Dois números se escondem atrás de uma taxa de drop-off

O que é a taxa de drop-off?

Na análise de funil, a taxa de drop-off é a porcentagem de usuários que entram em um fluxo definido de várias etapas e saem antes de terminá-lo, calculada como os usuários que saíram de uma etapa divididos pelos usuários que chegaram a essa etapa. A métrica só passa a existir depois que uma equipe escreve o fluxo: uma lista ordenada de etapas, uma primeira etapa que define a entrada e uma última etapa que define a conclusão. Fixe essa sequência antes de puxar qualquer número, porque dois analistas que escolhem listas de etapas diferentes reportam drop-off diferente para a mesma semana de tráfego.

Qual é a fórmula da taxa de drop-off?

A taxa de drop-off por etapa divide os usuários que chegaram a uma etapa mas nunca chegaram à seguinte pelos usuários que chegaram a essa etapa.

per-step drop-off rate = users who exited a step / users who reached that step x 100

A taxa de drop-off de ponta a ponta usa o fluxo inteiro como denominador.

end-to-end drop-off rate = (users who entered - users who finished) / users who entered x 100

Pegue um fluxo de checkout em que 10,000 usuários entram, dos quais 1,440 chegam à página de confirmação. A taxa de drop-off de ponta a ponta é (10,000 - 1,440) / 10,000, ou 85.60%. Se 6,000 usuários chegam à página do produto e 3,000 deles seguem para o carrinho, a taxa de drop-off dessa etapa isolada é 3,000 / 6,000, ou 50.00%.

Por que o drop-off por etapa e o de ponta a ponta divergem?

O drop-off por etapa mede a perda contra os usuários que sobreviveram até aquela etapa, enquanto o drop-off de ponta a ponta mede a perda contra todos que entraram, então os dois números vêm de denominadores diferentes e nunca coincidem. O mesmo funil de cinco etapas torna a diferença concreta:

Nenhuma etapa isolada dessa tabela perde mais de 50.00% das pessoas que chegam a ela, e mesmo assim o fluxo perde 85.60% de todos que entraram. Quem cita "nossa taxa de drop-off é de 20%" a partir da linha de pagamento e quem cita "nossa taxa de drop-off é de 85.60%" a partir da coluna acumulada estão lendo o mesmo funil corretamente. Rotule cada número de drop-off com a etapa e o denominador dele na mesma frase, ou o número não carrega informação nenhuma.

A tabela também resolve qual etapa corrigir primeiro. A etapa 2 tem a pior porcentagem, 50.00%, mas a etapa 1 perde 4,000 pessoas contra as 3,000 da etapa 2. A porcentagem ordena o vazamento, o número de pessoas ordena a receita, e uma revisão de funil de conversão precisa das duas colunas visíveis.

O drop-off é o mesmo que abandono?

Drop-off e abandono descrevem o mesmo evento sob dois vocabulários, e a divisão é sobre intenção, não sobre aritmética. Os analistas que separam as palavras reservam abandono para fluxos em que o usuário declarou intenção e depois foi embora, como um carrinho com um item dentro ou um formulário preenchido pela metade, e usam drop-off para qualquer saída de qualquer etapa. Os analistas que tratam as palavras como sinônimos calculam a mesma razão e apenas dão nomes diferentes a ela.

Os fornecedores de ferramentas também não resolveram isso. A documentação de exploração de funil do GA4, do Google, não usa nenhuma das duas palavras e diz que os usuários "saem do funil", então uma equipe que transita entre o GA4, uma ferramenta de product analytics e uma plataforma de ecommerce encontra três rótulos para um cálculo. Escolha uma palavra por equipe e escreva o denominador dela ao lado.

Como a taxa de drop-off difere da taxa de rejeição e da taxa de saída?

A taxa de drop-off mede um fluxo, enquanto a taxa de rejeição e a taxa de saída medem uma página, então as três métricas respondem perguntas diferentes e não podem ser trocadas uma pela outra.

