Otimização de Conversão (CRO): O Guia Completo 2026
Otimização de conversão explicada do zero: fórmula, benchmarks, processo, hipóteses, priorização e as calculadoras para dimensionar cada teste.
Otimização de conversão (CRO, de Conversion Rate Optimization) é o processo estruturado de aumentar a proporção de visitantes de um site que completa uma ação desejada, usando pesquisa, hipóteses testáveis e experimentos controlados em vez de opinião. Não é sobre mudar a cor de um botão: é um ciclo contínuo de pesquisa, priorização, teste e aprendizado que, executado com rigor, compra mais receita do mesmo tráfego que você já tem.
Este guia cobre CRO do início ao fim: o que é uma conversão, como calcular a taxa, por que isso importa mais do que parece, o processo completo passo a passo, os frameworks de priorização, os modelos de persuasão por trás de boas hipóteses, e a estatística de teste A/B explicada sem enrolação. Tem duas calculadoras ao vivo, exemplo numérico reproduzível na mão e comparação neutra de ferramentas.
O que é CRO (Conversion Rate Optimization)
CRO é a disciplina de melhorar sistematicamente a taxa de conversão de um site, produto ou fluxo, testando mudanças com dados reais antes de assumi-las como definitivas. A sigla vem do inglês, mas o conceito é simples: em vez de redesenhar uma página achando que ficou “melhor”, você formula uma hipótese, mede o efeito com uma amostra de visitantes reais e só adota a mudança se o número confirmar.
O que é uma conversão: macro e micro conversões
Conversão é qualquer ação que você definiu como valiosa. Ela se divide em dois níveis:
- Macro conversão: o objetivo final do negócio. Num e-commerce, é a compra. Num SaaS, é a assinatura paga (ou, no funil anterior, o início de um trial).
- Micro conversões: passos intermediários que sinalizam intenção e ajudam a diagnosticar onde o funil vaza. Num e-commerce: adicionar ao carrinho, iniciar o checkout, cadastrar o cartão. Num SaaS: criar uma conta, ativar uma integração, convidar um colega de equipe.
Otimizar só a macro conversão sem olhar as micro é como dirigir olhando apenas o destino final: você não enxerga onde está perdendo gente pelo caminho. Um formulário de cadastro com muito abandono, por exemplo, é uma micro conversão doente que arrasta a macro para baixo.
CRO em uma frase, e o mini-glossário
Se você precisar resumir CRO numa frase para alguém que nunca ouviu falar: CRO é usar dados e experimentos para descobrir, com evidência, o que realmente faz mais gente completar a ação que importa para o seu negócio.
Termos que aparecem o tempo todo neste guia:
- Controle: a versão atual da página, o ponto de comparação.
- Variação: a versão modificada que você está testando contra o controle.
- Uplift (ou lift): o ganho percentual da variação sobre o controle.
- Baseline: a taxa de conversão atual, antes de qualquer mudança.
Como calcular a taxa de conversão
A fórmula é simples, mas vale fixar porque tudo neste guia depende dela:
Exemplo passo a passo: uma página de produto de e-commerce recebeu 8.400 visitantes num mês e gerou 252 compras. A taxa de conversão é 252 dividido por 8.400, vezes 100, igual a 3,0%. Num SaaS, se uma landing page de cadastro recebeu 5.000 visitantes e gerou 175 contas criadas, a taxa é 175 dividido por 5.000, vezes 100, igual a 3,5%.
Repare que a mesma fórmula serve para qualquer etapa do funil, não só para a conversão final. É por isso que ela é a unidade básica de todo o resto deste guia.
