O que os benchmarks de drop-off de funil dizem e o que não dizem

O que são os benchmarks de drop-off de funil?

Nos relatórios de mercado, os benchmarks de drop-off de funil publicados são médias entre empresas de quantos usuários saem de cada etapa de um fluxo definido, reportadas como uma porcentagem por etapa ou ao longo da sequência inteira. Os fornecedores os constroem juntando dados de eventos dos sites que rodam na plataforma deles e depois publicam uma mediana ou uma média por setor. O número que sai daí descreve a base de clientes daquele fornecedor naquela janela. Ele não é uma meta que o seu funil está deixando de atingir.

Antes de ler qualquer um dos números abaixo, fixe as suas próprias definições. A aritmética do drop-off e a diferença entre a perda por etapa e a perda de ponta a ponta estão cobertas em a análise da taxa de drop-off, e o método para construir o funil em si está coberto em análise de funil. Esta página trata só da pergunta de quanto vale um número de fora depois que você já tem o seu.

Por que os benchmarks de drop-off de funil entre setores são evidência fraca?

Os benchmarks de drop-off de funil entre setores comparam números que não foram produzidos do mesmo jeito, então a distância entre a sua taxa e a média publicada não carrega informação nenhuma sobre o seu produto. Três coisas diferem entre as empresas dentro de qualquer média. As definições de etapa diferem: uma empresa conta um cadastro no envio do email, outra conta na verificação do email, e os dois denominadores não são a mesma população. O mix de tráfego difere: um funil alimentado por busca de marca se comporta de forma diferente de um alimentado por social pago, e a média publicada não diz qual dos dois alimentou a amostra. As regras de sequenciamento diferem: algumas ferramentas contam que um usuário chegou à etapa três só se ele passou pela etapa dois na mesma sessão, outras aceitam qualquer ordem e qualquer janela.

A Contentsquare declara esse problema nos próprios dados. O Digital Experience Benchmark 2026 dela, construído sobre 99 bilhões de sessões de web e de app em 6,500 ou mais sites e nove setores entre o Q4 de 2024 e o Q4 de 2025, reporta a taxa de conversão como uma variação ano a ano de menos 5.1%, não como uma taxa absoluta com a qual você possa se comparar. Um publicador com 99 bilhões de sessões que escolhe publicar variações em vez de níveis está dizendo o quanto os níveis viajam.

Quais benchmarks de funil têm metodologia publicada?

A tabela abaixo lista os números de funil e de conversão em que o publicador revela o suficiente sobre amostra e método para tornar o número verificável. Cada linha foi lida na página do próprio publicador.

Duas das linhas do Baymard não trazem ano de publicação na página em que aparecem. Vale dizer isso em voz alta em vez de lavar o dado dentro de uma citação confiante.

O que a média de 70.22% de abandono de carrinho cobre de fato?

Os 70.22% do Baymard Institute são uma média de 50 estudos diferentes sobre abandono de carrinho de compras em ecommerce, publicada em uma página cuja última atualização é de 22 de setembro de 2025, com os estudos subjacentes indo de 2006 a 2025. É o número mais forte desta categoria porque o Baymard mostra as entradas dele e a contagem delas. Também é uma média que atravessa duas décadas de uma web muito diferente, o que significa que ele descreve o formato de longo prazo da perda em carrinho e não o estado do seu checkout neste trimestre. A métrica mais estreita, e como ela difere do abandono de checkout, está trabalhada em a fórmula da taxa de abandono de carrinho.

A própria divisão de motivos do Baymard, tirada de uma pesquisa com compradores online dos EUA cujo tamanho de amostra a página não divulga, coloca 40% dos abandonos em custos extras altos demais, 20% em entrega lenta demais e 19% em não confiar os dados do cartão de crédito ao site. Essas porcentagens são mais acionáveis que a taxa principal, porque uma surpresa no custo de frete é algo que você consegue encontrar em uma gravação e remover esta semana.

