E-commerceArtigo
Recompra no e-commerce: por que o percentual do painel engana e como medir por coorte
Em resumo
A taxa de recompra calculada sobre um período fechado mistura cliente antigo com quem comprou ontem e distorce a leitura de lojas que crescem ou encolhem. Medir por coorte — o grupo que fez a primeira compra no mesmo mês — mostra se a loja está de fato trazendo gente de volta, e quando.
O número que parece simples
Quase toda plataforma de loja virtual mostra, em algum canto do painel, quantos clientes compraram mais de uma vez. A conta mais comum divide quem fez dois ou mais pedidos num intervalo pelo total de compradores do mesmo intervalo. A referência de métricas da Shopify define a taxa de clientes recorrentes de modo parecido: recorrentes sobre todos os que fizeram pedido no período. É fácil de calcular e péssima para decidir.
O problema é de tempo. Num recorte de doze meses, entra no denominador tanto quem comprou pela primeira vez em janeiro — e teve onze meses para voltar — quanto quem estreou na semana passada e ainda não teve chance nenhuma. O resultado vira uma média de pessoas em estágios diferentes da relação com a marca.
Isso produz duas ilusões opostas:
- a loja que cresce parece pior — uma campanha que traz muitos clientes novos no fim do período derruba o percentual, embora nada tenha piorado na experiência;
- a loja que encolhe parece melhor — com pouca gente nova entrando, sobra no denominador quem já é antigo, e a taxa sobe mesmo com o negócio perdendo fôlego.
Recompra existe no mercado: o painel de dados da ABComm registra, em 2025, 438,9 milhões de pedidos de 94,2 milhões de compradores, cerca de 4,7 por pessoa, em todas as lojas. Isso prova o hábito, não a volta à sua loja (veja e-commerce brasileiro em números).
Coorte: comparar gente que começou junto
A saída é agrupar os clientes pela data da primeira compra e acompanhar cada grupo separadamente. Esse grupo é a coorte. A documentação da exploração de coorte do Google Analytics 4 define coorte como um conjunto de usuários que compartilham uma característica e permite escolher, como critério de entrada, a primeira transação e, como critério de retorno, qualquer transação posterior, com granularidade diária, semanal ou mensal. O relatório de análise de coorte da Shopify segue a mesma lógica: cada linha reúne os clientes que fizeram o primeiro pedido no mesmo período e mostra quantos voltaram nos períodos seguintes.
Em cada ferramenta:
- Google Analytics 4 — a semana vai de domingo a sábado; a exploração aceita até 60 coortes e três tipos de cálculo: padrão (quem voltou naquele período), contínuo (quem voltou naquele período e em todos os anteriores) e cumulativo (quem voltou em qualquer período da análise);
- limite de retenção — a retenção de dados do GA4 na propriedade padrão é de 2 ou 14 meses, e as explorações só enxergam esse intervalo; com 2 meses, não há como medir uma janela de 180 dias;
- Shopify — agrupa as coortes por semana, mês ou trimestre e mostra clientes, taxa de retenção, vendas brutas, vendas líquidas e valor médio do pedido; a taxa de retenção é o percentual da coorte que fez pedido no período.
Com a coorte, a pergunta muda de "quantos dos meus clientes são recorrentes?" para "dos clientes que conheci em março, quantos voltaram em até 90 dias?". A segunda pergunta tem resposta comparável mês a mês, porque cada grupo teve exatamente o mesmo tempo para voltar.
A janela certa depende do que você vende
Não existe prazo universal. Quem vende café, ração ou cosmético repõe em semanas; quem vende colchão, bicicleta ou eletrodoméstico pode levar anos para ver o mesmo cliente de novo. Antes de fixar a janela, levante na própria base o intervalo entre a primeira e a segunda compra dos clientes que voltaram e use a mediana — ela sofre menos com casos extremos do que a média. Exemplo: com intervalos de 20, 25, 30, 35 e 300 dias, a média dá 82 dias e a mediana, 30.
Uma regra prática é olhar duas janelas: uma curta, perto dessa mediana, que responde rápido a mudanças de experiência; e uma longa, que captura o ciclo completo do produto. Se a mediana é de 60 dias, por exemplo, faz sentido acompanhar a recompra em 60 e em 180 dias.
Ferramentas que estimam o intervalo pedem volume. A análise preditiva da Klaviyo, que calcula a data esperada do próximo pedido e o tempo médio entre pedidos, exige ao menos 500 clientes com pedido, 180 dias de histórico, pedidos nos últimos 30 dias e alguns clientes com 3 ou mais compras. A Shopify baseia a projeção de gasto por cliente da coorte nos 24 meses anteriores da loja.
Um exemplo com números redondos
Os valores abaixo são ilustrativos, só para mostrar a leitura. Imagine uma loja com três coortes mensais, todas medidas na janela de 90 dias:
- coorte de janeiro: 400 primeiros compradores, 60 voltaram em até 90 dias — 15%;
- coorte de fevereiro: 520 primeiros compradores, 62 voltaram — cerca de 12%;
- coorte de março: 380 primeiros compradores, 68 voltaram — cerca de 18%.
