Em 2023 eu quase pausei o melhor canal de uma conta de e-commerce de suplementos. No painel, Meta prospecting tinha CPA de R$72 e o Google Search de marca tinha CPA de R$31. A conclusão óbvia era cortar Meta e empilhar verba no Search. Antes de mexer, montei a análise de cohort: os clientes adquiridos via Meta recompravam 2,1 vezes em 90 dias. Os do Search de marca, 1,2. No dia 90, o cohort do Meta tinha devolvido mais que o dobro de receita por cliente. Se eu tivesse decidido pelo CPA da semana, teria matado o motor de aquisição da conta.

Depois de mais de 8 anos e mais de R$50 milhões operados em Google, Meta, LinkedIn, TikTok e Bing, essa é uma das poucas análises que eu considero inegociável em conta com recompra ou assinatura. E é também uma das mais mal feitas que eu vejo por aí. Esse post é o passo a passo de como eu monto, leio e uso cohort analysis em mídia paga, com os erros que eu já paguei pra aprender.

O que é cohort analysis e por que importa pra mídia paga?

Cohort é um grupo de usuários que compartilham um evento inicial no mesmo período. Em mídia paga, o recorte que interessa quase sempre é: todo mundo que virou cliente pela primeira vez na mesma semana ou no mesmo mês. O cohort de março é o grupo de clientes adquiridos em março. A análise consiste em acompanhar o que esse grupo faz nos meses seguintes: quantos voltam, quanto gastam, quando param de comprar.

A diferença pro relatório tradicional é estrutural. O relatório de receita mensal mistura cliente novo com cliente antigo no mesmo número. Se a receita de junho subiu, você não sabe se foi porque a aquisição de junho foi boa ou porque o cohort de fevereiro resolveu recomprar. O cohort separa isso. Cada linha da tabela é uma safra de clientes, e você enxerga a qualidade de cada safra isolada.

Pra quem opera mídia, isso responde as perguntas que o painel da plataforma não responde: o cliente que eu comprei por R$60 vale R$60? O canal barato traz cliente que fica ou cliente que some? A promoção de novembro trouxe comprador ou caçador de cupom? Sem cohort, você otimiza pra custo de aquisição. Com cohort, você otimiza pra valor do cliente adquirido. São jogos diferentes.

O que os cohorts revelam que o ROAS de 7 dias esconde?

O ROAS de janela curta tem um viés embutido: ele só enxerga a primeira transação (ou as transações dentro da janela de atribuição). Todo o valor que o cliente gera depois disso fica invisível. Em negócio de compra única e ticket alto, tudo bem. Em e-commerce de recorrência, assinatura, apps e SaaS, esse viés distorce decisão de budget de forma sistemática.

Na prática, os cohorts me mostram três coisas que nenhum painel de plataforma mostra:

• Qualidade por canal e campanha. Cliente de Search de fundo de funil costuma ter primeira compra maior, mas em várias contas que rodei o cliente de prospecting bem segmentado recompra mais. Isso muda o CPA máximo aceitável de cada canal.
• Qualidade por período. Cohort de Black Friday é quase sempre o pior do ano em recompra. Nas contas de e-commerce que acompanho, a taxa de segunda compra do cohort de BF costuma ficar 30-40% abaixo da média dos outros meses. O ROAS do mês parece lindo, a safra é fraca.
• Degradação ao longo do tempo. Se os cohorts de cada mês vão ficando piores (mesma coluna, valores caindo linha após linha), a conta está esgotando audiência ou a oferta está cansando. Esse sinal aparece nos cohorts meses antes de aparecer no CPA.

Um detalhe que confunde muita gente: cohort e atribuição são análises complementares, não concorrentes. Atribuição decide qual canal leva o crédito da conversão; o cohort acompanha o que acontece depois dela. Escrevi separadamente sobre atribuição no GA4 e sobre ROAS no Meta Ads, que é onde a janela curta mais engana.

