Qual é uma Boa Taxa de Conversão? Benchmarks 2026
O que é uma boa ou média taxa de conversão em 2026, com faixas para e-commerce e SaaS por categoria, estágio e origem de tráfego.
📚 Este artigo faz parte do guia Otimização de Conversão (CRO): O Guia Completo 2026.
Não existe uma única “boa” taxa de conversão universal. As faixas relatadas variam de menos de 1% num checkout de e-commerce de luxo a mais de 25% num trial de SaaS bem onboardado, e cada um desses números pode estar certo no seu contexto e errado como meta para o seu. As faixas de benchmark abaixo servem para calibrar expectativa, mas o número que deveria realmente guiar o seu roadmap é a sua própria taxa de conversão histórica, acompanhada de forma consistente ao longo do tempo.
Este guia detalha as faixas comumente citadas por indústria, categoria e estágio de funil, explica por que um único número “médio” costuma enganar, e mostra como transformar uma diferença real entre a sua taxa e a faixa típica num teste bem dimensionado, em vez de um chute.
O que uma taxa de conversão realmente mede
Taxa de conversão é conversões dividido por visitantes, em percentual. O detalhe que atrapalha a maioria das comparações de benchmark é a diferença entre uma conversão macro (o resultado que realmente importa: uma compra, um cadastro pago) e uma conversão micro (um passo menor rumo a ela: adicionar ao carrinho, começar um trial). Um relatório que silenciosamente conta microconversões sempre mostra um número mais alto do que um que só conta o resultado final, mesmo para o mesmo tráfego exato. Para a fórmula completa, a diferença entre visitante e sessão, e exemplos trabalhados, veja o guia completo de CRO; este artigo foca especificamente no que “bom” significa depois que você já sabe o seu próprio número.
Benchmarks de taxa de conversão de e-commerce por categoria
Relatórios de benchmark de e-commerce costumam ser construídos agregando dados de conversão de milhares de lojas, e depois fazendo média dentro de categorias amplas. As faixas resultantes são direcionais, não precisas, e cada linha abaixo deve ser lida como “comumente citada, aproximada”, não como um número ao qual prender qualquer loja específica.
| Categoria | Faixa comumente citada | Por que varia |
|---|---|---|
| Loja geral (visitante para compra) | ~1% a 3% | O baseline mais amplo e mais citado; mistura toda categoria e origem de tráfego |
| Moda / vestuário | ~1% a 2%, geralmente na metade mais baixa da faixa geral | Alta proporção de navegação para compra; visitantes comparam entre muitos produtos e sites antes de comprar |
| Eletrônicos | ~1,5% a 3% | Compra considerada com comparação de preço, mas geralmente apoiada em especificações mais claras que agilizam a decisão |
| Luxo / ticket alto | Frequentemente citado abaixo de 1% | Ciclos de consideração longos, e um pequeno número de pedidos de valor muito alto pode importar mais do que a taxa de conversão bruta |
| Assinatura / DTC primeiro pedido | ~2% a 4%, mais alto quando o primeiro compromisso é um trial ou amostra de baixo risco | Um primeiro passo de menor fricção (tamanho de teste, compromisso curto) costuma converter melhor do que pedir uma compra completa de saída |
Duas coisas valem a pena marcar com honestidade: primeiro, o ticket médio interage com a taxa de conversão de formas que um único percentual esconde por completo, uma loja convertendo 1% num pedido médio de R$ 2.000 pode faturar mais do que uma convertendo 3% num pedido médio de R$ 200, com o mesmo volume de tráfego. Segundo, essas faixas são compiladas de padrões comumente citados em relatórios de benchmark da indústria e pesquisa de CRO, não de um único estudo; trate a faixa em si, não o ponto médio, como o sinal útil.