O que é uma taxa de conversão boa: benchmarks por segmento
A resposta honesta é que não existe um número universal. Uma taxa “boa” depende do setor, do ticket médio, do dispositivo e do canal de origem do tráfego. Ainda assim, faixas de referência ajudam a calibrar expectativa, sempre tratando como ponto de partida, nunca como meta:
| Contexto | Faixa típica relatada | Observação |
|---|---|---|
| E-commerce (visitante → compra) | ~1% a 3% | Varia forte por categoria e ticket médio |
| SaaS (visitante → início de trial) | ~2% a 10% | Depende de canal e intenção de busca |
| SaaS (trial → plano pago, self-service) | ~15% a 25% | Onboarding e ativação pesam muito aqui |
| Lead gen / B2B (landing → formulário) | ~5% a 15% | Formulários curtos tendem a converter mais |
Segmentado por dispositivo e canal, o padrão relatado por diferentes levantamentos do setor costuma repetir três tendências: desktop converte mais que mobile (o atrito de digitar em tela pequena cobra um preço), tráfego direto e de e-mail converte mais que tráfego pago frio, e buscas com intenção comercial explícita convertem mais que buscas informacionais. Trate esses padrões como hipótese de partida a confirmar com o seu próprio funil, não como verdade fechada, porque a variação entre nichos é grande demais para uma tabela genérica valer como benchmark definitivo.
Por que CRO importa para o crescimento
O argumento de negócio por trás de CRO é aritmética pura: se voce dobra o tráfego OU dobra a taxa de conversão, a receita também dobra, mas o custo de cada caminho é muito diferente.
CRO x comprar mais tráfego
Trazer mais visitantes custa dinheiro a cada clique (mídia paga) ou tempo a cada posição de ranking (SEO), e o custo tende a subir conforme você esgota o público mais barato de atingir. Melhorar a conversão, por outro lado, extrai mais valor do tráfego que você já paga para trazer, o que reduz o custo de aquisição por cliente (CAC) sem aumentar o investimento em mídia.
Uma simulação simples: uma loja com 20.000 visitantes por mês, taxa de conversão de 2% e ticket médio de R$ 150 fatura 20.000 vezes 0,02 vezes 150, igual a R$ 60.000 por mês. Se ela dobra o tráfego para 40.000 visitantes mantendo a mesma taxa, fatura R$ 120.000, mas o custo de mídia para dobrar cliques também tende a subir proporcionalmente (ou mais, se o leilão de anúncios ficar mais caro com volume). Se em vez disso ela sobe a taxa de conversão de 2% para 3% mantendo os 20.000 visitantes, fatura 20.000 vezes 0,03 vezes 150, igual a R$ 90.000, um ganho de R$ 30.000 sem gastar um real a mais em aquisição. É por isso que CRO costuma ter o melhor retorno marginal depois que o funil básico de tráfego já existe.
Quanto vale um ponto de conversão a mais
A conta para descobrir o valor de um uplift é direta, e vale reproduzir para o seu próprio funil: receita adicional = visitantes × (nova taxa − taxa atual) × ticket médio. No exemplo acima, o ganho de 2% para 3% em 20.000 visitantes com ticket de R$ 150 vale 20.000 vezes 0,01 vezes 150, igual a R$ 30.000 por mês, ou R$ 360.000 no ano, só com essa mudança sustentada. Para um SaaS, troque o ticket médio pelo valor de LTV (valor do cliente ao longo do tempo) ou pelo MRR médio gerado por cada novo trial convertido, e a mesma fórmula funciona para estimar o impacto de subir a taxa de trial-para-pago.
CRO x SEO x mídia paga: qual é a diferença
As três disciplinas competem pelo mesmo orçamento de crescimento, mas resolvem problemas diferentes e funcionam melhor juntas do que isoladas:
| Critério | SEO | Mídia paga | CRO |
|---|---|---|---|
| O que faz | Traz tráfego orgânico ao longo do tempo | Traz tráfego imediato, pago por clique/impressão | Converte melhor o tráfego que já existe |
| Velocidade de resultado | Lenta (meses) | Rápida (dias) | Média (semanas por ciclo de teste) |
| Custo marginal por visitante extra | Baixo, mas exige tempo/conteúdo | Sobe conforme a demanda no leilão | Não gera visitante novo, gera mais valor do existente |
| Risco se parar de investir | Perde posição aos poucos | Tráfego cai quase a zero | Ganho é permanente até a próxima mudança de página |
| Onde falha sozinho | Não converte quem já chega mal atendido | Fica caro sem limite se a conversão não acompanha | Não cria demanda nem tráfego novo |
Na prática, os três formam um ciclo: SEO e mídia paga trazem visitantes, CRO garante que cada visitante tenha a melhor chance de converter, e uma conversão melhor reduz o CAC efetivo de tudo que vem de cima, o que por sua vez justifica investir mais em aquisição. Priorizar CRO faz mais sentido quando já existe tráfego relevante e estável; priorizar aquisição faz mais sentido quando o funil básico já converte de forma competitiva mas falta volume.
