Análise de Coorte em Analytics Móvel: o que é, métricas e etapas de realização

O que é Análise de Coorte?

Análise de Coorte é um método analítico que divide os usuários em grupos (coortes) com base no momento em que realizaram seu primeiro evento-alvo, como instalar o aplicativo ou se registrar. Ao contrário de métricas agregadas como DAU ou MAU, as coortes permitem rastrear o comportamento do mesmo grupo ao longo de semanas e meses, revelando tendências de retenção e abandono.

A principal vantagem deste método é eliminar a ilusão de crescimento, onde usuários antigos mascaram os problemas dos novos. De acordo com o Amplitude Blog (2024), empresas que adotaram a análise de coorte reduzem o abandono de usuários em 20–30% nos primeiros 90 dias.

Aplique a análise de coorte para avaliar a eficácia de campanhas UA, comparar o comportamento de diferentes versões do aplicativo e calcular o retorno sobre o investimento em aquisição de usuários.

Métricas-chave da Análise de Coorte

Taxa de Retenção (Retention Rate)

Taxa de Retenção é a porcentagem de usuários de uma coorte que retornaram ao aplicativo N dias após a instalação. Esta é a principal métrica de qualidade do produto: se os usuários não voltam, os problemas estão na integração, proposta de valor ou estabilidade do aplicativo. De acordo com a Statista (2025), a Retenção média no Day-1 para aplicativos móveis é de 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Compare a Retenção da sua coorte com os benchmarks da categoria e analise quais mudanças no produto aumentaram os retornos.

LTV — Lifetime Value

LTV (Lifetime Value) é a receita total de todos os usuários de uma coorte durante o período de observação. Esta métrica é crítica para avaliar o ROI de campanhas publicitárias e tomar decisões sobre escalar orçamentos UA. De acordo com o relatório Adjust Benchmarks (2024), o LTV médio por usuário em jogos é de $3,50, em e-commerce — $1,80, e em utilidades — $0,40.

Calcule o LTV da coorte no Day-30, Day-90 e Day-180 para entender o valor de longo prazo dos usuários adquiridos.

Taxa de Churn (Churn Rate)

Taxa de Churn é a porcentagem de usuários de uma coorte que pararam de usar o aplicativo. Churn alto nos primeiros dias sinaliza problemas de integração ou desalinhamento de expectativas. De acordo com a Localytics (2024), 25% dos usuários abandonam o aplicativo após a primeira abertura e, no dia 90, restam menos de 5%.

Monitore a Taxa de Churn semanalmente — um aumento de 5% em uma coorte requer análise imediata das causas de abandono por meio de pesquisas ou gravações de sessão.

Tipos de Coortes por Período de Tempo

Coortes Diárias

Coortes Diárias são usuários que instalaram o aplicativo no mesmo dia. É o nível mais granular, permitindo detectar anomalias: uma queda repentina na Retenção em uma data específica pode indicar uma falha técnica ou uma campanha criativa problemática. Coortes diárias são usadas para monitoramento operacional e testes A/B quando mudanças são feitas diariamente.

Coortes Semanais

Coortes Semanais são usuários que instalaram o aplicativo na mesma semana calendário. Fornecem dados mais estáveis, suavizando flutuações diárias. São adequadas para relatórios regulares e comparação de desempenho de canais de publicidade — o passo semanal neutraliza o efeito do dia da semana, onde a conversão pode diferir nos fins de semana.

Coortes Mensais

Coortes Mensais são usuários que instalaram o aplicativo no mesmo mês. São ótimas para analisar tendências de longo prazo, sazonalidade e calcular LTV em um horizonte de 6 a 12 meses. São usadas no nível de gerenciamento de produto para decisões estratégicas sobre o desenvolvimento do produto.

Como Realizar Análise de Coorte

Análise de Coorte consiste em quatro etapas: coleta de dados, agrupamento em coortes, cálculo de métricas por período e visualização. Primeiro, defina o evento-alvo — geralmente install, signup ou first_purchase. Todos os usuários que o realizaram em um mesmo período pertencem à mesma coorte.