Benchmarks de taxa de conversão de SaaS por estágio
SaaS não tem uma única etapa de funil que “é” a taxa de conversão, depende de qual passagem você quer dizer. As faixas relatadas também variam mais aqui do que no e-commerce, já que modelos de venda B2B diferem enormemente por tamanho de negócio e processo self-service versus assistido por vendas.
| Estágio | Faixa comumente citada | Por que varia |
|---|---|---|
| Visitante para trial / cadastro | ~2% a 10% | Depende fortemente da intenção do tráfego: uma página de comparação de fundo de funil converte muito diferente de um visitante de blog de topo de funil |
| Trial para pago, self-service | ~15% a 25% | A qualidade do onboarding costuma ser a maior alavanca deste número, mais do que precificação ou desenho de plano |
| Trial para pago, assistido por vendas | Relatado numa faixa bem mais larga, geralmente citada de forma solta entre 20% e 40% ao longo de um ciclo mais longo | Tamanho do negócio, duração do processo de venda e como “trial” é definido (trial self-service ou oportunidade qualificada por vendas) mudam isso significativamente |
| Freemium para pago | Frequentemente citado num dígito só, aproximadamente 1% a 5% | Usuários do plano grátis entram com muito menos compromisso do que alguém já num trial com prazo definido |
A linha de trial para pago assistido por vendas merece uma ressalva extra: como “trial” e “conversão” são definidos de formas diferentes entre produtos com venda assistida, essa é a faixa menos comparável entre empresas de qualquer linha das duas tabelas. Se você roda um modelo assistido por vendas, a sua própria taxa histórica de fechamento por tamanho de negócio é um número muito mais confiável do que qualquer faixa publicada.
Por que “a média” é uma armadilha
Uma média publicada única mistura origens de tráfego, dispositivos e ticket médio que você não compartilha, e essa mistura raramente bate com o seu próprio tráfego. A mesma loja, a mesma página, a mesma oferta pode mostrar taxas de conversão bem diferentes dependendo de onde o visitante veio e qual dispositivo está usando, e é exatamente por isso que uma “média da indústria” só, como meta, engana.
Três variáveis explicam a maior parte da variação dentro de qualquer “média” publicada:
- Origem do tráfego. Visitantes vindos de busca com marca ou de URL direta já sabem o que querem; visitantes vindos de um anúncio frio de rede social estão mais cedo na decisão. Misturar os dois num só número esconde qual dos dois você realmente tem mais.
- Dispositivo. Tráfego mobile costuma converter mais baixo do que desktop para a mesma página e a mesma oferta, em grande parte por telas menores, fluxos de checkout mais lentos e navegação mais distraída, mesmo com o mobile carregando uma fatia crescente do tráfego total da maioria dos sites.
- Ticket médio. Uma compra por impulso de R$ 50 e um contrato B2B de software de R$ 10.000 nunca vão compartilhar uma taxa de conversão realista, não importa quão bem construída seja qualquer uma das páginas. Comparar entre tickets diferentes contra o mesmo número de benchmark é comparar dois comportamentos diferentes como se fossem um só.
Como comparar contra você mesmo
O ajuste prático é direto, mesmo exigindo disciplina para manter: acompanhe a sua própria taxa de conversão numa janela contínua consistente (semanal ou mensal, nunca dias isolados, que são ruidosos), segmente sempre da mesma forma (por origem de tráfego, dispositivo e tipo de página, decidido antes, não depois de já ter visto um número que gostou), e trate todo benchmark publicado como uma checagem de sanidade pontual, não como uma meta móvel.
Na prática isso vira três hábitos. Primeiro, escolha uma janela contínua e mantenha, comparar uma terça-feira com uma Black Friday não diz nada de útil. Segundo, mantenha as definições de segmentação estáveis entre períodos de relatório, para que uma mudança no número reflita uma mudança real de comportamento, não uma mudança em como você fatiou os dados. Terceiro, quando uma faixa publicada disser que você está baixo, use isso como motivo para investigar e testar, não como prova de que algo está quebrado: uma taxa abaixo da média combinada com um ticket médio alto ou um público de nicho de alta intenção ainda pode ser um negócio saudável e crescendo.
