Teste A/B de Carrinho Abandonado: o que Recupera Venda
Teste a/b carrinho abandonado no próprio site: as alavancas que realmente recuperam venda, a métrica certa, como dimensionar e o erro de dupla contagem.
📚 Este artigo faz parte do guia Otimização de Checkout: o Playbook de Teste A/B.
Teste A/B de carrinho abandonado no próprio site é o experimento que tenta impedir o abandono antes de ele acontecer, e a métrica que decide esse teste é sempre o pedido concluído sobre todos os carrinhos criados, nunca o clique num botão de finalizar. Este artigo faz parte do playbook completo de otimização de checkout e cobre a metade que quase todo mundo ignora: o que dá para mudar no carrinho e no início do checkout para que menos gente vá embora, em vez de gastar todo o esforço no e-mail que tenta trazer de volta quem já saiu.
Dois experimentos diferentes, dois momentos diferentes
A confusão mais cara nessa área é tratar “teste de carrinho abandonado” como sinônimo de “teste do e-mail de recuperação”. São coisas separadas, com públicos, métricas e prazos diferentes.
Se o seu foco é a mensagem de recuperação (horário do disparo, assunto, sequência), o artigo dedicado a teste A/B de e-mail de carrinho abandonado cobre exatamente isso, com a conta de receita incremental do canal.
A dimensão do problema, e por que ela engana
Segundo o Baymard Institute, a média de abandono de carrinho em e-commerce é de 70,22%, calculada a partir de 50 estudos distintos. Sete em cada dez pessoas que colocam algo no carrinho não concluem o pedido.
Esse número é útil como escala e péssimo como meta, por um motivo simples: uma parte relevante desses 70% nunca teve intenção de comprar naquela sessão. Carrinho usado como lista de desejos, comparação de preço entre lojas, cálculo de frete antes de decidir. Nenhum teste A/B recupera essa fatia, porque não existe atrito para remover: a pessoa fez exatamente o que queria fazer.
O que sobra, e é a parte que um teste consegue mover, são os abandonos com intenção interrompida. O Baymard Institute mede justamente essa fatia, excluindo quem estava só navegando, e a distribuição de motivos aponta onde o teste tem chance real de ganhar:
| Motivo do abandono no checkout | Menções | O que dá para testar no site |
|---|---|---|
| Custos extras altos demais (frete, taxas) | 40% | Mostrar frete estimado já no carrinho; faixa de frete grátis visível; total sem surpresa na primeira etapa |
| Entrega lenta demais | 20% | Prazo por CEP exibido no carrinho; opção expressa apresentada antes do pagamento |
| Desconfiança em passar o cartão | 19% | Selo e sinal de segurança perto do campo de cartão; política de estorno visível |
| Exigência de criar conta | 18% | Compra como visitante como opção padrão |
| Checkout longo ou complicado | 17% | Redução de campos; etapas agrupadas; indicador de progresso |
| Erros ou travamentos no site | 17% | Isso é bug, corrija sem testar |
| Não ver o custo total antes | 12% | Resumo do pedido fixo e completo em todas as etapas |
Duas leituras importam aqui. A primeira: a causa líder é de transparência de preço, não de design de formulário, e somando “custos extras altos” (40%) com “não ver o custo total antes” (12%) o tema preço aparece em 52% das respostas. A segunda: erro técnico não é hipótese. Se 17% menciona travamento, a prioridade é consertar, não montar um experimento para confirmar que travar é ruim.
