Horário de Envio de E-mail: Testar Funciona Mesmo?
Como testar A/B o horário de envio de e-mail com honestidade: por que a abertura mente, o que o teste confunde e a amostra que ele realmente exige.
📚 Este artigo faz parte do guia Teste A/B de E-mail Marketing: o Guia Estatístico Completo.
Horário de envio é a variável de e-mail com a maior distância entre o quanto se fala dela e o quanto ela é bem medida. Testar horário é legítimo, e faz parte da mesma disciplina do resto do teste A/B de e-mail marketing, mas duas coisas fazem dele o teste de e-mail mais fácil de errar: a métrica pela qual quase todo mundo julga o resultado, a hora da abertura, deixou de descrever quando as pessoas leem e-mail em 2021, e a própria variável arrasta vários fatores confundidos junto. Este artigo cobre o que um teste de horário consegue responder com honestidade, por que o dado de abertura não responde mais isso, como desenhar o teste para a comparação sobreviver a um escrutínio, a amostra que ele realmente exige e como validar o recurso de horário automático que a sua plataforma já oferece.
O que “otimização de horário de envio” quer dizer
Duas coisas diferentes viajam com o mesmo nome, e elas exigem testes diferentes:
- Teste de horário fixo. A campanha inteira sai num horário só, e você compara horários ou dias candidatos: 9h contra 17h, terça contra sábado. É um teste A/B limpo, com duas variações, e é o que a maioria dos times quer dizer.
- Otimização de horário por destinatário. A plataforma escalona a entrega para que cada assinante receba a mensagem na hora em que o histórico dele sugere maior engajamento. Isso não é um teste de duas variações, é um algoritmo, e a única forma honesta de avaliá-lo é contra um grupo de controle aleatório mantido num horário fixo.
Conteúdo publicado sobre o melhor horário é abundante, e quase todo ele é um fornecedor reportando a própria base de clientes. Dois estudos merecem ser nomeados, porque ambos são explícitos sobre o conjunto de dados por trás deles:
- A Litmus, numa análise atualizada pela última vez em outubro de 2021, olhou quase 8 bilhões de aberturas registradas pelo Litmus Email Analytics entre janeiro e agosto de 2021 e encontrou concentração de aberturas pela manhã, com cerca de 21,2% das aberturas nos Estados Unidos caindo entre 9h e meio-dia no horário local. Repare onde essa janela termina: os dados param em 31 de agosto de 2021, três semanas antes de o Apple Mail Privacy Protection entrar no ar, então descrevem as aberturas como eram medidas antes da distorção tratada na próxima seção. A própria Litmus sinaliza a peça como tendo mais de dois anos.
- A MailerLite, numa análise publicada em dezembro de 2025 e atualizada em junho de 2026, olhou 2.138.817 campanhas enviadas pela própria plataforma entre dezembro de 2024 e novembro de 2025 nos Estados Unidos, Reino Unido, Austrália e Canadá, e reportou que aberturas e cliques picam em horários diferentes: as aberturas se concentram por volta de 8h a 11h em dias úteis, enquanto os cliques se concentram por volta de 20h a 21h. A MailerLite chega à mesma conclusão deste artigo, recomendando que horário de envio seja testado por taxa de clique e não por taxa de abertura, e citando o Apple Mail Privacy Protection como motivo.
Os dois são agregados de milhares de remetentes, audiências, setores e fusos sem relação entre si, e os dois descrevem a base de clientes de um fornecedor, não uma amostra aleatória do e-mail no mundo. Servem para escolher o que testar primeiro. Não servem como decisão. A caixa de entrada média não é a sua caixa de entrada.
A lacuna entre esses dois estudos é o achado mais interessante. Se o horário que maximiza abertura não é o horário que maximiza clique, então a métrica que você escolhe decide o vencedor antes de o teste rodar.