Existe um quarto hábito fácil de pular sob pressão de prazo: anote como era o “normal” antes de fazer uma mudança, não depois. Times que só olham para trás quando um número já parece ruim tendem a reconstruir um baseline mais favorável do que preciso, o que mina silenciosamente toda comparação seguinte. Um registro simples, atualizado sempre na mesma cadência, vale mais do que uma consulta pontual de benchmark, porque é o único conjunto de dados que reflete os seus visitantes reais, a sua oferta real e a sua sazonalidade real, não a de outra pessoa.
O que move mais o ponteiro do que perseguir um número de benchmark
Depois de confirmar que o seu próprio baseline está genuinemente abaixo do que é realista para o seu tráfego e categoria, as mudanças de maior alavancagem raramente são sobre bater um número externo diretamente. Clareza de proposta de valor, uma chamada para ação focada e formulários mais curtos tendem a mover a taxa de conversão real mais do que qualquer ajuste cosmético mirado num percentual alvo. O guia completo de CRO cobre os frameworks de priorização completos e a lista ordenada de elementos de alto impacto para testar primeiro; a versão curta é que um benchmark diz se vale a pena investigar, não o que mudar.
Transformando uma diferença de benchmark num teste
Um benchmark só se torna útil no momento em que vira um experimento bem dimensionado. Depois de saber o seu baseline e mais ou menos onde a faixa típica da sua categoria fica, a próxima pergunta é puramente mecânica: quantos visitantes e quantos dias você precisa para descobrir se fechar essa diferença é real?
Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.
Um exemplo trabalhado. Digamos que o seu checkout converte a 1,8%, e a faixa comumente citada para a sua categoria de e-commerce fica em torno de 2% a 3%, sugerindo que há espaço real para melhorar. Você quer detectar uma melhora relativa de 20% (de 1,8% para cerca de 2,16%), na confiança padrão de 95% e poder de 80%, e o seu passo de checkout recebe cerca de 15.000 visitantes por semana, divididos entre duas variações (controle e uma variação). Colocando exatamente esses números na calculadora acima:
- Amostra necessária: 23.507 visitantes por variação
- Duração estimada do teste: 22 dias
Essa é a resposta real e mecânica para “vale a pena testar isso”, não um chute. Se o seu tráfego semanal real for mais baixo, ou a duração se estica proporcionalmente, ou você deveria ampliar o MDE que está tentando detectar, já que cortar o tamanho do efeito pela metade aproximadamente quadruplica a amostra necessária, uma relação coberta por completo no guia de significância estatística.
Faça isso automático na Donnu
Faixas de benchmark são um ponto de partida, não uma resposta. A única forma de realmente saber se você consegue fechar a diferença entre a sua taxa e a faixa típica da sua categoria é rodar um teste real e corretamente dimensionado contra o seu próprio tráfego, e depois ler o resultado com honestidade em vez de só olhar um painel de olho. A Donnu cuida da parte mecânica disso: você define o baseline e a hipótese, a Donnu dimensiona o teste e estima a duração do jeito que a calculadora acima acabou de fazer, coleta os dados com um snippet leve que nunca trava o carregamento da página, e chama o resultado com estatística honesta em vez de declarar um vencedor no primeiro dia que parecer bom.
Comece um teste grátis de 14 dias e pare de adivinhar o que “bom” deveria significar para as suas próprias páginas. Para o processo por trás de um teste bem rodado, veja como fazer um teste A/B passo a passo; para entender exatamente o que “bom” e “médio” significam antes de tudo, comece por o que é teste A/B.
Leia também
Continue com o guia completo de CRO para o processo completo de pesquisa até teste, ou vá direto para como fazer um teste A/B passo a passo assim que decidir que uma diferença vale a pena testar. Prefere ler em inglês? Veja a versão em inglês deste guia.