As alavancas que realmente recuperam venda, por ordem de aposta
Nem toda mudança no carrinho tem a mesma chance de mover o número. Esta é a ordem que costuma render mais, cruzando o peso da causa com o custo de implementar:
| Alavanca | Ataca qual causa | Custo de implementar | Risco escondido |
|---|---|---|---|
| Frete estimado visível no carrinho | Custos extras (40%) e custo total (12%) | Baixo a médio | Mostrar um frete alto cedo pode derrubar a taxa de início de checkout e melhorar a de conclusão; leia as duas |
| Compra como visitante | Exigência de conta (18%) | Baixo | Perde cadastro para e-mail marketing; compense oferecendo a criação de conta depois da compra |
| Resumo de pedido fixo e completo | Custo total (12%) e checkout confuso (17%) | Baixo | Quase nenhum, é a mudança mais segura da lista |
| Faixa de frete grátis com progresso | Custos extras (40%) | Médio | Muda a margem; meça receita líquida, não só conversão |
| Redução de campos do formulário | Checkout longo (17%) | Médio | Cortar campo que a operação usa gera problema depois da venda |
| Sinal de segurança no pagamento | Desconfiança (19%) | Baixo | Excesso de selo pode ter efeito contrário e parecer defensivo |
| Popup de saída com desconto | Custos extras (40%) | Baixo | O mais arriscado da lista, ver a seção abaixo |
| Salvar carrinho e retomar depois | Compra dividida em sessões | Médio a alto | Cria sobreposição de atribuição com o e-mail de recuperação |
O caso específico do popup de saída
O popup de saída com desconto é a intervenção mais testada e a mais mal medida do e-commerce. Ele quase sempre eleva a conversão imediata, porque oferece dinheiro para quem já ia sair. O problema aparece em dois lugares que o painel de teste não mostra sozinho.
O primeiro é a margem: um cupom de 10% sobre um pedido com margem de 25% consome 40% do lucro daquele pedido. Se a variação aumentou a conversão em menos do que consumiu de margem, ela perdeu, mesmo aparecendo como vencedora na tela de conversão.
O segundo é o aprendizado do cliente recorrente. Quem compra com frequência e descobre que abandonar o carrinho gera cupom passa a abandonar de propósito. Esse efeito não cabe na janela de duas semanas do teste, e é exatamente o tipo de dano que só aparece meses depois, na margem média do canal.
Se for testar popup, teste as duas versões: uma com desconto e outra que resolve uma dúvida real (prazo de entrega por CEP, política de troca, garantia). A segunda é raramente testada e não tem custo de margem.
A métrica primária, e o erro de contar duas vezes
A métrica que decide o teste é pedido concluído dividido por carrinhos criados no período, com todo carrinho no denominador, inclusive o de quem nunca voltou. Nada de “carrinhos recuperados” como número principal: essa métrica mistura o efeito da sua mudança com o efeito do e-mail, do remarketing e da própria intenção do comprador de voltar sozinho.
O erro de dupla contagem funciona assim: a pessoa abandona o carrinho, recebe o e-mail de recuperação, volta e compra. Se o teste de site conta esse pedido como vitória da variação de carrinho, e a campanha de e-mail conta o mesmo pedido como recuperação dela, a mesma venda foi somada nos dois relatórios. No fim do mês, a soma dos ganhos declarados é maior que a receita real da loja.
A regra prática: fixe uma janela de atribuição para o teste de site (a sessão em que o carrinho foi criado, ou 24 horas, o que fizer sentido para o seu ciclo de compra) e mande todo pedido fora dessa janela para o relatório da régua de recuperação. Documente isso antes de rodar, não depois de ver o resultado.
Métricas de guarda de um teste de carrinho abandonado
| Guarda | Por que monitorar | Sinal de alerta |
|---|---|---|
| Ticket médio | Frete grátis por faixa e cupom mudam o comportamento de compra, não só a conversão | Conversão sobe e ticket médio cai o suficiente para anular o ganho |
| Margem por pedido | Todo teste que envolve desconto ou frete é um teste de margem disfarçado | Receita bruta sobe e receita líquida fica igual ou cai |
| Taxa de cancelamento e devolução | Empurrar a compra com pressa aumenta arrependimento | Devolução sobe na variação vencedora nas semanas seguintes |
| Taxa de recusa de pagamento | Mudança no formulário de cartão pode quebrar validação ou antifraude | Recusa sobe numa variação só |
O primeiro e o segundo item são os que mais derrubam vitórias declaradas cedo demais. Um teste de carrinho que não olha margem não é um teste de negócio, é um teste de interface.
