Google Analytics mostra 50.000 pageviews no mês passado.
Seu chefe tá animado. Marketing declara vitória.
Enquanto isso, MRR ficou flat. Churn subiu. Conversão de trial-to-paid caiu.
Algo tá quebrado. E não é o tráfego.
A ilusão dos dados
Empresas tech se afogam em dados enquanto morrem de fome por insights.
Cada ferramenta promete “analytics acionável.” Dashboard atrás de dashboard. Métricas por todo lado.
Pageviews. Bounce rate. Time on site. Session duration. Scroll depth. Heat maps. Click maps. Funnel drop-offs.
Nada disso te diz por que a receita não tá crescendo.
Aqui está a verdade desconfortável: a maioria dos setups de analytics mede atividade, não outcomes.
Métricas de atividade parecem produtivas. Elas sobem. Elas geram reports. Elas enchem slide decks.
Mas atividade não é igual a progresso.
Uma empresa SaaS pode ter tráfego incrível, métricas de engajamento perfeitas, e ainda assim falhar porque não tá trackeando o que realmente dirige o negócio.
As métricas que realmente importam pra produtos tech
Esquece vanity metrics. Foca em dados conectados à receita.
Pra SaaS B2B, esses são os fundamentos:
Monthly Recurring Revenue (MRR). O único número que realmente importa. Todo o resto suporta entender como crescer isso.
Customer Acquisition Cost (CAC). Quanto realmente custa adquirir um cliente pagante? Inclui tudo: ads, tools, salários, fees de agência.
Lifetime Value (LTV). Quanta receita um cliente gera antes de dar churn? Se LTV é menor que CAC, você não tem um business model.
Taxa de churn. Quantos clientes saem cada mês? Churn alto significa problemas de product-market fit, não problemas de marketing.
Taxa de ativação. Que porcentagem de signups realmente completa ações significativas no seu produto? Isso revela se seu onboarding funciona.
Time to value. Quanto tempo leva pra um novo user experimentar o benefício core? Mais curto é melhor.
Adoção de features. Quais features correlacionam com retenção? Dobra a aposta nessas no marketing.
Essas métricas contam uma história sobre saúde do negócio. Pageviews não.
Google Analytics não é suficiente
GA4 é poderoso. Também é overwhelming e incompleto pra produtos tech.
Ele trackeia comportamento de website. Mas pra SaaS, o website é só o entry point. A experiência real do produto acontece depois do login.
O que GA4 não te diz:
Como users realmente interagem com seu produto. Quais features eles usam. Onde eles travam. O que correlaciona com decisões de upgrade.
Pra isso, você precisa de product analytics.
Mixpanel, Amplitude, ou PostHog trackeiam comportamento de user dentro do seu produto. Events. Funnels. Cohorts. Retention curves.
É aqui que você descobre:
Users que completam onboarding em 24 horas têm retenção 3x maior. Users que convidam teammates convertem pra pago em taxa 5x maior. Power users passam 80% do tempo deles em duas features específicas.
Esses insights moldam product roadmap e messaging de marketing.
Sem product analytics, você tá voando cego.
Event tracking é onde insight vive
Tracking genérico de pageview é preguiçoso.
Event tracking é estratégico.
Cada ação significativa no seu produto deveria ser um event:
- User completa signup
- User cria primeiro projeto
- User convida team member
- User atinge usage limit
- User vê pricing page
- User inicia trial
- User integra com external tool
- User completa core workflow
Trackeia esses events. Analisa patterns.
Você vai descobrir: users que criam um projeto na primeira session têm taxas de conversão 60% maiores.
Esse insight muda tudo. Agora você otimiza onboarding pra empurrar users a criar aquele primeiro projeto imediatamente.
Um data point. Impacto massivo.
Essa é a diferença entre tracking e measuring.
Análise de cohort revela verdade
Métricas agregadas mentem.
“Nossa taxa de conversão é 5%!” Parece bom. Mas e se:
Cohort 1 (users de paid ads) converte em 2%. Cohort 2 (users de organic content) converte em 12%.