Uma página pode registrar uma taxa de saída baixa e ainda assim carregar uma taxa de drop-off brutal, porque os usuários seguem para algum lugar que não é a próxima etapa do funil. A separação entre rejeição e saída tem os próprios denominadores e o próprio exemplo resolvido em taxa de rejeição vs taxa de saída.

Quais decisões mudam o número antes de você calcular qualquer coisa?

Quatro escolhas de configuração movem a taxa de drop-off sem nenhuma mudança no comportamento do usuário. A primeira é a janela de conclusão: um funil que dá 30 minutos para o usuário terminar reporta drop-off mais alto do que o mesmo funil medido ao longo de 7 dias. A segunda é o escopo, porque contar um fluxo por sessão divide em duas entradas todo usuário que volta amanhã, enquanto contar por usuário funde as duas em uma jornada só.

A terceira é a ordenação: um funil estrito descarta o usuário que chega ao checkout sem passar pela página do produto, um funil aberto o mantém, e isso desloca todos os denominadores seguintes. A quarta é o reingresso, que decide se um usuário que recomeça o fluxo na semana seguinte conta como entrada nova ou como continuação. Registre as quatro regras junto da definição do funil, porque mudar uma delas em silêncio é o motivo mais comum de um gráfico de drop-off parecer melhorar.

O que dizem os benchmarks publicados de abandono?

Os benchmarks públicos descrevem abandono em um fluxo específico, não o drop-off no seu, então eles dão contexto e não conseguem definir uma meta. A média corrente de 50 estudos diferentes do Baymard Institute coloca a taxa documentada de abandono de carrinho em compras online em 70.22%, com última atualização em 22 de setembro de 2025. Esse número abrange lojas com produtos, preços e desenhos de checkout diferentes, o que faz dele uma média de médias em vez da medição de um funil específico. Uma loja que reporta 68% de abandono de carrinho, portanto, não provou nada sobre o próprio checkout, e um fluxo de onboarding de SaaS não tem número publicado comparável nenhum. Compare seu funil com as semanas anteriores dele mesmo, e use a taxa de abandono de carrinho quando o fluxo em questão for especificamente um carrinho.

Como encontrar a causa por trás de uma etapa ruim?

Uma taxa de drop-off nomeia a etapa que perde usuários, e o session replay dessa etapa exata nomeia o motivo. A Flowsery grava cada sessão de usuário e detecta automaticamente cliques de raiva, cliques mortos, erros de JavaScript, drop-offs e fluxos quebrados, depois agrupa as sessões equivalentes em um único problema e ordena os problemas por quantos usuários foram atingidos. A análise de funil dela fica sobre o mesmo fluxo de eventos, então a pior etapa e as gravações por trás dela vêm de um único conjunto de dados em vez de duas ferramentas que discordam.

Uma queda de 50.00% em uma etapa pode ser um botão quebrado, um erro de validação que ninguém vê ou um preço que surpreende as pessoas, e esses três casos parecem idênticos em um gráfico de funil. Cliques repetidos em um controle que não faz nada aparecem como um cluster de cliques de raiva, o que aponta para o elemento em vez da etapa. Cada problema da Flowsery chega ao Slack, ao Linear ou ao Jira com a gravação e os passos para reproduzir anexados, e marcar @flowsery no Slack abre um rascunho de pull request no repositório GitHub da equipe.

Perguntas frequentes

O que é uma boa taxa de drop-off?

Não existe limite válido para todos os setores, porque a taxa de drop-off depende de quantas etapas a equipe definiu e de onde ela colocou o ponto de entrada. Um fluxo de duas etapas e um de sete etapas cobrindo a mesma jornada reportam números de ponta a ponta diferentes. Julgue uma etapa contra o histórico dela mesma e contra as etapas ao lado.

A taxa de drop-off é o mesmo que um menos a taxa de conversão?

