Assinatura x Pagamento Único: Como Testar Qual Converte Mais

Testar assinatura x pagamento único não é uma pergunta de conversão, é uma pergunta de receita ao longo do tempo, e a diferença entre as duas é onde a maioria dos testes desse tipo erra. Um teste A/B convencional mede quem clicou em comprar primeiro; um teste de modelo de cobrança precisa medir quanto cada modelo rende por visitante depois de projetar o LTV de cada um, porque a assinatura tem churn (perde parte dos clientes todo mês) e o pagamento único não. Este artigo, parte do guia completo de teste A/B de preço, cobre quando cada modelo tende a converter melhor, qual métrica decide o teste de verdade, como desenhar o experimento sem se enganar no curto prazo, e dois exemplos numéricos completos (SaaS e curso/infoproduto) em que a conclusão se inverte dependendo só do churn.

Assinatura e pagamento único: o que muda além do preço

Um pagamento único entrega toda a receita daquele cliente de uma vez, no dia da compra. Uma assinatura entrega a receita em parcelas mensais que só continuam chegando enquanto o cliente permanece ativo, e o churn (a fração de assinantes que cancela todo mês) determina por quantos meses, em média, essa receita continua. São duas curvas de caixa completamente diferentes para o mesmo cliente:

Repare no que essa curva não mostra: o cliente do pagamento único paga uma vez e nunca mais aparece no seu caixa recorrente, mesmo que continue usando o produto por anos. O assinante paga pouco a pouco, mas cada mês que ele permanece é receita nova, e o valor total dele só se revela olhando para frente, não no dia da venda. Comparar os dois modelos olhando só a conversão do dia 1 é comparar uma foto contra um filme.

Quando cada modelo tende a converter (e a render) melhor

Não existe resposta universal, mas o padrão de uso do produto dá uma pista forte de por onde começar a hipótese:

Tipo de produto	Onde a assinatura tende a ganhar	Onde o pagamento único tende a ganhar
SaaS de uso contínuo (ferramenta que o cliente abre toda semana, com atualizações constantes)	Quase sempre: o valor é entregue de forma contínua, o que justifica cobrança contínua, e o churn tende a ser mais baixo	Produtos SaaS de nicho muito específico, usados uma vez e abandonados (ex.: conversor de arquivo, gerador pontual)
Produto digital autocontido (plugin, template, banco de ativos, licença de software)	Quando há atualização e suporte contínuos que justificam a mensalidade	Quando a entrega é “pronta e acabada”: o cliente recebe o arquivo e não precisa de mais nada depois
Curso ou infoproduto	Quando o conteúdo é vivo (comunidade, atualizações, novas aulas todo mês)	Quando o conteúdo é finito: o aluno consome tudo em semanas e não há razão para continuar pagando depois disso

A régua que separa os dois lados da tabela não é o preço, é a continuidade do valor entregue. Quando o valor se renova todo mês, cobrar todo mês é natural e o churn tende a ficar baixo. Quando o valor é consumido de uma vez (o aluno termina o curso, o comprador baixa o arquivo), forçar uma assinatura tende a gerar cancelamento rápido assim que o cliente perceber que já recebeu tudo que precisava, o que empurra o churn para cima e derruba o LTV projetado da assinatura, mesmo que a conversão inicial dela pareça ótima.

A métrica que decide o teste: receita projetada por visitante, não conversão

Aqui está o erro mais comum desse tipo de teste, e o motivo deste artigo existir: medir só a taxa de conversão do clique de compra mede a metade errada da história. Uma página de pagamento único quase sempre parece “ganhar” num teste A/B raso, porque pedir um compromisso definitivo de uma vez costuma converter taxas diferentes de pedir um compromisso recorrente, para melhor ou para pior dependendo do produto, mas o número de compradores sozinho não diz quanto dinheiro cada modelo efetivamente traz.

A métrica primária correta multiplica conversão por LTV projetado de cada lado:

Para o pagamento único, o LTV é simples: é o preço cobrado, uma vez (ignorando qualquer recompra, que pode ser somada à parte se existir). Para a assinatura, o LTV projetado usa a fórmula padrão de negócios recorrentes:

Essa é a mesma fórmula usada por operações de assinatura de mercado: com um ARPU de R$ 100 e um churn mensal de 5%, o LTV projetado é de R$ 2.000 (o cliente permanece, em média, 20 meses). A tabela abaixo mostra como esse LTV muda conforme o churn, mantendo o mesmo preço mensal de R$ 97:

Churn mensal	Permanência média esperada	LTV projetado (ARPU R$ 97)
3%	33,3 meses	R$ 3.233
5%	20,0 meses	R$ 1.940
8%	12,5 meses	R$ 1.213
10%	10,0 meses	R$ 970

O churn não é um detalhe secundário nessa conta, é a variável que mais move o resultado. Cortar o churn de 10% para 5% mais que dobra o LTV projetado da assinatura, com o mesmo preço e a mesma conversão. É por isso que decidir entre os dois modelos sem projetar o LTV é decidir sem olhar a variável que mais pesa na balança.