Como montar uma análise de cohort no GA4?

O GA4 tem um template pronto e pouca gente usa. O caminho: Explorar > Análise de coorte (Cohort exploration). A configuração que eu uso como base em e-commerce:

1. Inclusão na coorte: evento first_purchase ou, se não existir, purchase com escopo de primeira ocorrência. Pra análise de aquisição pura, “primeiro contato” também serve, mas eu prefiro ancorar em compra: cohort de visitante diz pouco sobre dinheiro.
2. Critério de retorno: purchase. É isso que transforma a tabela em análise de recompra em vez de análise de “voltou ao site”.
3. Granularidade: semanal pra contas com volume (300+ primeiras compras/semana), mensal pra contas menores. Cohort diário só serve pra app com escala grande.
4. Valores: troque “Usuários ativos” por receita de compra por usuário. Contagem de usuário mostra retenção; receita mostra o que paga a mídia.
5. Detalhamento: dimensão “Campanha do primeiro usuário” ou “Origem/mídia do primeiro usuário”. É aqui que o cohort vira ferramenta de mídia paga: uma tabela por canal de aquisição.
6. Cálculo: comece com “Padrão” pra ler comportamento por período e depois alterne pra “Cumulativo” quando for calcular payback.

Dois avisos honestos sobre o GA4 aqui. Primeiro: a retenção de dados em nível de usuário é de no máximo 14 meses na versão gratuita, então análise de LTV de 2-3 anos não existe dentro dele. Segundo: com Safari cortando cookie em 7 dias e iOS quebrando identificação, o GA4 perde parte das recompras (o usuário volta como “novo”). Por isso, em conta séria, eu uso o GA4 pra leitura rápida e direcional, e fecho número em cima do dado do CRM, da Shopify/VTEX ou de um export pro BigQuery. Nada disso funciona sem base decente de medição: se a coleta está torta, o cohort herda o erro. Os fundamentos estão em setup do GA4 pra mídia paga e eventos customizados no GA4.

Como ler uma tabela de cohort sem se perder?

A tabela de cohort assusta na primeira vez: é um triângulo de números. A regra pra não se perder: linhas são safras, colunas são idade. Cada linha é um grupo de clientes adquiridos no mesmo período. Cada coluna é quanto tempo se passou desde a aquisição (semana 0, semana 1, semana 2…). O triângulo existe porque cohorts recentes ainda não viveram o suficiente pra preencher as colunas da direita.

Três leituras, nessa ordem:

• Leitura horizontal (uma linha): a vida de uma safra. Onde a receita incremental praticamente zera? Esse é o horizonte real de valor do cliente. Em e-commerce BR, na minha experiência, 70-80% da receita de 12 meses de um cohort acontece nos primeiros 90-120 dias.
• Leitura vertical (uma coluna): comparação de safras na mesma idade. O mês 1 do cohort de abril contra o mês 1 do cohort de maio. É a leitura mais importante pra mídia: mostra se a qualidade da aquisição está subindo ou caindo.
• Leitura da diagonal: tudo que aconteceu no mesmo período de calendário. Serve pra separar efeito de safra de efeito de sazonalidade: se uma coluna inteira caiu na mesma diagonal, o problema foi o mês (frete, estoque, crise), não a safra.

Pra dar concretude, é assim que um cohort saudável de e-commerce com recompra se comporta na prática:

Como usar cohorts pra definir CPA máximo e prazo de payback?

