Análise de cohort: por que clientes de janeiro se comportam diferente dos de julho

Quando você olha para os números da sua empresa, provavelmente vê médias: ticket médio, churn médio, tempo médio de vida do cliente. O problema é que médias mentem. E mentem de um jeito perigoso — elas escondem os padrões que mais importam.

O que é uma análise de cohort

Cohort é um grupo de clientes que entraram na sua base no mesmo período — por exemplo, todos os que se tornaram clientes em janeiro de 2025. A análise de cohort compara como cada grupo se comporta ao longo do tempo: quantos ficam, quantos saem, quanto pagam, quando param de pagar.

É como acompanhar turmas de alunos em uma escola. A turma de 2023 pode ter resultados muito diferentes da turma de 2024, mesmo que a escola seja a mesma. Entender essas diferenças é entender o que mudou — e o que pode ser melhorado.

O que os dados revelaram

Em uma operação que analisamos, separamos os clientes por mês de entrada e acompanhamos a retenção de cada grupo. O resultado foi revelador:

• Clientes que entraram no primeiro trimestre tinham retenção de 94% após 3 meses — ou seja, a cada 100 novos, 94 ainda estavam ativos 90 dias depois.
• Clientes que entraram no meio do ano tinham retenção de apenas 85% no mesmo período.
• Clientes do quarto trimestre mostravam retenção intermediária, em torno de 89%.

Por que os grupos se comportam diferente

Existem várias razões possíveis, e a análise de cohort ajuda a investigar cada uma:

1. Canal de aquisição diferente: se em janeiro a empresa investiu em indicação e em julho investiu em anúncios online, os clientes de cada mês vêm com perfis e expectativas diferentes.
2. Sazonalidade do produto: dependendo do setor, há épocas do ano em que o cliente entra mais "decidido" e épocas em que entra mais "curioso". Clientes curiosos cancelam mais.
3. Mudança na oferta: um reajuste de preço, uma alteração no plano ou uma mudança no atendimento afeta quem entra depois, mas não quem já estava.
4. Capacidade operacional: em meses de alta demanda, a equipe pode não dar a mesma atenção ao onboarding. E o onboarding malfeito correlaciona com cancelamento futuro.

A ciência por trás da análise de cohort

Os pesquisadores Daniel McCarthy, Peter Fader e Bruce Hardie, em seu artigo "Valuing Subscription-Based Businesses Using Publicly Disclosed Customer Data", demonstraram que modelos de valoração que ignoram a heterogeneidade entre cohorts subestimam significativamente o risco de uma base de clientes.

Em termos práticos: se você calcula o valor da sua empresa usando a retenção média, está provavelmente superestimando. Porque os cohorts mais antigos (que têm melhor retenção) mascaram a queda de qualidade dos cohorts recentes.

Fader e Hardie, em trabalho anterior de 2009 sobre modelos probabilísticos para análise de base de clientes, mostraram que a taxa de cancelamento não é constante — ela varia entre grupos e ao longo do tempo. Tratar como constante é um dos erros mais comuns e mais caros na gestão de negócios recorrentes.

Como ler uma tabela de cohort

Uma tabela de cohort mostra, na vertical, o mês de entrada dos clientes. Na horizontal, os meses que se passaram desde a entrada. Cada célula mostra quantos (ou que percentual) dos clientes originais ainda estão ativos.

O que procurar:

• Quedas abruptas no primeiro mês: se um cohort perde 15% já no mês 1, há um problema grave no onboarding ou na expectativa criada na venda.
• Diferenças entre cohorts: se janeiro retém 94% e julho retém 85%, algo mudou. Investigue o quê.
• Estabilização: a maioria dos cohorts perde mais clientes nos primeiros 3 meses e depois estabiliza. Se um cohort não estabiliza, o problema é contínuo.
• Tendência ao longo dos meses: os cohorts mais recentes estão melhores ou piores que os antigos? Isso indica a direção da empresa.

O que fazer com essa informação

A análise de cohort não resolve problemas diretamente, mas ela direciona sua atenção para onde importa:

1. Identifique os cohorts problemáticos: quais meses tiveram a pior retenção? O que aconteceu nesses meses?
2. Investigue as causas: foi o canal de venda? O preço? Um evento externo? A equipe estava reduzida?
3. Teste hipóteses: se clientes de indicação retêm melhor, invista mais em programas de indicação. Se clientes que passam por um onboarding estruturado cancelam menos, padronize o onboarding.
4. Monitore os novos cohorts: após implementar mudanças, acompanhe se os cohorts seguintes melhoram. Isso fecha o ciclo de aprendizado.

A média dos seus clientes não existe. Existem grupos diferentes, com comportamentos diferentes, por razões diferentes. Quando você enxerga isso, começa a gerenciar de verdade.

Referências

• McCarthy, D., Fader, P. S. & Hardie, B. G. S. (2017). "Valuing Subscription-Based Businesses Using Publicly Disclosed Customer Data". Disponível em: papers.ssrn.com
• Fader, P. S. & Hardie, B. G. S. (2009). "Probability Models for Customer-Base Analysis". Journal of Interactive Marketing.