Na forma de tabela, com o retorno acumulado em 30, 60 e 90 dias (ilustrativo):
| Coorte | Clientes | Até 30 dias | Até 60 dias | Até 90 dias |
|---|---|---|---|---|
| Janeiro | 400 | 24 (6%) | 44 (11%) | 60 (15%) |
| Fevereiro | 520 | 26 (5%) | 42 (8,1%) | 62 (11,9%) |
| Março | 380 | 30 (7,9%) | 53 (13,9%) | 68 (17,9%) |
A queda de fevereiro coincide com o mês de maior aquisição. Antes de concluir que a experiência piorou, a pergunta seguinte é de onde vieram aqueles clientes. Se a maior parte chegou por um cupom agressivo, a coorte pode ter trazido caçadores de desconto, que raramente voltam pelo preço cheio. A melhora de março, por sua vez, só vale ser comemorada depois de confirmada em abril e maio.
Somadas, as três coortes dão 190 retornos em 1.300 clientes, 14,6%, número único que esconde os 6 pontos entre fevereiro e março.
Os cortes que explicam a causa
O percentual por coorte diz se algo mudou; os recortes dizem por quê. Os mais úteis costumam ser:
- canal de aquisição — cliente que chegou por busca orgânica, por indicação ou por anúncio pago volta em ritmos diferentes;
- primeiro produto comprado — alguns itens funcionam como porta de entrada e puxam a segunda compra; outros encerram a relação;
- desconto na estreia — compare quem comprou com cupom e quem pagou preço cheio;
- experiência de entrega — atraso, avaria ou troca na primeira compra costumam derrubar a volta;
- região — prazo e custo de frete mudam de uma praça para outra.
No GA4, esses recortes entram como dimensão de detalhamento, com no máximo 15 valores exibidos por dimensão.
Armadilhas nos dados
Recompra depende de saber que duas compras são da mesma pessoa, e aí mora a maior fonte de erro. Compras feitas sem cadastro, e-mails diferentes para o mesmo cliente e trocas de sistema quebram o histórico. Vale padronizar a chave de identificação — e-mail normalizado, telefone ou documento, conforme o que a política de privacidade da loja permite — e excluir da conta pedidos cancelados e devolvidos integralmente.
Mais três cuidados:
- identidade entre aparelhos — o User-ID do GA4 liga sessões de dispositivos diferentes ao mesmo cliente, mas a política do Google proíbe que o identificador revele quem é a pessoa; use um código interno, nunca o e-mail;
- dado mínimo — o art. 6º da LGPD (Lei 13.709/2018) lista os princípios da finalidade e da necessidade (incisos I e III); na leitura deste guia, para medir recompra bastam a chave do cliente, a data e o valor do pedido;
- arrependimento — o art. 49 do Código de Defesa do Consumidor (Lei 8.078/1990) dá 7 dias para desistir da compra feita fora do estabelecimento, contados da assinatura ou do recebimento do produto; na prática de análise (não é exigência da lei), convém fechar a coorte só depois desse prazo.
Há ainda o limite do marketplace: quando a venda acontece na vitrine de um grande portal, o relacionamento e boa parte dos dados ficam com a plataforma. A recompra que a loja consegue medir, nesse caso, é a do próprio canal. O guia marketplace ou loja própria discute esse custo invisível.
O que fazer com o resultado
O número só vale se mudar alguma decisão. Três usos práticos:
- régua de relacionamento no tempo certo — a mensagem de reposição ou de novidade deve chegar perto do intervalo típico de volta, não em data aleatória;
- quanto pagar para adquirir — se a coorte volta e compra de novo, a loja pode aceitar um custo de aquisição maior na primeira venda; se não volta, cada cliente precisa se pagar no primeiro pedido. A calculadora de precificação ajuda a ver a margem disponível;
- priorizar correções — se uma coorte ruim coincide com atraso de entrega ou produto problemático, a correção operacional rende mais que qualquer campanha.
Exemplo ilustrativo: se o primeiro pedido deixa R$ 30 de margem e 15% da coorte faz um segundo pedido com a mesma margem em 90 dias, cada cliente adquirido rende em média R$ 34,50 no período (R$ 30 + 0,15 × R$ 30). Um CAC de R$ 40 não se paga nessa janela; um de R$ 30 se paga no primeiro pedido.
Um CRM organizado facilita tudo isso, porque guarda o histórico por cliente e permite disparar a comunicação na hora certa; o artigo vendas consultivas com CRM mostra como estruturar esse uso. Sem CRM, a planilha resolve: o método está em RFM na planilha.
Comece por aqui Novo no assunto? Leia primeiro o que é e-commerce, o texto-base desta cobertura.
Fonte: Google Analytics (Ajuda)
Perguntas frequentes
Por que a taxa de recompra de um período fechado engana?
Porque mistura clientes antigos, que tiveram meses para voltar, com clientes novos, que ainda não tiveram tempo. Lojas que crescem parecem piores e lojas que encolhem parecem melhores.
O que é análise de coorte de clientes?
É agrupar os clientes pela data da primeira compra e acompanhar quantos de cada grupo voltam a comprar em janelas iguais de tempo, como 60 ou 90 dias.
Qual janela usar para medir recompra?
Depende do produto. Um ponto de partida é a mediana do intervalo entre a primeira e a segunda compra na própria base, acompanhada de uma janela mais longa.