O ciclo de CRO passo a passo
CRO não é um evento único, é um ciclo que se repete. Cada volta ensina algo, mesmo quando o teste “perde”.
Etapa 1: pesquisa quantitativa
Comece pelos dados que você já tem. Analytics mostra onde o funil perde mais gente proporcionalmente (a etapa com maior queda percentual, não a com maior número absoluto de saídas). Ferramentas de funil segmentam por dispositivo, canal e página de entrada para achar onde o problema é mais concentrado. O objetivo aqui é achar o gargalo, não já a solução.
Etapa 2: pesquisa qualitativa
Os dados quantitativos dizem “onde”; a pesquisa qualitativa diz “por quê”. Mapas de calor mostram até onde o visitante rola a página e onde clica (ou tenta clicar em algo que não é clicável). Gravações de sessão mostram hesitação, cliques repetidos de frustração (rage clicks) e abandono no meio de um formulário. Pesquisas com usuário e análise de tickets de suporte revelam objeções e dúvidas em palavras do próprio cliente, que muitas vezes viram a hipótese mais forte do backlog.
Etapa 3: formular a hipótese
Uma hipótese de CRO liga uma evidência a uma mudança e a um efeito mensurável. O formato que funciona:
Hipótese fraca: “vamos trocar a cor do botão porque acho que fica melhor”. Não tem evidência, não tem métrica, não tem porquê. Hipótese forte, ancorada em dado de funil: “se mostrarmos o prazo de entrega já na página de produto, então a taxa de conclusão de checkout vai subir, porque a gravação de sessão mostra que 40% dos visitantes rolam até o rodapé procurando essa informação antes de sair”. A segunda é testável, tem uma métrica clara e nasceu de uma observação, não de um palpite.
Etapa 4: priorizar
Nenhuma equipe tem tempo de testar todas as ideias boas que aparecem, então priorizar é obrigatório, não opcional. Veja os frameworks na próxima seção.
Etapa 5: rodar o teste
Com a hipótese escrita e priorizada, defina a métrica primária, calcule o tamanho de amostra necessário (próxima seção deste guia) e rode o experimento com rigor: divisão aleatória estável, mesmo período de tempo para as duas versões, e sem espiar o resultado antes da hora.
Etapa 6: analisar e documentar
Analise com significância estatística honesta, não com “parece que subiu”. E documente todo teste, vencedor, perdedor ou inconclusivo, num repositório de aprendizado. Um teste que “perdeu” ainda ensina que aquela hipótese não sustenta, o que evita reimplementar a mesma ideia daqui a um ano. Esse arquivo de aprendizados é, com o tempo, o ativo mais valioso de um programa de CRO maduro, mais até que qualquer teste individual.
Frameworks de priorização: ICE, PIE, PXL e RICE
Priorizar sem critério vira “testamos o que é mais fácil de implementar”, que raramente é o que move mais o ponteiro. Os quatro frameworks mais usados dão uma nota objetiva a cada ideia:
| Framework | Critérios (score 1-10 cada) | Melhor para | Limitação |
|---|---|---|---|
| ICE | Impact, Confidence, Ease | Times pequenos, decisão rápida | Muito subjetivo, cada pessoa pontua diferente |
| PIE | Potential, Importance, Ease | Times de marketing, foco em páginas de alto tráfego | Não separa bem confiança de importância |
| PXL (CXL) | Checklist binário (visível acima da dobra, testado antes, dado qualitativo, etc.) | Times maduros que querem reduzir viés de opinião | Mais lento de preencher, exige disciplina |
| RICE | Reach, Impact, Confidence, Effort | Produtos com muitas features/áreas concorrendo por recurso | Peso de “Reach” pode dominar decisões de nicho |
Um exemplo de score preenchido com ICE, para três hipóteses concorrentes de um mesmo backlog:
| Hipótese | Impact | Confidence | Ease | Score (média) |
|---|---|---|---|---|
| Mostrar frete grátis acima da dobra na PDP | 8 | 7 | 9 | 8,0 |
| Reduzir formulário de checkout de 12 para 6 campos | 9 | 8 | 5 | 7,3 |
| Trocar a cor do CTA principal | 3 | 4 | 10 | 5,7 |
| Adicionar prova social (avaliações) na home | 6 | 6 | 6 | 6,0 |
Com esse score, a ordem de execução vira óbvia: frete grátis primeiro, depois o checkout, e a troca de cor de botão fica no fim da fila, apesar de ser a mais fácil de implementar, porque o impacto esperado é baixo. Esse é exatamente o tipo de decisão que um framework de priorização evita deixar no achismo de quem grita mais alto na reunião.