Quanto uma definição de etapa muda o número?

Uma mudança na definição de etapa move uma taxa de drop-off reportada em dois dígitos sem que nenhum usuário se comporte de forma diferente. Pegue duas empresas de SaaS que publicam as duas um drop-off de 62.00% entre cadastro e ativação.

A empresa A define cadastro como email enviado. 10,000 usuários enviam um email, 3,800 ativam.

(10,000 - 3,800) / 10,000 x 100 = 62.00%

A empresa B define cadastro como email verificado. 10,000 usuários enviam um email, 6,500 verificam, 2,470 desses ativam.

(6,500 - 2,470) / 6,500 x 100 = 62.00%

As duas reportam 62.00%. Medida a partir da mesma população inicial de 10,000 envios de email, a empresa A perde 62.00% e a empresa B perde 75.30%. O benchmark publicado esconde 13.3 pontos de diferença real atrás de um número idêntico, e nenhum leitor do benchmark consegue ver qual definição o produziu.

Com o que você deveria comparar o seu funil?

Compare o seu funil com o seu próprio funil de um período anterior, com as definições de etapa congeladas. Uma linha de base de quatro semanas nos seus próprios dados controla o mix de tráfego, os limites de etapa e as regras de sequenciamento que as médias externas deixam indefinidos, o que transforma uma mudança no número em evidência sobre uma mudança que você fez. Estabeleça a linha de base antes de subir qualquer coisa, depois leia cada etapa contra ela e trate qualquer movimento maior que a sua variação normal de semana a semana como um sinal que vale investigar.

Os benchmarks externos ainda ganham um trabalho: dimensionar o prêmio. A constatação do Baymard de que um site de ecommerce de grande porte pode ganhar 35% de aumento de conversão com trabalho de usabilidade no checkout, baseada em 4,400 ou mais sessões de participantes de teste em 25 rodadas, é um argumento para financiar um projeto de checkout. Não é um argumento de que o seu checkout está quebrado. Para transformar uma perda medida em uma etapa numa mudança entregue, veja otimização de funil de marketing e a ordem de leitura em o guia do relatório de funil.

Como a Flowsery transforma um número de drop-off em uma causa?

A Flowsery emparelha o funil com as gravações dos usuários que saíram dele. O web analytics embutido dela cobre funis, metas, tráfego em tempo real, receita por origem e jornadas de usuário, então a etapa em que os usuários saem e as sessões por trás dessa etapa vivem em um produto só. A análise de funil na Flowsery mostra a perda; o session replay mostra o que o usuário encontrou.

A detecção roda em cada sessão. A Flowsery encontra cliques de raiva, cliques mortos, erros de JavaScript, drop-offs e fluxos quebrados automaticamente, agrupa as sessões correspondentes em um único problema e ordena os problemas por quantos usuários foram atingidos. Cada problema 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 seu repositório GitHub. Os sinais por trás desses agrupamentos estão descritos em sinais de frustração.

Perguntas frequentes

O que é uma boa taxa de drop-off de funil?

Não existe número publicado entre setores que responda isso, porque os estudos que o definiriam não compartilham as definições de etapa. A âncora defensável mais próxima é a média de 70.22% de abandono de carrinho documentado do Baymard Institute, tirada de 50 estudos entre 2006 e 2025, que vale para carrinhos de ecommerce e para mais nada. Para qualquer outro funil, o seu próprio período anterior é a única comparação que controla como as etapas foram desenhadas.

Por que duas ferramentas de analytics reportam drop-off diferente para o mesmo funil?

As ferramentas aplicam regras diferentes de sequenciamento e de atribuição aos mesmos eventos. Uma conta um usuário na etapa três só se a etapa dois aconteceu antes na mesma sessão, outra aceita qualquer ordem dentro de uma janela de lookback, e uma terceira deduplica por usuário enquanto a segunda conta sessões. Leia as configurações de funil de cada ferramenta antes de tratar a distância como um problema de qualidade de dados.

