Analisar um funil de conversão é medir quantos usuários passam de uma etapa para a seguinte, encontrar onde a queda é maior, confirmar que ela é real — e não ruído estatístico — e transformá-la em hipótese de teste. O processo tem cinco passos: definir as etapas, garantir o tracking, ler o funil no agregado, segmentar as quedas e priorizar o ataque pelo impacto potencial.
Funil é a ferramenta mais maltratada do CRO. Todo mundo tem um desenho de funil na cabeça; poucos times têm um funil confiável na ferramenta. Este guia mostra como montar e ler um funil de conversão de verdade, com um exemplo numérico completo de e-commerce — e como evitar os dois erros que mais geram teste inútil: atacar a etapa errada e tratar flutuação estatística como gargalo.
O que é um funil de conversão (e o que não é)
Um funil de conversão é a sequência de etapas observáveis que um usuário precisa cumprir até a conversão: visitar o site, ver um produto, adicionar ao carrinho, iniciar o checkout, comprar. Cada etapa é medida por um evento, e a taxa de passagem entre etapas é a razão entre quem chegou na etapa seguinte e quem estava na anterior.
O funil não é a jornada completa do usuário — ninguém navega em linha reta. Ele é um modelo simplificado que isola o caminho crítico para a conversão. Quem esquece disso tenta enfiar dez etapas no funil e acaba com um relatório que ninguém lê. Quanto menos etapas, mais acionável.
Passo 1 — definir as etapas do funil
A definição das etapas é uma decisão de negócio, não técnica. Cada etapa deve atender a três critérios:
- Ser observável: existe um evento ou página que marca a passagem pela etapa, sem ambiguidade.
- Ser necessária: o usuário não consegue converter sem passar por ela (em funis fechados) ou sem que ela represente progresso real (em funis abertos).
- Ser acionável: se a etapa cair, alguém sabe o que mexer — página, fluxo, oferta, formulário.
Para e-commerce, o funil clássico de cinco etapas cobre a maioria dos casos: sessão → visualização de produto → adição ao carrinho → início do checkout → compra. Para SaaS, o equivalente costuma ser: visita → cadastro → ativação → uso recorrente → upgrade. Se a sua taxa de conversão é calculada no agregado, o funil é onde ela se decompõe em partes atacáveis.
Passo 2 — garantir o tracking antes de analisar
Nenhuma análise de funil sobrevive a tracking quebrado. Antes de ler qualquer número, valide três coisas:
- Cada etapa dispara um evento único e estável — sem disparos duplicados nem eventos que morrem em determinado navegador.
- Os volumes fazem sentido em ordem de magnitude: ninguém pode ter mais inícios de checkout do que adições ao carrinho num funil fechado.
- O tracking cobre todos os caminhos de conversão, incluindo checkout hospedado em domínio terceiro e app.
Só depois disso faz sentido montar o funil na ferramenta — o funnel exploration do GA4, os funnels do Mixpanel ou o equivalente na sua stack. Ferramenta diferente, mesma lógica: etapas definidas, usuários contados em cada uma, taxa de passagem calculada.
Passo 3 — ler o funil: exemplo numérico completo
Considere um e-commerce brasileiro de moda (exemplo ilustrativo) com o seguinte funil em 30 dias:
| Etapa | Usuários | Taxa de passagem | Queda absoluta | Onde atacar |
|---|---|---|---|---|
| Sessões no site | 100.000 | — | — | — |
| Visualizaram produto | 48.000 | 48,0% | 52.000 | Home, busca e vitrines |
| Adicionaram ao carrinho | 12.000 | 25,0% | 36.000 | Página de produto |
| Iniciaram o checkout | 7.200 | 60,0% | 4.800 | Carrinho |
| Compraram | 3.600 | 50,0% | 3.600 | Checkout |
Três leituras saem dessa tabela. Primeiro, a maior queda absoluta está entre sessão e visualização de produto (52.000 usuários), mas essa etapa mistura intenção de visita — nem toda sessão nasceu para comprar. Segundo, a maior queda proporcional de etapa de decisão está em produto → carrinho: 75% dos usuários que viram um produto não o colocaram no carrinho. Terceiro, a etapa mais cara por usuário é checkout → compra: cada usuário ali já demonstrou intenção máxima, e metade desiste.
A priorização vem da conta de impacto, não da intuição. Se o time melhorar a passagem carrinho → checkout de 60% para 70%, os 12.000 usuários com item no carrinho geram 8.400 checkouts e, mantendo os 50% finais, 4.200 compras: 600 compras a mais por mês, alta de 16,7%. Com ticket médio de R$ 180, são R$ 108.000 de receita adicional mensal — sem um único visitante a mais no topo.