Agregado, é 5%. Mas a história é completamente diferente.
Análise de cohort segmenta users por quando eles fizeram signup ou qual canal de aquisição os trouxe.
Isso revela:
Quais canais de marketing realmente funcionam. Como mudanças de produto impactam users novos vs existentes. Se cohorts recentes performam melhor que antigos (sinal de melhoria).
Sem cohorts, você tá fazendo média dos seus insights mais importantes.
Atribuição tá quebrada (mas você ainda precisa dela)
Multi-touch attribution é principalmente fantasia.
A ideia: trackear cada touchpoint na jornada de um cliente e atribuir valor a cada um.
Realidade: pessoas navegam em modo anônimo. Trocam devices. Pesquisam no mobile, convertem no desktop. Usam ad blockers.
Atribuição perfeita é impossível.
Mas você ainda precisa entender influência:
First-touch attribution: o que inicialmente os trouxe? Last-touch attribution: o que finalmente os converteu?
Nenhum conta a história completa. Ambos fornecem contexto.
Abordagem melhor: pergunta pros clientes como eles te encontraram. Adiciona um campo no seu signup flow. Manda survey pós-compra.
Dados qualitativos preenchem gaps que analytics perde.
Reporting é comunicação, não documentação
A maioria dos reports são data dumps.
37 slides. Cada métrica imaginável. Sem história. Sem insights. Sem ações recomendadas.
Esses reports são ignorados.
Reporting eficaz responde perguntas específicas:
O que aconteceu? (os dados) Por que aconteceu? (a análise) O que devemos fazer sobre isso? (a recomendação)
Um bom report tem 3-5 slides com narrativa clara:
MRR cresceu 8% esse mês. Crescimento veio principalmente de expansion revenue, não novos clientes. Segmento enterprise mostrou performance mais forte. Recomendação: aumenta investimento em marketing enterprise.
Isso é acionável. Isso dirige decisões.
Todo o resto é ruído.
Dashboards em tempo real pra times
Reports são pra stakeholders. Dashboards são pra operators.
Cada team member deveria ter acesso a dados live relevantes pro role deles:
Marketing vê: traffic sources, conversion rates, CAC por canal, content performance.
Sales vê: pipeline value, deal velocity, win rate, average contract value.
Product vê: feature usage, activation rates, retention curves, bug reports.
Support vê: ticket volume, response time, CSAT scores, issues comuns.
Quando dados são visíveis e atuais, decisões melhoram. Times se auto-corrigem. Problemas surfam mais rápido.
Transparência vence controle.
Custom events pra insights específicos
Analytics off-the-shelf trackeiam ações genéricas.
Custom events trackeiam o que é único pro seu produto.
Se você tá buildando um code editor, trackeia:
- Linhas de código escritas
- Debugging sessions iniciadas
- Keyboard shortcuts usados
- Extensions instaladas
Se você tá buildando project management software, trackeia:
- Tasks criadas vs completadas
- Frequência de colaboração de time
- Project templates usados
- File uploads e sharing
Essas métricas custom revelam patterns de comportamento de user que analytics genéricos perdem.
Elas informam desenvolvimento de produto. Messaging de marketing. Sales enablement.
Elas também são vantagens competitivas—insights que seus competidores não têm.
O perigo de métricas demais
Paradoxo: mais dados frequentemente levam a decisões piores.
Quando tudo é medido, nada é priorizado.
Times correm atrás de melhorar 15 métricas diferentes simultaneamente. Eles otimizam localmente enquanto perdem o quadro global.
Abordagem melhor: identifica 3-5 North Star metrics.
Essas são as métricas que melhor indicam saúde e crescimento do negócio.
Pra um SaaS early-stage: Weekly Active Users, Activation Rate, MRR Growth podem ser seu North Star.
Todo o resto é dado de suporte. Útil pra diagnóstico. Mas não o foco primário.
Clareza vence comprehensiveness.
Instrumentação requer planejamento
Analytics não é algo que você adiciona depois do launch.
Requer instrumentação intencional desde o dia um.
Antes de buildar features, define:
Como é o sucesso. Quais comportamentos indicam valor. Quais métricas vão medir progresso.