Dimensionando o teste de carrinho abandonado
Ajuste a taxa atual de carrinho para pedido, o ganho mínimo que justifica a mudança e o volume semanal real de carrinhos criados:
Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.
Um exemplo trabalhado, do teste à receita
Uma loja converte 30% dos carrinhos em pedidos e quer detectar uma melhora relativa de 8% vinda de mostrar o frete estimado já no carrinho. A 95% de confiança e 80% de poder, a matemática de tamanho de amostra devolve 5.849 carrinhos por variação. Com 5.000 carrinhos criados por semana, o teste leva 17 dias para fechar as duas variações.
Se a loja aceitar mirar num efeito maior, de 12% relativo (uma mudança mais ousada, como frete estimado somado a resumo de pedido fixo), o requisito cai para 2.626 carrinhos por variação, e o mesmo volume semanal fecha o teste em 8 dias. Esse é o trade-off real de todo teste de baixo volume: ou você testa mudanças maiores, ou você espera mais.
Suponha que o teste rodou até 5.000 carrinhos por variação e terminou com 1.500 pedidos no controle (30,0%) contra 1.650 na variação (33,0%). Rodando esses números no mesmo motor de significância usado em todo o blog: z = 3,23, valor-p ≈ 0,0012, com intervalo de confiança da diferença de +1,18 a +4,82 pontos percentuais. O intervalo não cruza zero, então a variação converte mesmo melhor.
Agora a parte que decide se vale implementar. Com 20.000 carrinhos por mês e ticket médio de R$ 280, sair de 30% para 33% de conversão de carrinho representa R$ 168.000 de receita adicional por mês. Repare que essa conta usa o ponto central do intervalo; usando o limite inferior (+1,18 ponto, ou seja, 31,18%), o ganho cai para cerca de R$ 66.000 mensais. As duas leituras são honestas, e a segunda é a que você deveria levar para uma decisão de investimento, não a primeira.
Se você quiser o passo a passo genérico de montar, rodar e ler um teste desses, o guia de como fazer um teste A/B passo a passo cobre o processo completo, e o guia de significância estatística explica o que o valor-p e o intervalo realmente dizem.
Os erros que mais aparecem nesse teste
- Decidir pelo clique em finalizar. Uma variação pode empurrar mais gente para o checkout e converter menos no fim, porque o atrito real estava no pagamento. O clique é diagnóstico, o pedido é veredito.
- Rodar menos de sete dias. Carrinho de e-commerce tem ciclo semanal forte, com comportamento de fim de semana bem diferente do de dia útil. Encerrar em três dias captura uma fatia enviesada da base.
- Testar durante campanha ou data comemorativa. Black Friday, dia das mães e queima de estoque mudam a intenção de compra do público inteiro. Um resultado obtido nessa janela não se generaliza para o resto do ano.
- Somar o ganho do site com o ganho do e-mail. Já coberto acima, e é o erro que mais infla relatório de CRO.
- Ignorar mobile e desktop separadamente. A conversão de carrinho costuma ser bem diferente nos dois, e uma vitória no agregado pode esconder uma perda num dos dois dispositivos.
- Parar o teste no primeiro dia em que ficou significativo. Olhar o painel todo dia e encerrar quando o número agrada é o problema de peeking, e ele infla a taxa de falso positivo de forma previsível. O artigo sobre o problema do peeking quantifica isso.
Faça isso automático na Donnu
Um teste de carrinho abandonado só vale a decisão que sustenta, e isso exige três coisas que quase nenhuma ferramenta entrega junto: amostra dimensionada antes de ligar, denominador cheio de todos os carrinhos criados, e um intervalo de confiança honesto em vez de um “vencedor” declarado cedo.