Por que a hora da abertura não responde mais essa pergunta
Aqui está o motivo específico de o teste de horário merecer um artigo próprio em vez de um parágrafo dentro do guia geral. Desde setembro de 2021, o Apple Mail Privacy Protection baixa o conteúdo remoto, pixel de rastreamento incluído, quando a mensagem é recebida, e não quando ela é visualizada. A documentação de suporte da Apple descreve o recurso assim: com ele ligado, o conteúdo remoto é baixado de forma privada em segundo plano quando você recebe a mensagem, em vez de quando você a visualiza. A Litmus, que mede aberturas pelo próprio produto de analytics e colocou os clientes Apple em 64,66% das aberturas que mediu em maio de 2026, mantém orientação sobre filtrar essas aberturas de máquina dos dados de engajamento justamente porque elas não são eventos de leitura. A Litmus é direta: o pré-carregamento não apenas torna os horários de abertura imprecisos, ele faz parecer que quase toda mensagem foi aberta.
Para a maioria das métricas de e-mail, essa distorção infla um número. Para análise de horário, ela faz algo pior: torna a análise circular. Se uma fatia grande das aberturas é registrada no momento da entrega, então um gráfico de “quando os nossos assinantes abrem e-mail” é substancialmente um gráfico de quando a sua plataforma entregou o e-mail. Otimizar horário contra esse gráfico é otimizar em direção ao seu próprio calendário de disparo.
A regra prática que sai daí: um teste de horário de envio precisa ser decidido por clique ou conversão, nunca por abertura. Em outros testes de e-mail, a taxa de abertura é apenas frágil. Aqui ela é ativamente enviesada em direção à variável sob teste.
O que um teste de horário confunde em silêncio
Mesmo medido por clique, horário é uma variável mais bagunçada que assunto, porque mudar a hora muda várias coisas ao mesmo tempo:
| Fator confundido | O que varia de verdade | Como conter |
|---|---|---|
| Espalhamento de fuso | Uma hora única é café da manhã para um segmento e madrugada para outro | Divida aleatoriamente dentro de cada fuso, ou agende no horário local e teste horas locais |
| Dia da semana | Comparar terça 9h contra sábado 9h testa duas coisas de uma vez | Mude uma dimensão por teste: horário primeiro, dia depois |
| Concorrência na caixa | Horário popular é também quando os concorrentes disparam, mudando visibilidade e não interesse | Aceite como parte do efeito, mas repita o teste periodicamente, porque o comportamento deles muda |
| Fila de entrega | Disparo grande demora a escoar, então “9h” pode ser 9h00 para uns e 9h40 para outros | Confira a distribuição real de horário de entrega por variação antes de confiar na comparação |
| Sazonalidade e ciclo de notícias | Um evento pontual mexe numa semana muito mais do que o horário mexe | Repita o teste em vários disparos em vez de confiar numa campanha só |
| Tipo de conteúdo e oferta | Campanhas têm urgências diferentes, então o horário vencedor de uma promoção relâmpago pode não valer para a newsletter | Teste dentro de um tipo de campanha antes de generalizar para o programa inteiro |
O desenho que sobrevive à maior parte disso é sem glamour: mesma lista, mesmo conteúdo, mesmo dia, divisão aleatória, só a hora muda, repetido por vários disparos antes de você acreditar. Qualquer coisa diferente disso compara populações, não horários.
Amostra: a parte que mata a maioria dos testes de horário
Como o teste precisa ser julgado por clique, a taxa base é baixa, e taxa base baixa exige amostra grande. A tabela abaixo usa uma taxa de clique de 2,8% como exemplo:
| Métrica e taxa base | Efeito buscado | Amostra por variação |
|---|---|---|
| Clique 2,8% | +10% relativo | 57.135 |
| Clique 2,8% | +15% relativo | 25.979 |
| Clique 2,8% | +25% relativo | 9.773 |
| Conversão 1,2% | +20% relativo | 35.498 |
Amostra por variação, aproximação normal de duas proporções, 95% de confiança e 80% de poder.
Leia essa tabela ao lado do tamanho de uma newsletter típica e o problema fica evidente: muitos programas não conseguem detectar um efeito realista de horário numa única campanha. E efeito de horário costuma ser modesto. Se a expectativa honesta é de poucos por cento de ganho relativo, a amostra exigida vai para as centenas de milhares por variação, o que para a maioria das listas significa que a pergunta não tem resposta num disparo só.
Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.