Modelos e princípios para gerar boas hipóteses
O modelo LIFT
O modelo LIFT lista seis fatores que, positivos ou negativos, movem a conversão de uma página: Valor (a proposta é clara e atraente?), Clareza (a pessoa entende o que fazer sem esforço?), Relevância (a página bate com a expectativa de quem chegou ali?), Distração (tem algo tirando o foco da ação principal?), Urgência (existe um motivo para agir agora, não depois?) e Ansiedade (o visitante confia o suficiente para dar o próximo passo?). Ao auditar uma página fraca, passar por esses seis pontos costuma revelar mais problemas do que uma lista genérica de “boas práticas”.
Os princípios de persuasão de Cialdini aplicados à conversão
O psicólogo Robert Cialdini descreveu seis princípios de influência que, décadas depois, seguem aparecendo (com nomes diferentes) em toda página que converte bem: reciprocidade (oferecer algo de valor antes de pedir algo, como um conteúdo gratuito antes do cadastro), prova social (mostrar que outras pessoas parecidas já confiaram, como avaliações e número de clientes), escassez (comunicar limite real de tempo ou estoque, nunca falso, que quebra confiança quando descoberto), autoridade (selos, certificações, menções na mídia), compromisso e coerência (pequenos “sins” que preparam para o “sim” maior, como um formulário em etapas) e afeição (design e copy que geram identificação com a marca). Usar esses princípios não é manipular: é remover o atrito de decisão de quem já quer comprar mas está inseguro. A linha vermelha é a escassez falsa ou a prova social inventada, que a Donnu nunca recomenda e este guia não endossa.
O que é teste A/B (e os outros tipos)
Teste A/B é o método mais comum de validar uma hipótese de CRO: você divide o tráfego aleatoriamente entre a versão atual (controle) e a mudança proposta (variação), mede a conversão dos dois lados ao mesmo tempo, e usa estatística para decidir se a diferença observada é real ou coincidência.
| Tipo | O que é | Quando usar |
|---|---|---|
| A/B | Controle contra uma variação, mesma URL | O caso padrão: uma mudança isolada e clara |
| A/B/n | Controle contra várias variações | Várias ideias boas e tráfego de sobra para todas |
| Split URL | Cada versão numa URL própria, dividida por redirecionamento | Redesenhos grandes ou variação que já existe em outra página |
| Multivariado (MVT) | Testa combinações de vários elementos ao mesmo tempo | Achar a melhor combinação, só com tráfego alto |
| Teste sequencial | Analisa continuamente com correção estatística para permitir parar mais cedo sem inflar o falso positivo | Times que querem decidir rápido sem abrir mão de rigor |
Se você quer o guia completo sobre como funciona um teste A/B na prática (o passo a passo, os erros mais comuns, a estatística detalhada), veja o guia completo de teste A/B, que é o próximo nível de profundidade depois deste artigo.
Estatística de teste A/B sem dor de cabeça
Esta é a parte que decide se o “vencedor” do seu teste é real ou sorte. Você não precisa virar estatístico, mas precisa entender quatro conceitos.