A Donnu A/B faz exatamente isso no seu site: snippet leve que não trava o carregamento do carrinho, dimensionamento automático da amostra e estatística bayesiana sem achismo. Comece um teste grátis de 14 dias e teste a causa número um de abandono, a transparência de custo, antes de gastar o próximo mês escrevendo mais um e-mail de recuperação.
Leia também: Otimização de Checkout: o Playbook de Teste A/B · Teste A/B de E-mail de Carrinho Abandonado · Qual é uma Boa Taxa de Conversão? Benchmarks 2026
Referências
- Baymard Institute. Cart Abandonment Rate Statistics. Média de 50 estudos sobre abandono de carrinho e distribuição dos motivos de abandono no checkout. baymard.com/lists/cart-abandonment-rate.
- Baymard Institute. Checkout Usability Research. Base de problemas de usabilidade documentados em pesquisa de checkout em larga escala. baymard.com/research/checkout-usability.
- Klaviyo. Abandoned Cart Benchmark Report: Rates & Statistics. Referência de taxa de recuperação por e-mail de carrinho abandonado. klaviyo.com/blog/abandoned-cart-benchmarks.
- Omnisend. Reduce Shopping Cart Abandonment: Reasons & Solutions. omnisend.com/blog/shopping-cart-abandonment.
Perguntas frequentes
- Qual a diferença entre testar o carrinho abandonado no site e testar o e-mail de recuperação?
- São dois experimentos diferentes, em momentos diferentes do funil. O teste no site acontece antes do abandono: você muda o carrinho ou o checkout para que menos gente saia, e mede a taxa de carrinho para pedido concluído. O teste de e-mail acontece depois do abandono: a pessoa já saiu, e você compara mensagens que tentam trazê-la de volta. O primeiro amplia a base de quem compra na hora; o segundo recupera uma fatia de quem já foi embora. Rodar os dois ao mesmo tempo sem alinhar a atribuição é a causa mais comum de dupla contagem de receita.
- Qual é a métrica primária de um teste de carrinho abandonado?
- O pedido concluído, contado sobre todos os carrinhos criados no período do teste, nunca a taxa de clique num botão nem a quantidade de carrinhos que voltaram. Métricas intermediárias (clicou em finalizar, avançou de etapa) servem como diagnóstico para entender por que uma variação ganhou, jamais como o número que decide o teste. Uma variação pode aumentar cliques em finalizar e derrubar o pedido concluído se a fricção real estava no pagamento, não na entrada do checkout.
- Popup de saída no carrinho funciona?
- Depende do que ele oferece e do que você mede. Um popup que oferece desconto costuma elevar a conversão imediata e, ao mesmo tempo, reduzir a margem e ensinar o cliente recorrente a abandonar de propósito para receber o cupom. Se for testar, meça a receita líquida do desconto, não só a taxa de conversão, e acompanhe o comportamento de quem já comprou antes. Um popup que resolve uma dúvida real (prazo de entrega, política de troca) sem dar desconto costuma ser uma aposta mais segura e é raramente testado.
- Quantos carrinhos eu preciso para um teste confiável?
- Depende da taxa atual de carrinho para pedido e do ganho mínimo que você quer detectar. Uma referência calculada com a matemática deste blog: uma loja que converte 30% dos carrinhos em pedidos e quer detectar uma melhora relativa de 8% precisa de cerca de 5.849 carrinhos por variação. Se o alvo subir para 12% relativo, o requisito cai para cerca de 2.626 por variação. Use a calculadora deste artigo com os seus próprios números antes de ligar qualquer teste.
- Vale a pena testar frete grátis como recuperação de carrinho?
- Vale testar, e vale medir direito. Segundo o Baymard Institute, custos extras altos demais é o motivo número um de abandono durante o checkout, com 40% das menções, então mexer nisso ataca a causa líder. O cuidado é que frete grátis não é uma mudança de interface, é uma mudança de margem: o teste precisa comparar receita líquida por carrinho, não taxa de conversão isolada, senão a variação vencedora pode estar vendendo mais e lucrando menos.