Existem duas respostas honestas. Acumular a mesma comparação fixa ao longo de vários disparos consecutivos, mantendo cada assinante sempre no mesmo braço para os grupos continuarem comparáveis, e só ler o resultado quando a amostra somada alcançar o tamanho exigido. Ou aceitar uma pergunta mais grosseira: em vez de caçar a melhor hora, testar se uma janela claramente diferente (manhã contra noite) vence a outra por margem grande, o que é um efeito muito maior e portanto uma amostra muito menor.
Exemplo trabalhado: um disparo, depois três
Um varejista B2C envia a mesma campanha semanal para 24.000 destinatários, divididos aleatoriamente em 12.000 às 9h e 12.000 às 17h, no horário local, mesmo dia, conteúdo idêntico. Resultado em cliques:
- A, 9h: 336 cliques em 12.000 entregues, taxa de 2,80%.
- B, 17h: 396 cliques em 12.000 entregues, taxa de 3,30%.
O teste de duas proporções devolve ganho relativo de +17,9% (0,50 ponto percentual), z de cerca de 2,25 e valor-p de cerca de 0,0243. O intervalo de confiança da diferença vai de +0,06 a +0,94 ponto percentual.
Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.
Esse resultado é tecnicamente significativo a 95%, e ainda assim deve ser lido com cautela. Com 12.000 por variação sobre uma base de 2,8%, o menor efeito que esse teste conseguiria detectar com 80% de poder é de cerca de +22,4% relativo (aproximadamente 0,63 ponto percentual). O efeito observado é menor que esse limiar, ou seja, o teste estava subdimensionado para aquilo que encontrou, e o intervalo de confiança quase encosta no zero. Em português claro: o envio da noite provavelmente é melhor, o tamanho verdadeiro da vantagem é muito incerto, e quem citar “+17,9%” como ganho esperado está prometendo mais do que o dado sustenta.
Então o varejista repete a mesma divisão em mais dois disparos semanais, mantendo cada assinante no mesmo braço. Somados os três disparos, cada braço acumula 18.000 destinatários: 504 cliques às 9h (2,80%) contra 576 cliques às 17h (3,20%). A leitura somada dá ganho relativo de +14,3% (0,40 ponto percentual), z de cerca de 2,22, valor-p de cerca de 0,0261, com intervalo de confiança de +0,05 a +0,75 ponto percentual. A direção se manteve nos três disparos independentes, e a estimativa do efeito assentou mais baixo do que a primeira leitura sugeria, que é o padrão normal: um primeiro resultado significativo num teste subdimensionado tende a exagerar o efeito que encontrou.
| Leitura | Amostra por braço | Ganho relativo | Intervalo da diferença |
|---|---|---|---|
| Primeiro disparo | 12.000 | +17,9% | +0,06 a +0,94 ponto |
| Três disparos somados | 18.000 | +14,3% | +0,05 a +0,75 ponto |
Essa é a lição prática do trabalho com horário. Uma campanha quase nunca resolve a pergunta. Repetição, com divisão estável, é a forma mais barata de comprar a amostra que uma métrica de base baixa exige.
Validando o recurso de horário automático da sua plataforma
Quase toda plataforma grande de e-mail oferece alguma forma de horário automático, mas elas não fazem a mesma coisa, e a diferença muda como se mede o resultado. Isto é o que quatro fornecedores dizem na documentação deles, lida em julho de 2026:
| Plataforma e recurso | O que a documentação do fornecedor diz que ele faz |
|---|---|
| Mailchimp, Send Time Optimization | Escolhe um horário dentro de 24 horas da data escolhida em que cada contato tem, na formulação da própria Mailchimp, maior probabilidade de abrir o e-mail, a partir de padrões de engajamento na base de clientes |
| Klaviyo, Smart Send Time | Não é por destinatário. Um disparo exploratório espalha a campanha por 24 horas no horário local, um disparo focado depois estreita a janela, e o resultado é um único melhor horário para a audiência inteira. Mínimo documentado de 12.000 destinatários |
| Klaviyo, Personalized Send Time | Esse sim é por destinatário. Prevê o melhor horário para cada perfil dentro de uma janela de entrega escolhida por você, aprendendo com aberturas, cliques e pedidos |
| HubSpot, otimização de horário por contato | Usa dados recentes de engajamento do destinatário para escolher um horário por contato, documentado como beta no Marketing Hub Professional e Enterprise |
| Braze, Intelligent Timing | Entrega no horário de maior engajamento de cada usuário, calculado a partir de horários de sessão, aberturas de push, cliques de e-mail e aberturas de e-mail, explicitamente listadas como excluindo aberturas de máquina |
Duas coisas saem dessa tabela. Primeiro, uma avaliação desenhada para um otimizador por destinatário não serve automaticamente para um que age no nível da audiência, então leia o que o seu recurso faz antes de desenhar a comparação. Segundo, entre os cinco recursos da tabela, apenas um afirma na documentação que aberturas de máquina são excluídas do sinal de treino.