Significância (95%) e poder (80%)
Significância estatística (geralmente fixada em 95% de confiança) responde: “se as duas versões fossem de fato iguais, qual a chance de eu ver uma diferença deste tamanho só por acaso?”. Um resultado significativo a 95% quer dizer que essa chance é de 5% ou menos. Poder estatístico (geralmente fixado em 80%) é a chance de o teste detectar um efeito real quando ele existe: com 80% de poder, você aceita 20% de risco de deixar passar uma melhora verdadeira por falta de amostra.
Os dois trabalham juntos: confiança baixa demais te faz declarar vencedores que não existem (falso positivo, erro Tipo I); poder baixo demais te faz descartar mudanças boas por falta de dado (falso negativo, erro Tipo II). Amostra pequena piora os dois riscos ao mesmo tempo.
Efeito mínimo detectável (MDE) e o custo de detectar pouco
O MDE é o menor ganho que você quer conseguir enxergar no teste. Quanto menor o efeito que você tenta detectar, maior a amostra necessária, e a relação não é linear: cortar o MDE pela metade costuma multiplicar a amostra por cerca de quatro. É por isso que testar uma mudança minúscula (“troquei uma palavra do título”) em um site de tráfego médio quase sempre termina inconclusivo: o efeito real, se existir, é pequeno demais para a amostra disponível provar.
Por que não parar o teste assim que “der significância” (peeking)
Olhar o painel todo dia e encerrar o teste na primeira vez que aparece “significativo” é o erro mais comum e mais destrutivo do CRO amador. Cada espiada é uma nova chance de o acaso cruzar a linha de significância antes de reverter. Um teste desenhado para 5% de falso positivo pode chegar perto de 26% de falso positivo real se a regra for “olho todo dia e paro no primeiro sinal verde”, segundo a análise clássica de Evan Miller sobre o problema. A correção é simples: defina o tamanho de amostra e a duração antes de começar, e só decida no fim, ou use um método desenhado para permitir olhar continuamente (teste sequencial com correção estatística embutida).
Quantos visitantes você precisa para o teste
O tamanho de amostra depende de três fatores que você já viu neste guia: a taxa de conversão atual (baseline), o efeito mínimo que você quer detectar (MDE) e o rigor desejado (confiança e poder). Em vez de decorar tabela, calcule para o seu caso, ajustando a taxa base, o efeito esperado e o tráfego semanal disponível:
Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.
Essa mesma calculadora também vive isolada na calculadora de tamanho de amostra, se você só precisa da ferramenta sem o restante do guia.
Declare o vencedor com a calculadora de significância
Depois de rodar o teste com a amostra certa, cole os visitantes e conversões de cada versão para obter a taxa, o uplift, o valor-p, o intervalo de confiança e um veredito honesto:
Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.
Exemplo numérico trabalhado, ponta a ponta
Vamos reproduzir na mão um caso de e-commerce, com os mesmos números que já estão pré-carregados na calculadora acima. O controle (A) teve 210 conversões em 4.200 visitantes; a variação (B), 273 conversões em 4.200 visitantes.
- Taxa de A: 210 ÷ 4.200 = 5,00%.
- Taxa de B: 273 ÷ 4.200 = 6,50%.
- Melhora relativa: (6,5 − 5,0) ÷ 5,0 = +30%.
- Taxa combinada (p̄): (210 + 273) ÷ 8.400 = 5,75%.
- Erro padrão: raiz quadrada de [0,0575 × 0,9425 × (1÷4.200 + 1÷4.200)] ≈ 0,00508.
- Escore z: (0,065 − 0,050) ÷ 0,00508 ≈ 2,95.
- Valor-p (bilateral) ≈ 0,003.
Com valor-p de 0,003, muito abaixo do limite convencional de 0,05, o resultado é estatisticamente significativo: B venceu com confiança. Antes de comemorar, some a etapa que a maioria pula: essa amostra de 4.200 por variação foi suficiente porque o efeito observado (+30% relativo) é grande; se o ganho real fosse de apenas +5%, a mesma amostra teria ficado muito aquém do necessário e o teste provavelmente teria saído inconclusivo, não porque a mudança não funciona, mas porque faltou gente para provar.