Passo 4 — segmentar as quedas
O funil agregado esconde onde o problema mora. No exemplo, a passagem checkout → compra de 50% se decompõe assim:
| Segmento | Iniciaram checkout | Compraram | Taxa de passagem |
|---|---|---|---|
| Mobile | 4.300 | 1.720 | 40,0% |
| Desktop | 2.900 | 1.880 | 64,8% |
| Total | 7.200 | 3.600 | 50,0% |
A leitura muda completamente: não existe “problema de checkout”, existe problema de checkout no mobile. É esse nível de recorte que transforma relatório em direção de investigação — e é aqui que o quantitativo entrega o bastão para o qualitativo. Antes de propor solução, vale assistir às sessões reais desse recorte: o guia de como analisar gravações de sessão mostra como fazer isso sem viés, e a pesquisa de conversão no modelo ResearchXL organiza a investigação completa.
Gargalo real ou gargalo estatístico?
Nem toda queda merece ação. Uma queda é um gargalo real quando três condições se somam: o volume da etapa é grande o suficiente para a diferença ser estável, a queda é consistente ao longo do tempo (não um pico de um dia atípico) e ela persiste quando segmentada.
O erro clássico é o gargalo estatístico: um segmento de 320 usuários cuja taxa caiu de 55% para 45% parece alarmante, mas a diferença de 10 pontos percentuais não é significativa nesse tamanho de amostra — o desvio-padrão da diferença é de cerca de 5,6 pontos. Já a mesma queda de 10 pontos numa etapa com 7.200 usuários é significativa com folga. Regra prática: desconfie de conclusões tiradas de etapas com poucas centenas de usuários, e sempre olhe a janela de pelo menos duas a quatro semanas antes de declarar gargalo.
Passo 5 — da queda à hipótese de teste
O funil termina onde o teste começa. O formato que funciona: a queda segmentada vira um problema declarado (“usuários mobile abandonam o checkout a 60%”), a investigação qualitativa gera a explicação (campos demais, frete surpresa, carga cognitiva alta — nosso guia sobre como reduzir a carga cognitiva do checkout cobre os padrões mais comuns) e a solução proposta vira hipótese mensurável. O formato correto de escrever essa hipótese — com métrica, direção e tamanho de efeito esperado — está detalhado no artigo sobre como escrever hipótese de teste A/B.
Fechando o ciclo do exemplo: “Reduzir os campos do checkout mobile de nove para cinco aumenta a taxa de passagem checkout → compra de 40% para pelo menos 46%, porque diminui o esforço no momento de maior fricção da jornada” é uma hipótese testável nascida de um funil. É assim que análise de funil vira alavanca de receita, e não um relatório mensal que ninguém abre.
Fontes
- Funnel exploration — Google Analytics Help
- Create a custom funnel report — Google Analytics Help
- Funnels — Mixpanel Docs
Perguntas frequentes
Quantas etapas um funil de conversão deve ter?
Entre três e seis na maioria dos casos. Abaixo de três, o funil não decompõe o suficiente para gerar ação; acima de seis, as etapas ficam granulares demais, com volumes pequenos e leitura instável. Se uma etapa tem poucas centenas de usuários por mês, considere fundi-la com a vizinha.
Qual a diferença entre funil aberto e funil fechado?
No funil fechado, o usuário só conta numa etapa se tiver passado por todas as anteriores. No aberto, ele pode entrar em qualquer etapa. Funis fechados medem o caminho crítico com rigor; funis abertos medem a contribuição de cada etapa independentemente da ordem. Para checkout, use fechado; para jornadas de conteúdo, aberto costuma fazer mais sentido.
Uma queda grande sempre indica problema?
Não. Algumas quedas são estruturais: a passagem de sessão para visualização de produto naturalmente filtra visitantes sem intenção de compra. O sinal de problema é a queda que se desvia do padrão do próprio funil ao longo do tempo, ou que difere muito entre segmentos equivalentes — como os 40% no mobile contra 64,8% no desktop do exemplo deste artigo.
Posso analisar funil com dados amostrados?
Para leitura de tendência, sim. Para declarar um gargalo ou dimensionar impacto, não — amostragem distorce justamente as caudas, onde os segmentos pequenos vivem. Verifique o indicador de qualidade do dado na ferramenta e, se necessário, reduza o período ou o número de dimensões para sair da amostra.
Artigos relacionados
- Taxa de conversão: como calcular
- Pesquisa de conversão: o modelo ResearchXL
- Como analisar gravações de sessão em CRO
- Como reduzir a carga cognitiva do checkout
- Como escrever hipótese de teste A/B
- GA4: guia prático para analisar conversões e jornadas
- Como medir o ROI de CRO, Growth e Experimentação
- Como aumentar a conversão de um e-commerce
Quer trocar experiências sobre funis, testes e CRO com outros profissionais? Participe da comunidade CRO Brasil.