Como desenhar o teste sem se enganar no curto prazo

Além de medir a métrica certa, dois cuidados de desenho separam um teste confiável de um resultado enganoso:

• Use uma janela de conversão fixa, não “conversões até agora”. Compromissos maiores (seja o valor total do pagamento único, seja o compromisso recorrente da assinatura) costumam ter ciclo de decisão mais longo do que uma compra por impulso. Se você compara “quantos já compraram” no dia 3 do teste, o modelo cuja audiência decide mais rápido parece vencer artificialmente, mesmo que o outro alcance ou ultrapasse depois de duas ou três semanas. Defina uma janela (7, 14 ou 30 dias após a primeira visita, dependendo do seu ciclo real) e meça os dois lados na mesma janela.
• Não decida pela conversão do dia 1; projete a receita antes de declarar vencedor. Como visto na seção anterior, o modelo com conversão inicial maior pode perder feio na receita projetada por visitante assim que o LTV entra na conta. Calcule os dois números (conversão e receita projetada) antes de anunciar qual variação venceu, nunca só o primeiro.
• Trate o churn observado como estimativa, não como verdade absoluta, até ter alguns ciclos completos. No início do teste você só tem meses recentes de dados de retenção, e a curva de churn real de uma coorte nova de assinantes normalmente estabiliza depois dos primeiros ciclos. Se possível, revise a projeção de LTV quando tiver pelo menos dois ou três meses de dados de cancelamento da coorte testada.

Exemplo trabalhado: SaaS, quando a conversão engana

Um SaaS testa duas páginas de checkout com 6.000 visitantes cada: a página A oferece só o plano de assinatura mensal (R$ 97/mês); a página B oferece um plano vitalício de pagamento único (R$ 697). Depois de rodar o teste:

• A (assinatura): 210 conversões em 6.000 visitantes, taxa de 3,5%.
• B (pagamento único): 258 conversões em 6.000 visitantes, taxa de 4,3%.

Rodando o teste de significância de duas proporções (o mesmo motor da calculadora abaixo): taxa combinada p̄ ≈ 3,9%, erro padrão ≈ 0,00353, escore z ≈ 2,26, valor-p bilateral ≈ 0,024. É significativo: B converte 22,9% a mais (intervalo de confiança de 95% da diferença entre aproximadamente +0,1 e +1,5 ponto percentual). Até aqui, um teste A/B raso declararia B vencedora e encerraria o assunto.

Agora projete o LTV. A assinatura, com churn mensal de 5% (o mesmo usado no exemplo da fórmula), projeta um LTV de R$ 1.940 por assinante. O pagamento único entrega R$ 697 de uma vez. Multiplicando conversão por LTV:

• Receita projetada por visitante em A: 3,5% × R$ 1.940 = R$ 67,90.
• Receita projetada por visitante em B: 4,3% × R$ 697 = R$ 29,97.

A inversão só existe porque o churn de 5% é baixo o bastante para o efeito de composição da assinatura superar a vantagem de conversão do pagamento único. Existe um ponto de equilíbrio: acima de aproximadamente 11,3% de churn mensal (permanência média de menos de 9 meses), a receita projetada por visitante do pagamento único ultrapassaria a da assinatura mesmo com a conversão observada. Ou seja, a resposta certa depende diretamente de quão bem o seu produto retém assinantes, não de qual página “parece” converter mais.

Exemplo trabalhado: curso ou infoproduto, quando o resultado se inverte

Agora o mesmo tipo de teste, num produto onde o padrão de consumo é diferente: uma comunidade de conteúdo por assinatura (R$ 47/mês) contra a venda vitalícia do mesmo conteúdo (R$ 497), com 5.000 visitantes por variação:

• A (assinatura mensal): 200 conversões em 5.000 visitantes, taxa de 4,0%.
• B (pagamento único vitalício): 100 conversões em 5.000 visitantes, taxa de 2,0%.

Aqui a assinatura converte o dobro: escore z ≈ 5,86, valor-p praticamente zero (menor que 0,0001), uma diferença estatisticamente inequívoca a favor de A. Um teste raso pareceria resolvido: a assinatura vence, e por muito.

Mas suponha que este produto tenha um padrão de cancelamento típico de conteúdo consumível: o assinante termina o material principal em poucos meses e cancela assim que sente que já extraiu o valor, resultando num churn mensal alto, de 25% (permanência média de apenas 4 meses). O LTV projetado da assinatura, nesse cenário, é de R$ 47 ÷ 0,25 = R$ 188.

Modelo	Conversão	LTV projetado	Receita projetada por visitante
A · Assinatura (churn 25%/mês)	4,0%	R$ 188	R$ 7,52
B · Pagamento único	2,0%	R$ 497	R$ 9,94

O pagamento único vence a receita projetada por visitante, mesmo convertendo metade dos visitantes, porque o churn alto corta o LTV da assinatura antes que ela tenha tempo de compensar a menor conversão. O ponto de equilíbrio aqui fica em torno de 18,9% de churn mensal: abaixo disso a assinatura levaria a melhor na receita projetada, acima disso (como neste exemplo, com 25%), o pagamento único vence.