Aqui é onde o cohort deixa de ser relatório bonito e vira regra de operação. O raciocínio que eu aplico em toda conta com recompra tem quatro passos:

1. Defina a janela de payback que o caixa aguenta. Não é decisão de mídia, é decisão financeira. E-commerce sem capital de giro folgado: 60-90 dias. Assinatura com investidor paciente: 6-12 meses. Eu trabalho com 90 dias como padrão em e-commerce BR.
2. Puxe do cohort a receita acumulada por cliente dentro dessa janela. Exemplo real simplificado: primeira compra de R$150 + recompras que levam o acumulado de 90 dias pra R$260 por cliente.
3. Aplique margem de contribuição, não receita. Com margem de 50%, os R$260 viram R$130 de contribuição. Mídia se paga com margem; ROAS sobre receita esconde isso.
4. O CPA máximo é a contribuição da janela, menos a folga que você quer de lucro. Nesse exemplo, pagar até R$110-120 por cliente novo fecha a conta em 90 dias. Repare: só a primeira compra (R$75 de margem) justificaria um CPA máximo de R$70 e a conta pareceria impossível de escalar.

Esse é o motivo de canal “caro” sobreviver na minha operação: o teto de CPA de cada canal é calculado com o cohort daquele canal, não com a média da conta. Detalhei a matemática completa, com os casos de assinatura e lead gen, no post sobre como calcular LTV pra definir CPA máximo.

Quais erros eu mais vejo em análise de cohort?

Cohort malfeito é pior que cohort nenhum, porque dá confiança estatística a uma conclusão errada. Os erros que eu mais encontro auditando contas:

• Comparar cohort maduro com cohort verde. O cohort de junho “está pior” que o de março… porque ele tem 3 semanas de vida e o de março tem 4 meses. Compare sempre a mesma coluna (mesma idade), nunca o total acumulado de cohorts com idades diferentes. É o erro número 1, disparado.
• Cohort pequeno demais. Com 40 clientes na safra, dois pedidos grandes mudam a leitura inteira. Meu piso prático: 100-150 clientes por cohort. Abaixo disso, agrupe em janelas mensais ou bimestrais.
• Ignorar sazonalidade na comparação vertical. Concluir que “a aquisição piorou” comparando o cohort de novembro com o de setembro, sem lembrar que novembro é BF e a safra de promoção é estruturalmente mais fraca.
• Medir receita bruta em vez de margem, e esquecer devolução. Em moda, um cohort pode “pagar o CAC” na receita e continuar no prejuízo depois de 20% de troca e devolução.
• Confiar no GA4 como fonte única de recompra. Cookie de 7 dias no Safari significa recompra classificada como cliente novo. O GA4 subestima retenção de forma sistemática; o dado transacional do backend não.
• Otimizar só pra recompra e esquecer o custo. O cohort premium que recompra 3x pode custar tão caro pra adquirir que a conta não fecha. A análise só termina quando cruza com CAC por canal. Pra calibrar expectativa de custo, uso os benchmarks de mídia paga no Brasil como referência de partida, nunca como meta.

Cohort analysis vale a pena pra qualquer conta?

Não, e prefiro ser direto nisso a vender análise como ritual obrigatório. Cohort analysis paga o esforço quando existe comportamento pós-compra relevante: recompra, assinatura, upsell, uso recorrente. E-commerce de recorrência, suplementos, moda, petshop, apps, SaaS, infoproduto com esteira: obrigatório.

Negócio de compra única e ciclo longo (colchão, curso caro avulso, serviço pontual) extrai pouco: o cohort vira uma linha com uma coluna preenchida. Nesses casos, o que importa é a qualidade do lead e a taxa de fechamento por canal, não a curva de retenção. Lead gen B2B fica no meio: o “cohort” que interessa é de leads por mês de aquisição acompanhados até fechamento no CRM, e isso se monta na planilha ou no BI, não no GA4.

Meu critério prático: se mais de 20% da receita anual vem de clientes que já compraram antes, a conta precisa de cohort analysis rodando todo mês. Abaixo disso, uma revisão trimestral resolve. O que não dá é pra decidir budget de canal, em 2026, olhando só o ROAS da semana. Esse número diz quanto custou a conversão. O cohort diz se ela valeu a pena. São perguntas diferentes, e a segunda é a que paga as contas.

Perguntas frequentes