Depois instrumenta tracking pra essas coisas específicas.
Isso requer colaboração entre product, engineering, e marketing.
Engineers implementam tracking. Product define o que trackear. Marketing interpreta resultados.
Sem esse alinhamento, você pega dados inconsistentes, events faltando, e analysis paralysis.
Privacidade e compliance importam
GDPR. LGPD. Cookie consent. Políticas de retenção de dados.
Analytics não pode ignorar requisitos legais.
Users têm direitos: de saber o que é trackeado, de optar por sair, de requisitar deleção de dados.
Compliance não é opcional. E users cada vez mais ligam pra privacidade.
Best practices:
Seja transparente sobre o que você trackeia. Permite opt-out. Não armazena PII desnecessariamente. Usa ferramentas que respeitam privacidade quando possível.
Algumas empresas agora usam server-side analytics pra reduzir tracking client-side. Outras escolhem alternativas privacy-focused como Plausible ou Fathom.
O objetivo: pegar insights sem explorar users.
Esse equilíbrio é cada vez mais importante.
Testar vence chutar
Analytics te diz o que tá acontecendo. Testing te diz o que fazer sobre isso.
A/B testing. Multivariate testing. Feature flags.
Hipótese: mudar cor do CTA vai melhorar conversão.
Não chuta. Testa. Deixa os dados decidirem.
Tools como Optimizely, VWO, ou LaunchDarkly tornam isso acessível.
Mas testing requer disciplina:
Roda testes tempo suficiente pra significância estatística. Não chama winners cedo. Testa uma variável por vez. Documenta tudo.
As empresas que crescem mais rápido são as que testam sem parar.
A analytics stack pra produtos tech
Você não precisa de 47 tools. Você precisa das certas:
Website analytics: GA4 ou Plausible pra tráfego e aquisição.
Product analytics: Mixpanel, Amplitude, ou PostHog pra comportamento in-app.
Session recording: Hotjar ou FullStory pra assistir sessions reais de user.
Error tracking: Sentry ou Rollbar pra pegar issues técnicos.
Customer data platform: Segment pra unificar dados entre tools.
Business intelligence: Metabase ou Looker pra dashboards custom.
Spreadsheets: Ainda a ferramenta de análise mais versátil. Não subestime Excel/Sheets.
Escolhe tools que integram bem. Evita redundância. Foca em insights acionáveis, não coleta de dados por si só.
Aprendendo com outliers
Médias escondem extremos.
Cliente médio paga R$250/mês. Parece ok.
Mas 90% pagam R$50. 10% pagam R$2500.
Isso muda estratégia completamente. Você não tá segmentando a média. Você tá segmentando o segmento high-value.
Mesmo com patterns de uso:
User médio faz login 3x por semana. Mas power users fazem login diariamente e geram 80% dos seus referrals.
Outliers não são ruído. Eles são frequentemente seu sinal mais importante.
Estuda power users. Entende o que os torna diferentes. Descobre como criar mais deles.
É assim que você escala.
Automação reduz trabalho chato
Puxar reports manualmente toda semana é perda de tempo.
Automatiza tarefas repetitivas:
Reports agendados que mandam email pra stakeholders. Alertas quando métricas atingem thresholds. Dashboards que atualizam em tempo real.
Isso libera bandwidth pra análise real.
O objetivo não é eliminar oversight humano. É eliminar drudgery humano.
Deixa máquinas lidarem com monitoring rotineiro. Deixa humanos focarem em interpretação e estratégia.
De dados pra decisões
Analytics só importa se muda comportamento.
Um report que não gera ação é inútil.
Cada análise deveria terminar com: “Baseado nesses dados, devemos…”
Aumentar budget no canal X. Redesenhar feature Y. Deprecar workflow Z. Testar hipótese A.
Dados informam decisões. Decisões dirigem outcomes.
Se seu setup de analytics não tá diretamente influenciando o que seu time builda, marketa, ou vende, não tá funcionando.
Conserta a conexão entre insight e ação.
É aí que analytics se torna valioso.