Segundo, defina o intervalo de tempo: dia, semana ou mês. Para cada período subsequente (Day-1, Day-2, Day-3...), calcule a porcentagem de usuários que retornam. Os resultados são compilados em uma tabela de coorte, onde cada linha é uma coorte, cada coluna é um período e cada célula é um valor de métrica.

Terceiro, calibre os dados: exclua coortes com menos de 100 usuários e considere a sazonalidade. De acordo com a Mixpanel (2024), coortes com menos de 50 usuários produzem resultados estatisticamente insignificantes com margem de erro superior a 20%. Quarto, visualize os dados como uma tabela de coorte ou mapa de calor — linhas (coortes) e colunas (períodos) tornam as tendências de retenção claras para as partes interessadas.

Para interpretação correta, compare sempre coortes do mesmo tamanho: é inaceitável comparar uma coorte de 50.000 usuários com uma de 500. Normalize as métricas como porcentagem do tamanho inicial da coorte, não como números absolutos — isso permite comparar grupos de tamanho desigual. Considere também o efeito novidade: usuários que instalaram o aplicativo após um grande evento de marketing podem se comportar de forma diferente das instalações orgânicas.

Ferramentas para Análise de Coorte

Ferramentas de Análise de Coorte são divididas entre as incorporadas em plataformas analíticas e soluções SQL personalizadas. Amplitude e Mixpanel oferecem relatórios de coorte prontos com cálculo automático de Retention e LTV, sem necessidade de escrever consultas. Firebase Analytics fornece coortes básicas por data de instalação divididas por dias, semanas e meses.

Para coortes personalizadas, use consultas SQL no BigQuery ou Redshift — isso dá controle total sobre métricas e períodos. De acordo com a Amplitude (2024), equipes que usam coortes SQL personalizadas descobrem 35% mais insights comportamentais do que com relatórios padrão. Ferramentas de BI (Tableau, Looker, Google Data Studio) permitem construir dashboards interativos de coortes para monitoramento regular.

A escolha da ferramenta depende da maturidade analítica da equipe. No início, Firebase Analytics ou coortes incorporadas da Amplitude são suficientes — cobrem 80% das necessidades de análise de coorte. Conforme a equipe cresce, migre para coortes SQL no BigQuery: isso oferece flexibilidade para definir métricas não padrão (por exemplo, coortes por data da primeira compra em vez de data de instalação) e permite construir modelos preditivos de LTV usando ML. Para visualização, use Looker Studio, que conecta diretamente ao BigQuery sem custo adicional.

Exemplo de Análise de Coorte em SQL

Para calcular coortes diárias por conta própria, use uma consulta SQL que agrupe as sessões por data de instalação. Abaixo está uma consulta para BigQuery que retorna o número de usuários ativos por dia dentro de cada coorte.

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

Após executar a consulta, crie uma tabela resumo no Google Sheets ou em uma ferramenta de BI. Cada linha é uma data de coorte, cada coluna é o número do dia (Day-1, Day-2, etc.). A porcentagem de usuários ativos é calculada como a razão entre active_users no dia N e active_users no Day-0 (dia da instalação).

Erros Comuns na Análise de Coorte

O primeiro erro é trabalhar com coortes pequenas. Se uma coorte contém menos de 100 usuários, cada abandono ou retorno de uma pessoa distorce significativamente a porcentagem. O tamanho mínimo de coorte para conclusões confiáveis é de 500 usuários.

O segundo erro é ignorar a sazonalidade. Uma coorte que instalou o aplicativo antes do Ano Novo se comportará de maneira diferente de uma coorte de meados de janeiro. Sempre compare coortes da mesma estação ou use normalização de dados. De acordo com a Mixpanel (2024), flutuações sazonais podem chegar a 30–40% para a Retenção de Day-1.

O terceiro erro é confundir análise de coorte com análise transversal. A análise de coorte rastreia um grupo ao longo do tempo, não compara grupos diferentes em um único momento. Use medições repetidas na mesma coorte, caso contrário você obterá conclusões falsas sobre o crescimento da Retenção.