Para um exemplo equivalente em SaaS: um teste de reformulação da página de preços com 1.800 visitantes por variação, controle convertendo 8,0% em início de trial (144 trials) e variação convertendo 9,8% (176 trials), segue a mesma conta e chega a um valor-p próximo de 0,06, ou seja, um sinal positivo mas ainda acima do limite de 0,05 (95% de confiança), um resultado honesto de “promissor, mas precisa de mais amostra antes de decidir”, que é exatamente o tipo de leitura que a estatística existe para evitar que você ignore.
Métricas além da taxa de conversão
Olhar só a taxa de conversão pode, paradoxalmente, reduzir receita. Duas métricas de guarda ajudam a evitar essa armadilha:
- AOV (ticket médio, Average Order Value): o valor médio de cada pedido. Uma variação pode aumentar a taxa de conversão atraindo compradores de itens mais baratos e, ao mesmo tempo, derrubar o AOV, resultando em receita total menor apesar da “vitória” na conversão.
- RPV (receita por visitante, Revenue Per Visitor): taxa de conversão multiplicada pelo ticket médio. É a métrica que de fato captura o efeito combinado, e por isso costuma ser uma métrica de guarda melhor do que a taxa de conversão isolada, principalmente em testes que mexem em preço, oferta ou mix de produto.
A regra prática: sempre que o teste envolver preço, frete, oferta ou mix de produto exibido, defina RPV (ou receita total) como métrica de guarda ao lado da taxa de conversão, nunca só a taxa sozinha.
Estratégia de CRO por vertical
A dualidade importa porque as alavancas certas mudam de negócio para negócio.
E-commerce: a página de produto (PDP) concentra a maior parte do trabalho, com foco em imagens, prova social, disponibilidade e clareza de frete. O checkout costuma ser o ponto de maior perda proporcional do funil inteiro, e reduzir campos, mostrar custo total mais cedo e oferecer múltiplas formas de pagamento tendem a ser as hipóteses de maior retorno. Frete e prazo de entrega aparecem, em pesquisas qualitativas de e-commerce, entre as principais causas de abandono de carrinho.
SaaS: o funil crítico é signup, ativação (o usuário chegou ao “momento aha” do produto) e conversão de trial para pago. A página de preços merece atenção redobrada: clareza dos planos, ancoragem de valor e prova social específica por segmento de cliente costumam mover mais o ponteiro do que qualquer ajuste cosmético. Onboarding mal desenhado é a razão mais comum de um trial nunca virar pagante, mesmo quando o produto em si resolve o problema do cliente.
B2B / geração de leads e serviços: o formulário é o ponto de fricção central. Reduzir campos ao mínimo necessário, deixar claro o que acontece depois do envio (vai receber uma ligação? um e-mail? em quanto tempo?) e usar prova social específica do setor do visitante costumam ser as hipóteses mais fortes.
Ferramentas de CRO por categoria (visão neutra)
Não existe “a melhor ferramenta de CRO”, existe a certa para o seu volume de tráfego, stack técnica e maturidade de equipe. Compare por capacidade, não por marca:
| Categoria | O que resolve | O que considerar na escolha |
|---|---|---|
| Plataformas de teste A/B / experimentação | Rodar e analisar testes A/B, A/B/n e multivariados | Client-side x server-side, modelo estatístico (frequentista x bayesiano), impacto na performance da página |
| Heatmap e gravação de sessão | Pesquisa qualitativa: onde o visitante clica, rola e hesita | Volume de sessões incluído no plano, anonimização de dados sensíveis (LGPD) |
| Analytics de funil | Pesquisa quantitativa: onde o funil perde gente | Granularidade de segmentação, facilidade de montar funis customizados |
| Pesquisa com usuário / VoC | Entender o “porquê” por trás do dado | Facilidade de recrutar respondentes, integração com o restante do stack |
| Personalização | Adaptar conteúdo por segmento após validar a hipótese via teste | Só vale a pena depois de ter hipóteses testadas, não como atalho para pular o teste |
A Donnu A/B se encaixa na primeira categoria, como uma opção de plataforma de teste A/B client-side, com estatística bayesiana e snippet leve que evita travar o carregamento da página. É uma opção entre várias no quadro acima, e a escolha certa depende do seu critério de decisão, não do nosso.