Referências
- Baymard Institute. Pesquisa de UX e checkout de e-commerce, incluindo dados de benchmark relacionados a abandono de carrinho e conversão. baymard.com
- Nielsen Norman Group. Pesquisa de usabilidade cobrindo os padrões de comportamento por trás de diferenças de taxa de conversão por dispositivo e contexto. nngroup.com
- CXL. Pesquisa de otimização de conversão, estudos de caso e comentário de benchmark. cxl.com
- VWO. Recursos de teste A/B e otimização de taxa de conversão, incluindo compilados de benchmark por indústria. vwo.com
- WordStream. Relatórios de benchmark de marketing digital cobrindo desempenho de anúncios de busca e social e conversão. wordstream.com
Perguntas frequentes
- Qual é uma boa taxa de conversão para um site?
- Não existe um número universal: uma boa taxa de conversão depende da sua indústria, do ticket médio, da origem do tráfego e do dispositivo, então um benchmark externo só serve para calibrar expectativa, não para virar meta. Como referência aproximada e amplamente citada, sites de e-commerce em geral relatam taxa de visitante para compra na faixa de 1% a 3%, enquanto SaaS costuma relatar 2% a 10% de visitante para trial e 15% a 25% de trial para pago em produtos self-service. O seu próprio histórico, acompanhado ao longo do tempo, é o benchmark que realmente importa para decisão.
- Qual é uma boa taxa de conversão de e-commerce em 2026?
- Relatórios de benchmark do setor costumam citar uma faixa geral de visitante para compra de aproximadamente 1% a 3% para lojas de e-commerce, mas isso varia bastante por categoria: moda e vestuário costumam ficar na parte mais baixa da faixa porque o tráfego de navegação sem intenção imediata é comum, enquanto categorias de ticket alto ou luxo são frequentemente citadas abaixo de 1%, já que a decisão de compra leva mais tempo e envolve mais pesquisa. Trate qualquer número isolado como um ponto de calibração aproximado, não como meta para o seu catálogo específico.
- Qual é uma boa taxa de conversão de SaaS?
- Depende de qual etapa do funil você está medindo. Taxas de visitante para trial ou cadastro costumam ser citadas na faixa de 2% a 10%, a conversão de trial para pago em produtos self-service costuma ser citada em torno de 15% a 25%, e a conversão de freemium para pago costuma ser citada bem mais baixa, muitas vezes em um dígito só, já que usuários do plano grátis entram com muito menos compromisso do que alguém que já começou um trial.
- Por que os relatórios de benchmark de taxa de conversão discordam tanto entre si?
- Relatórios diferentes misturam origens de tráfego, dispositivos, indústrias e definições de "conversão" diferentes numa única média, e nenhuma dessas misturas bate exatamente com a sua. Um relatório com peso maior em tráfego pago mostra números diferentes de um com peso maior em orgânico ou direto, e um relatório que conta microconversões como "conversão" mostra uma taxa mais alta do que um que só conta compras. É por isso que faixas, não números isolados, são a leitura honesta de qualquer benchmark.
- Como sei se a minha taxa de conversão está realmente ruim?
- Compare primeiro com o seu próprio histórico, acompanhado numa janela contínua consistente e segmentado sempre da mesma forma (por origem de tráfego, dispositivo e tipo de página), antes de comparar com qualquer benchmark externo. Se a sua taxa está caindo em relação ao seu próprio histórico recente, ou bem abaixo dos seus segmentos de melhor desempenho, isso é um sinal muito mais forte do que estar um ou dois pontos abaixo de uma média publicada da indústria, que pode não refletir nada da sua qualidade de tráfego ou do seu ticket médio.
- Devo testar contra a média da indústria ou contra o meu próprio histórico?
- O seu próprio histórico. Uma média da indústria é uma checagem de sanidade que você olha uma vez, útil para perceber se está fora de faixa de forma absurda, mas não é algo em torno do qual dimensionar um teste A/B. Dimensione todo teste pela sua taxa de conversão atual e pelo seu volume de tráfego real, porque é esse o único número do qual a estatística de um experimento de verdade depende.