Se o recurso ajuda na sua lista é uma pergunta empírica, e existe um jeito limpo de responder:
- Separe aleatoriamente uma fatia da lista, grande o bastante para satisfazer a tabela de amostra acima, e mantenha essa fatia num único horário fixo.
- Deixe o algoritmo cuidar do resto.
- Compare os dois grupos por clique e conversão, nunca por abertura, ao longo de vários disparos.
- Acompanhe descadastro e reclamação de spam como métricas de guarda, porque uma entrega espalhada muda a frequência com que a marca aparece na caixa.
O motivo de isso importar mais desde 2021 é que esses algoritmos aprendem com engajamento histórico, e engajamento histórico de abertura é em parte composto de pré-carregamentos de proxy. Um otimizador treinado em horários de abertura não filtrados pode entregar com confiança na hora em que um proxy de privacidade costuma buscar a mensagem, que é uma forma cara de otimizar nada. Alguns fornecedores são explícitos sobre tratar isso; outros descrevem a entrada apenas como dados de engajamento, sem dizer se pré-carregamentos são filtrados. A documentação diz em qual caso você está. Só o grupo de controle diz se isso importa na sua lista.
Erros comuns num teste de horário
| Erro | Sinal de alerta | Correção |
|---|---|---|
| Decidir por taxa de abertura | “As aberturas picam às 9h, então enviamos às 9h” | Decida por clique ou conversão; abertura acompanha entrega, não leitura |
| Mudar horário e dia juntos | Terça 9h contra sábado 19h | Uma dimensão por teste |
| Concluir por um disparo só | Uma campanha única declarada vencedora | Repita a divisão por vários disparos antes de acreditar |
| Ignorar fusos | Uma hora única para uma lista de vários países | Agende no horário local ou divida dentro de cada fuso |
| Reembaralhar assinantes entre os braços | Divisão aleatória diferente a cada disparo | Mantenha cada assinante no mesmo braço para a leitura somada continuar válida |
| Confiar no otimizador do fornecedor sem controle | O recurso está ligado e ninguém mediu | Mantenha um grupo em horário fixo e compare por clique |
Vale notar que o erro de parar cedo, que em teste de site aparece como peeking clássico, aqui tem uma variação própria: encerrar a sequência de disparos assim que um deles dá bonito. É o mesmo mecanismo estatístico, tratado em detalhe no artigo sobre o problema do peeking.
Faça isso automático na Donnu
Horário de envio é o teste de e-mail com maior chance de produzir uma conclusão confiante a partir de um número que nunca descreveu comportamento humano. Acertar exige recusar o atalho da taxa de abertura, dimensionar contra uma base de clique baixa, manter a divisão estável entre disparos e ler um intervalo de confiança em vez de uma manchete. A Donnu aplica exatamente essa disciplina aos testes que você roda no site e nas landing pages: você define a hipótese e a métrica primária, a Donnu dimensiona contra o seu tráfego real, e o resultado volta com o intervalo honesto em vez de um selo verde.
Comece um teste grátis de 14 dias e submeta o seu próximo teste a esse padrão.
Leia também: Teste A/B de E-mail Marketing: o Guia Estatístico Completo · Teste A/B de Assunto de E-mail · Série de E-mail de Boas-Vindas · Read in English
Referências
- Apple. Protect email privacy in Mail on Mac. Suporte da Apple, sobre o download de conteúdo remoto no recebimento. support.apple.com.
- Litmus. Identifying Real Opens to Adapt to Mail Privacy Protection. litmus.com.
