O que este caso de uso cobre
Análise de cohorts de clientes e receita por produto — cruzando retenção mensal, ticket médio, LTV e churn por cohort de entrada. O G4 OS baixa o dataset, roda as análises em Python e gera tabelas, gráficos Mermaid e um resumo executivo.Dataset de exemplo
nexus_cohort_receita.xlsx
Baixar dataset — cohort mensal de receita por produto (26 KB, 36 meses)
O que tem dentro
| Coluna | Descrição |
|---|---|
mes_cohort | Mês de entrada do cohort |
mes_referencia | Mês da observação |
produto | Produto contratado |
clientes_ativos | Clientes ativos naquele mês |
receita_mrr | Receita recorrente mensal |
ticket_medio | Ticket médio do cohort |
retencao_pct | Taxa de retenção em relação ao mês de entrada |
ltv_acumulado | LTV acumulado até o mês de referência |
Abrir no G4 OS
Analisar cohort de receita no G4 OS
Abrir sessão — executa automaticamente no modo Execute
O que o G4 OS faz ao abrir
- Baixa o dataset direto do GitHub
- Calcula retenção por produto e mês de cohort
- Estima LTV médio e evolução por cohort
- Identifica os cohorts com melhor e pior retenção
- Gera gráfico Mermaid de retenção M3
- Entrega resumo executivo com tabela de LTV por produto
Exemplos de output
Abaixo dois exemplos reais do que o G4 OS produz com este dataset:Resumo executivo com LTV por produto
Gráfico de retenção M3 por cohort
Análises possíveis com este dataset
- Heatmap de retenção — quais cohorts retêm mais ao longo do tempo
- Comparação de LTV por produto — qual linha gera mais valor no longo prazo
- Gráfico de evolução de MRR — curva de receita por cohort de entrada
- Sazonalidade — cohorts de determinados meses têm melhor retenção?
- Projeção de receita — extrapolar MRR esperado com base nas taxas históricas
Veja também
- Funil de Marketing — de onde vêm os clientes que entram nesses cohorts
- Churn e Retenção — análise detalhada dos motivos de saída
- Performance Comercial — conversão e ciclo de venda antes da entrada no cohort