Faça isso automático na Donnu
Este guia mostrou o trabalho real por trás de um programa de CRO honesto: pesquisar antes de supor, formular hipótese com evidência, priorizar com critério, calcular a amostra certa antes de rodar o teste, resistir à tentação de espiar e parar cedo, e ler a significância sem se enganar. A etapa que mais trava equipes, historicamente, é a execução técnica do teste em si: instrumentar a divisão de tráfego sem travar a página, calcular a amostra certa e declarar o vencedor sem viés estatístico.
A Donnu existe para essa etapa. Você define a hipótese que já aprendeu a escrever neste guia; a plataforma dimensiona o teste, distribui o tráfego com um snippet leve que nunca bloqueia o carregamento da página, e devolve um veredito estatístico bayesiano sem exigir que você vire estatístico para confiar no resultado.
Comece um teste grátis de 14 dias e transforme a próxima hipótese do seu backlog num experimento de verdade. Se quiser ir mais fundo na estatística por trás de cada teste, veja o guia completo de teste A/B e o guia de significância estatística.
Referências
- Kohavi, R., Tang, D. & Xu, Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press, 2020. Material de apoio em experimentguide.com.
- Cialdini, R. Influence: The Psychology of Persuasion. Harper Business, edição revisada de 2021.
- Nielsen Norman Group. Conversion Rate: definição e uso em UX e web analytics. nngroup.com/articles/conversion-rates.
- Baymard Institute. Cart & Checkout Abandonment Research. baymard.com/lists/cart-abandonment-rate.
- Miller, E. How Not To Run an A/B Test (o problema do peeking), 2010. evanmiller.org.
- CXL. PXL: A Better Way to Prioritize Your A/B Tests. cxl.com/blog/better-way-prioritize-ab-tests.
Leia também: O que é teste A/B? O guia completo · Significância estatística em teste A/B · Calculadora de tamanho de amostra · Calculadora de significância estatística
Read in English: Conversion Rate Optimization: The Complete Guide
Perguntas frequentes
- O que significa CRO?
- CRO é a sigla de Conversion Rate Optimization, ou otimização de taxa de conversão em português. É o processo estruturado de aumentar a proporção de visitantes que completam uma ação desejada (compra, cadastro, lead), usando pesquisa, hipóteses testáveis e experimentos controlados em vez de achismo.
- Qual a diferença entre CRO e teste A/B?
- Teste A/B é uma ferramenta dentro do CRO, não o processo inteiro. CRO inclui pesquisa quantitativa e qualitativa, formulação de hipótese e priorização antes de qualquer teste, e a análise e documentação depois. O teste A/B é a etapa de execução: como você valida se a hipótese está certa.
- Qual é uma taxa de conversão considerada boa?
- Não existe um número universal. Como referência aproximada relatada por levantamentos do setor, e-commerce costuma converter entre 1% e 3% de visitantes em compradores, e SaaS entre 2% e 10% de visitante em trial, variando muito por categoria, ticket médio e canal de aquisição. O benchmark mais confiável é o seu próprio histórico, não a média do mercado.
- Quanto tempo leva para ver resultado com CRO?
- Um ciclo completo (pesquisa, hipótese, teste, análise) costuma levar de duas a seis semanas por experimento, dependendo do tráfego do site. CRO é um processo contínuo, não um projeto com fim: cada teste alimenta o aprendizado do próximo, então o ganho composto aparece ao longo de meses, não num único teste.
- CRO substitui investir em tráfego pago ou SEO?
- Não, eles são complementares. Tráfego (SEO e mídia paga) traz visitantes; CRO converte uma fatia maior dos visitantes que já chegam. Otimizar a conversão reduz o custo de aquisição por cliente sem gastar mais em anúncio, mas se o site não tem tráfego nenhum, não há o que otimizar primeiro.
- Preciso de muito tráfego para fazer CRO?
- Para pesquisa qualitativa (heatmap, gravação de sessão, entrevista) não. Para testes A/B com significância estatística, sim: sites de baixo tráfego levam semanas ou meses para acumular amostra suficiente. Nesses casos, mudanças de alta confiança sem teste formal (heurísticas conhecidas, correção de atrito óbvio) costumam valer mais a pena do que insistir num A/B que nunca vai fechar.