A taxa de abandono de carrinho é a mesma coisa que drop-off de funil?

Não. A taxa de abandono de carrinho é uma medição específica de drop-off de ponta a ponta em um fluxo específico, da criação do carrinho ao pedido concluído. O drop-off de funil é o caso geral e pode ser medido em qualquer etapa de qualquer sequência definida. Os dois são calculados de formas diferentes o bastante para que a página da taxa de abandono de carrinho os trate separadamente.

De que tamanho precisa ser a amostra antes que os números do meu funil signifiquem alguma coisa?

Usuários suficientes na etapa mais estreita para que um punhado de indivíduos não mova a porcentagem. Se a sua etapa final vê 40 usuários por semana, uma oscilação de quatro pessoas é um movimento de 10 pontos e não diz nada. Amplie a janela até a menor etapa carregar algumas centenas de usuários, depois leia a tendência em vez da semana isolada.

Devo citar um benchmark de mercado para a minha equipe alguma vez?

Cite para dimensionar uma oportunidade, não para dar nota ao seu funil. A taxa de conversão mediana de landing page de 6.6% da Unbounce, tirada de 41,000 ou mais páginas e 57 milhões de conversões em 2024, é um jeito justo de defender que trabalho em landing page se paga. Não é evidência de que uma página específica sua está abaixo do esperado.

O que eu faço primeiro quando uma etapa mostra uma queda grande?

Assista às sessões que terminaram naquela etapa antes de mudar qualquer coisa. Um número de drop-off diz onde os usuários saem e nunca por quê, e o porquê está na gravação: um campo de formulário que rejeita uma entrada válida, um botão que não faz nada, um erro de script em um navegador específico. A Flowsery agrupa essas sessões em um único problema ordenado, para você ler o padrão em vez de dez gravações individuais.

Por que a Contentsquare reporta uma variação anual em vez de uma taxa de conversão absoluta?

O Digital Experience Benchmark 2026 da Contentsquare se baseia em 99 bilhões de sessões web e de app em 6.500 ou mais sites e nove setores entre o Q4 2024 e o Q4 2025, e reporta a taxa de conversão como uma variação anual de menos 5,1%, não como um nível absoluto. O fato de um publisher com tantos dados escolher publicar uma variação em vez de uma taxa absoluta mostra que os níveis variam demais dentro da amostra para serem úteis. Leia a tendência que ele reporta, não um número para medir o seu próprio funil.

O que causa a maioria dos abandonos de carrinho?

A pesquisa da Baymard Institute com compradores online dos EUA atribui 40% dos abandonos a custos extras como frete, impostos e taxas, 20% à entrega demorada e 19% à desconfiança em informar os dados do cartão de crédito ao site. A página não divulga o tamanho da amostra da pesquisa. Custos extras são o motivo isolado mais comum, e diferente da taxa de destaque de 70,22%, esse detalhamento aponta para algo que você consegue encontrar em uma gravação de sessão e corrigir ainda esta semana.

Qual é uma taxa de conversão típica para uma loja Shopify?

O estudo da Littledata de 2023 com 2.800 lojas Shopify encontrou uma taxa de conversão média de 1,4%. Esse número tem as mesmas limitações de qualquer média entre empresas. Ele não diz nada sobre como essas lojas definiam uma conversão nem sobre o tráfego que as alimentava. Trate-o como uma referência geral do setor, não como uma meta para a sua loja.

Quanto tempo deve durar meu período de referência para comparar mudanças no funil?

Use uma linha de base de quatro semanas no seu próprio funil, com as definições de etapa congeladas antes de lançar qualquer mudança. Essa janela controla o mix de tráfego, os limites das etapas e as regras de sequenciamento que um benchmark externo deixa indefinidos, então qualquer movimento posterior maior que a sua variação normal semana a semana vale a pena investigar. Defina a linha de base primeiro e depois leia cada etapa em relação a ela depois de lançar a mudança.