Compare os dois exemplos lado a lado: mesma lógica de cálculo, conclusões opostas, porque o churn projetado foi diferente. É exatamente por isso que benchmarks de mercado não substituem medir o seu próprio produto: dados de churn por setor mostram que negócios de conteúdo, mídia digital e educação relatam, em média, churn bem mais alto do que software B2B (a Recurly relata cerca de 6,5% para o grupo de mídia digital, entretenimento e educação, contra cerca de 3,8% para software e serviços profissionais B2B), o que já é uma pista de que o modelo de assinatura tende a compensar menos em produtos de conteúdo consumível do que em SaaS de uso contínuo, mesmo sem chegar ao extremo de 25% usado neste exemplo ilustrativo.

O risco de canibalizar a receita recorrente

Oferecer as duas opções lado a lado para o mesmo público não é neutro: parte de quem assinaria por anos, gerando um LTV alto, pode simplesmente escolher a opção de pagamento único por parecer “mais simples” ou “sem compromisso mensal”, mesmo que isso represente menos receita para você no longo prazo. Esse é o risco de canibalização, e ele fica mais provável quanto mais barato o pagamento único for perto do LTV projetado da assinatura.

Duas formas comuns de reduzir esse risco:

• Precifique o pagamento único perto ou acima do LTV projetado da assinatura, não como uma pechincha evidente. Se a sua assinatura projeta R$ 1.940 de LTV e o pagamento único custa R$ 400, você está, na prática, oferecendo um desconto enorme para quem trocaria uma receita alta e recorrente por uma receita baixa e definitiva.
• Segmente a oferta em vez de expor as duas para todo mundo desde o primeiro clique. Uma abordagem comum é reservar o pagamento único como oferta tardia, para quem já demonstrou baixa propensão a assinar (por exemplo, quem cancelou um teste grátis ou já recusou a assinatura uma vez), em vez de colocá-lo ao lado da assinatura na primeira página que o visitante vê.

Nenhuma das duas elimina o risco por completo, mas as duas reduzem a chance de o teste “vencer” na receita projetada da amostra testada e, ainda assim, corroer a receita recorrente da base já existente, que normalmente não faz parte do experimento.

Declare o vencedor: calculadora de significância

Use a calculadora abaixo para checar a significância da diferença de conversão entre as duas páginas antes de multiplicar pelo LTV de cada modelo. Ela roda o mesmo teste z de duas proporções usado nos dois exemplos acima:

Controle (A)

VisitantesConversões

Variação (B)

VisitantesConversões

Confiança90%95%99%

Controle (A) · Taxa-

Variação (B) · Taxa-

Melhora relativa-

valor-p-

IC 95% da diferença-

Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.

Erros comuns nesse tipo de teste

Erro	Por que acontece	Correção
Declarar vencedor só pela conversão do clique	A conversão aparece rápido no painel; o LTV leva meses para se confirmar	Sempre multiplique conversão por LTV projetado antes de decidir
Usar um churn “de mercado” genérico	Parece mais rápido do que medir o seu próprio produto	Calcule o LTV com o churn real da sua base, não com uma média de benchmark de outro setor
Encerrar o teste antes do ciclo de decisão terminar	O painel mostra “conversões até agora”, que favorece quem decide mais rápido	Meça os dois lados numa janela fixa após a primeira visita, igual para ambos
Ignorar a canibalização da base existente	O experimento só olha visitantes novos do teste	Avalie o efeito também sobre quem já assinaria de qualquer forma, não só sobre a amostra do teste
Tratar o resultado como definitivo para sempre	O churn de uma coorte nova ainda não estabilizou	Revise a projeção de LTV depois de dois ou três ciclos completos de cobrança

Faça isso automático na Donnu

O trabalho difícil aqui não é rodar o teste A/B, é decidir entre assinatura e pagamento único com dados, não com achismo sobre qual modelo “parece” melhor. A Donnu A/B roda a mesma matemática de duas proporções usada nos dois exemplos deste artigo, com significância validada e sem peeking, para que você tenha a conversão de cada variação com confiança estatística real. A parte de projetar o LTV de cada modelo (ARPU dividido por churn) é uma conta que você já sabe fazer depois deste artigo, e que vale a pena repetir com o churn real do seu produto antes de declarar qualquer vencedor.

Comece um teste grátis de 14 dias e rode o seu próprio teste entre assinatura e pagamento único medindo receita projetada, não só cliques. Veja também o teste de ancoragem de preço e o teste A/B de paywall freemium, dois experimentos irmãos de precificação, e confira quantos visitantes o seu teste precisa no guia de tamanho de amostra.

---

Leia também: Teste A/B de preço: o guia completo · Ancoragem de preço em teste A/B · Teste A/B de paywall freemium

Referências

• Baremetrics. How to Calculate and Increase Customer Lifetime Value. baremetrics.com/academy/saas-calculating-ltv.
• Vitally. B2B SaaS Churn Rate Benchmarks: What’s a Healthy Churn Rate in 2025? vitally.io/post/saas-churn-benchmarks.
• Recurly. Churn Rate Benchmarks by Industry. recurly.com/research/churn-rate-benchmarks.