- Litmus. Email Client Market Share. Dados de maio de 2026. litmus.com/email-client-market-share.
- Litmus. When is the best time to send an email? Análise de quase 8 bilhões de aberturas entre janeiro e agosto de 2021. litmus.com.
- MailerLite. The Best Time to Send Email. Análise de 2.138.817 campanhas entre dezembro de 2024 e novembro de 2025. mailerlite.com.
Perguntas frequentes
- Otimizar o horário de envio de e-mail funciona mesmo?
- O horário pode mover resultado, mas bem menos do que a maioria dos guias promete, e o efeito costuma ser menor que o da oferta ou o do assunto. As tabelas publicadas de "melhor horário para enviar" agregam milhares de remetentes sem relação entre si dentro de uma mesma plataforma, então descrevem uma caixa de entrada média, não a sua lista. A posição honesta é que horário de envio vale ser testado na sua própria audiência, nunca copiado de um gráfico de mercado.
- Por que não dá mais para confiar na hora da abertura para achar o melhor horário?
- Porque o Apple Mail Privacy Protection baixa o conteúdo remoto, inclusive o pixel de rastreamento, no momento em que a mensagem é entregue, e não quando ela é lida. Isso significa que o horário registrado para uma fatia grande das aberturas é o horário de entrega, não o de leitura. Qualquer análise de horário construída sobre a hora da abertura está medindo em parte quando a sua própria plataforma disparou o e-mail, o que é circular. Use a hora do clique, que exige uma ação humana de verdade.
- Qual métrica deve decidir um teste de horário de envio?
- Taxa de clique sobre mensagens entregues, ou taxa de conversão quando o volume permite. Taxa de abertura é a pior escolha possível para este teste específico, porque a distorção do pré-carregamento está diretamente amarrada ao momento da entrega, que é exatamente a variável sendo testada. Clique e conversão exigem ação humana e não carregam esse viés.
- Quantos destinatários eu preciso para um teste de horário de envio?
- Mais do que a maioria dos times espera, porque taxa de clique é baixa. Detectar um efeito relativo de 15% sobre uma taxa de clique de 2,8% exige cerca de 25.979 destinatários por variação. Um único disparo de 12.000 por variação só consegue detectar efeitos por volta de 22% relativo ou maiores, então listas menores normalmente precisam acumular o mesmo teste ao longo de vários disparos antes que o resultado signifique alguma coisa.
- Devo usar o horário automático que a minha plataforma oferece?
- É razoável usar, desde que você valide em vez de confiar. Esses recursos não são todos a mesma coisa: o Send Time Optimization do Mailchimp e o Personalized Send Time do Klaviyo preveem um horário para cada destinatário, o Smart Send Time do Klaviyo converge para um único horário para a audiência inteira, e o Intelligent Timing do Braze documenta que exclui aberturas de máquina dos eventos que usa para aprender. Qualquer otimizador que aprenda com horários de abertura não filtrados está aprendendo em parte com pré-carregamentos de proxy. Separe uma fatia aleatória da lista num horário fixo, compare contra a fatia do algoritmo por clique e conversão, e só mantenha o recurso ligado se ele vencer essa comparação nos seus dados.
- Testar horário e dia da semana no mesmo experimento é problema?
- É, e é o erro de desenho mais comum nesse teste. Comparar terça às 9h contra sábado às 19h muda duas dimensões ao mesmo tempo, e nenhum resultado consegue separar o efeito do horário do efeito do dia. Teste uma dimensão por vez: primeiro o horário dentro do mesmo dia da semana, depois o dia mantendo o horário vencedor fixo. Custa mais disparos e é a única forma de saber o que causou o quê.
- Um resultado significativo num único disparo basta para mudar o calendário de envio?
- Não, e é justamente aqui que os programas de e-mail se enganam. Um teste subdimensionado que dá significativo tende a superestimar o tamanho do efeito que encontrou, então o primeiro resultado costuma ser mais otimista que a realidade. O caminho correto é repetir a mesma divisão, com os mesmos assinantes nos mesmos braços, por vários disparos, e só ler quando a amostra acumulada alcançar o tamanho exigido. A direção costuma se manter; a magnitude quase sempre encolhe.