receita gerado pelo cohort naquele mês
- Filtro/Segmento: quem comprou entre jan/24 e abr/24
E nossa planilha ficará assim:
Dica Importante: muitas vezes as colunas de cohort vão indicar apenas as unidades de tempo após a “aquisição”, ex:
- Coluna 0 = “zero meses” desde a primeira compra
- Coluna 1 = 1 mes após a primeira compra
- Coluna 2 = 2 meses após a primeira compra
- etc
Então é comum que as tabelas/relatórios de cohort tenham colunas numeradas dessa forma:
Principais insights que essa planilha nos trás:
- Podemos ver que as pessoas que compraram Camiseta gastaram um total de R$4.500 na nossa loja, valor representado na coluna azul “Receita LTV Total”.
- Desses R$4.500, R$3.400 foram gerados no mês “zero”, ou seja, no mês em que fizeram sua primeira compra.
- E R$1.100 foram gerados entre o mês 1 e mês 3 (ou seja entre o mês seguinte da primeira compra até 3 meses após o mês da primeira compra)
Dessa vez, vamos entrar um pouco no detalhe das fórmulas no Google Sheets.
Vamos precisar de uma base com as seguintes colunas:
- Mês da Compra: 1 a 12
- Mês da Primeira Compra: 1 a 12
- Meses Após Primeira Compra
- ID do cliente
- ID da compra
- Valor da compra
- Categoria Comprada
- Comprou Categoria Camiseta na Primeira Compra? Sim ou Não
- Comprou Categoria Vestido na Primeira Compra? Sim ou Não
- Comprou Categoria Sapato na Primeira Compra? Sim ou Não
Para facilitar, criamos uma base fictícia onde cada pedido foi feito com apenas uma categoria (ex: ou Sapato ou Camiseta ou Vestido)
Aqui tem as primeiras 5 linhas dessa base para ilustrar:
Então criamos nosso “esqueleto da tabela cohort”:
Agora vamos adicionar as fórmulas para calcular o cohort. Para calcular a primeira { fórmula } em laranja no print, precisaremos da seguinte lógica:
- Lógica da fórmula “em linguagem comum”: = SOMAR SE(somar valor do pedido,’se o mês após a compra for, 0,’e se a categoria comprada for, “camiseta”)
- Versão da fórmula real aplicada: =SUMIFS(‘base loja de roupa’!$E:$E,’base loja de roupa’!$J:$J,C$66,’base loja de roupa’!$G:$G,”sim”)
Obs: não sou analista/especialista em dados, criei esse exemplo simples pra tentar tangibilizar melhor o raciocínio “debaixo do capô” de uma análise cohort no excel/sheets!
Dados os exemplos, um bate-bola sobre cohorts
Qual a importância do Cohort em Marketing e Growth?
A análise de Cohort é fundamental para responder perguntas importantes, como:
- Estou trazendo usuários mais ou menos qualificados?
- Nosso produto está retendo usuários suficiente?
- Qual o grupo com menor vs maior retenção?
- Quais grupos de usuário geram mais receita?
- Qual a verdadeira receita gerada pelos usuários ao longo do tempo?
Como fazer análise de cohort?
- Geralmente as análises de Cohort são feitas diretamente nas ferramentas de analytics como Google Analytics 4 e Amplitude, ou são feitas em planilhas “manualmente” por uma pessoa de dados.
- No caso de análises manuais, é importante garantir que a base de dados esteja confiável e que um especialista auxilie nas fórmulas necessárias para tratar e visualizar os dados. As fórmulas podem ficar bem complexas dependendo dos filtros/critérios que deseja analisar.
Quais ferramentas oferecem análises de Cohort?
- Hubspot (link pro artigo)
- Google GA4 (link pro artigo)
- Amplitude (link pro artigo)
- Adobe Analytics (link pro artigo)
- Ou fazer manualmente no Google Sheets/Excel
Referências:
Sobre o autor
Antoine Curti (Linkedin) é co-founder da nowle.io, agência de marketing para startups e pequenas e médias empresas com foco em Paid Ads, Analytics, Design, SEO and CRM. Anteriormente, foi estrategista no Google durante 3 anos.
Gostou deste conteúdo? Veja também:
A importância das correlações no mundo do marketing