A taxa de drop-off de ponta a ponta e a taxa de conversão somam 100% quando as duas usam o mesmo denominador e o mesmo evento de conclusão. No exemplo resolvido, 1,440 dos 10,000 que entraram terminam, o que dá uma taxa de conversão de 14.40% e uma taxa de drop-off de ponta a ponta de 85.60%. O drop-off por etapa não tem essa relação, já que cada etapa usa o próprio denominador.

A taxa de drop-off pode passar de 100%?

Não, porque o numerador conta um subconjunto do denominador por construção. Um número acima de 100% significa que usuários estão sendo contados em uma etapa a que nunca chegaram, o que aponta para um evento duplicado ou uma definição de etapa que dispara em mais de uma página. Audite o evento dessa etapa antes de confiar em qualquer outra linha.

Por que o mesmo funil mostra drop-off diferente em duas ferramentas?

Duas ferramentas aplicam timeouts de sessão, janelas de conclusão e regras diferentes sobre se as etapas precisam ocorrer em ordem. Qualquer uma dessas diferenças muda o denominador em todas as etapas depois da primeira. Compare as duas definições de funil campo a campo antes de supor que uma das ferramentas está errada.

A taxa de drop-off deve ser medida por usuários ou por sessões?

Meça por usuários quando o fluxo puder se estender por mais de uma visita, como um cadastro que as pessoas terminam no dia seguinte, e por sessões quando o fluxo tiver que ser concluído de uma vez. Misturar as duas dentro de um funil produz etapas com denominadores que não são comparáveis. Diga qual unidade o funil usa no próprio nome do funil.

A Flowsery detecta drop-offs sem configuração extra?

A Flowsery detecta drop-offs e fluxos quebrados automaticamente, junto com cliques de raiva, cliques mortos e erros de JavaScript, e se conecta a gravações do PostHog ou do Amplitude já registradas sem reinstrumentar nada. O script tem menos de 10 KB, é livre de cookies e hospedado na UE, sem amostragem de dados. Definir um funil nomeado continua valendo a pena, porque é isso que fixa a lista de etapas contra a qual os números de drop-off são reportados.

O que conta como uma etapa na definição de um funil?

Uma definição de funil precisa de uma lista ordenada de etapas, uma primeira etapa que marca a entrada e uma última etapa que marca a conclusão. Dois analistas que escolhem listas de etapas diferentes relatam taxas de drop-off diferentes para a mesma semana de tráfego. Anote a lista de etapas antes de calcular qualquer número.

Por que uma página pode ter uma taxa de saída baixa e uma taxa de drop-off alta?

A taxa de saída divide as saídas pelas visualizações de página de uma única página, sem exigir que exista uma sequência. A taxa de drop-off divide as saídas pelos usuários que alcançaram uma etapa dentro de um fluxo ordenado, então um usuário que sai para qualquer lugar diferente da próxima etapa do funil conta contra o drop-off de um jeito que a taxa de saída não capta. Por isso uma página pode ter uma taxa de saída baixa e ainda assim carregar uma taxa de drop-off brutal.

Abandono de carrinho é o mesmo que taxa de drop-off?

O drop-off cobre qualquer saída de qualquer etapa, enquanto alguns analistas reservam a palavra abandono para fluxos em que o usuário declarou intenção primeiro, como um carrinho com um item dentro ou um formulário parcialmente preenchido. O benchmark de abandono de carrinho do Baymard Institute, de 70,22%, mede esse fluxo específico, não um funil geral. Use a taxa de abandono de carrinho só quando o fluxo em questão for um carrinho, e compare seu próprio funil com as próprias semanas anteriores.

Como o session replay ajuda a explicar uma etapa ruim?

A Flowsery grava cada sessão e detecta automaticamente rage clicks, dead clicks, erros de JavaScript, drop-offs e fluxos quebrados, e depois agrupa as sessões correspondentes em um único issue. Uma queda de 50,00% em uma única etapa pode vir de um botão quebrado, um erro de validação que ninguém vê, ou um preço que surpreende as pessoas, e essas três causas parecem idênticas em um gráfico de funil sozinho. O session replay dessa etapa exata mostra qual delas realmente aconteceu.