Product analytics para SaaS: o que medir, o que ignorar e como agir

Todo founder de SaaS quer "ser data-driven". Na prática, 90% instala Google Analytics, olha pageviews, e toma as mesmas decisões que tomaria sem dado nenhum.

O problema não é falta de dados. É excesso de dados sem clareza do que importa.

Esse guia é sobre o que medir, o que ignorar, e — mais importante — como transformar número em decisão.

A hierarquia das métricas

Antes de qualquer ferramenta, você precisa entender a hierarquia. Nem toda métrica tem o mesmo peso.

Tier 1 (North Star)
  └── Métrica única que resume saúde do negócio

Tier 2 (Métricas de negócio)
  └── MRR, Churn, NRR, CAC, LTV

Tier 3 (Métricas de produto)
  └── Ativação, retenção, engagement, adoção de feature

Tier 4 (Métricas operacionais)
  └── Tempo de carregamento, erro rate, NPS, tickets de suporte

Tier 5 (Vanity metrics) — ignore
  └── Pageviews, usuários cadastrados (sem ativação), seguidores

Foca no Tier 1-3. Tier 4 é sinal de alerta. Tier 5 é pra relatório de investidor que não sabe o que perguntar.

A North Star Metric

Uma métrica que, se cresce, significa que seu produto está entregando valor real.

Não é receita (é consequência, não causa). É a ação que gera valor pro usuário.

Exemplos por categoria de produto:

Produto	North Star
Ferramenta de comunicação (Slack-like)	Mensagens enviadas por dia por usuário ativo
Analytics/BI	Dashboards consultados por semana
E-commerce SaaS	GMV (volume de vendas dos clientes)
CRM	Deals ativos registrados
Ferramenta de design	Projetos criados por mês
API de pagamento	Transações processadas com sucesso

Como definir a sua: complete a frase "meu produto entrega valor quando o usuário ___". Isso é a North Star.

Erro comum: North Star que é controlada por você (MRR, receita) em vez de pelo usuário. North Star tem que ser métrica de valor entregue, não de valor capturado.

Métricas de produto que importam

1. Ativação

Percentual de novos usuários que completam a "primeira vitória" no produto — o momento onde entendem o valor e ficam.

Primeiro, você precisa definir o que é ativação no seu produto. É o momento "aha". Para cada produto é diferente:

• Ferramenta de projeto: criou primeiro projeto e convidou membro
• CRM: importou contatos e registrou primeiro deal
• Analytics: criou primeiro dashboard com dado real

Benchmark: > 40% de ativação em 7 dias é saudável. < 20% significa problema de onboarding ou expectativa errada na aquisição.

Como medir: evento user_activated quando usuário completa o momento aha. Funil: signup → ativação em X dias.

2. Retenção (a mais importante)

Retention é a métrica que mais revela se o produto tem PMF.

Day 1, Day 7, Day 30 retention: de quem se cadastrou, quantos voltaram no dia 1, 7 e 30?

Benchmarks para SaaS B2B:

Período	Bom	Excelente
Day 1	> 60%	> 75%
Day 7	> 35%	> 50%
Day 30	> 20%	> 35%

Cohort analysis: agrupa usuários por mês de entrada e acompanha retenção ao longo do tempo. Se as curvas de retention estabilizam (param de cair), você tem PMF. Se continuam caindo para zero, o produto não tem valor suficiente pra trazer de volta.

Cohort Jan → D1: 65% → D7: 40% → D30: 28% → D60: 25% → D90: 24%
Cohort Feb → D1: 68% → D7: 42% → D30: 30% → D60: 28% → (em aberto)

Curva que estabiliza em 24-28% é boa. Estabilizou, não caiu a zero.

3. Engagement por feature

Qual percentual dos usuários ativos usa qual feature? Isso revela:

• Features que ninguém usa (candidatas a remoção)
• Features que todo mundo usa (core do produto)
• Features que só power users usam (candidatas a upsell)

Formato de mapa de calor de features:

Feature	% usuários ativos que usou (30d)	Trend
Dashboard	92%	→ estável
Import CSV	71%	↑ subindo
API key	45%	↑ subindo
Relatório PDF	12%	↓ caindo
Integração Slack	8%	→ estável

Relatório PDF com 12%: investigar ou remover. API key com 45% e subindo: candidata a plano Pro.

4. Time to Value (TTV)

Quanto tempo leva desde o signup até o usuário ter valor real? Menos é mais.

Ferramenta de pagamento onde o TTV é "primeira transação processada com sucesso" — se leva 14 dias em média, você tem problema de onboarding ou integração.

Se você conseguir reduzir TTV de 14 para 7 dias, ativação sobe, retenção sobe, e revenue sobe.

5. Feature adoption por cohort

Quando você lança feature nova, quer saber se ela é adotada — especialmente entre usuários que chegaram depois do lançamento.

Se feature nova não é adotada por > 30% dos usuários em 30 dias, ou o discovery é ruim (ninguém sabe que existe) ou a feature não resolve problema real.

O que ignorar

Usuários cadastrados sem ativação. Um million de signups sem ativação é zero. Não mede, não comemora.

Pageviews. Marketing pode otimizar. Produto não.

NPS como métrica primária. NPS é sinal de saúde, não de direção. "NPS subiu" não te diz onde melhorar.

Sessões por usuário. Usuário que abre seu SaaS 20 vezes por dia pode ser porque é confuso, não porque é engajado.

App Store rating. Lagging indicator. Quando cai, problema já aconteceu.

Stack de analytics para SaaS

Early-stage (< R$ 50k MRR)

Custo precisa ser zero ou mínimo.

• Posthog (open-source ou cloud grátis até 1M events/mês): event tracking, funnels, cohort analysis, feature flags. É o mais completo para early-stage.
• Mixpanel (plano gratuito até 100 eventos): alternativa ao Posthog se preferir hosted.
• Google Looker Studio: conecta ao banco de dados e monta dashboard de negócio. Grátis.

Implementação mínima de tracking com Posthog:

// Instala: npm install posthog-js

import posthog from 'posthog-js'

posthog.init('your-api-key', {
  api_host: 'https://app.posthog.com'
})

// Eventos que você PRECISA trackear
posthog.capture('user_signed_up', { 
  plan: 'trial',
  source: 'organic'
})

posthog.capture('user_activated', {
  time_to_activate_days: 2
})

posthog.capture('feature_used', {
  feature: 'import_csv',
  records_imported: 450
})

posthog.capture('subscription_started', {
  plan: 'pro',
  mrr: 500
})

posthog.capture('subscription_cancelled', {
  plan: 'pro',
  reason: 'too_expensive'  // se você perguntar
})

Growth-stage (> R$ 50k MRR)

Aí faz sentido investir em stack mais robusto:

• Amplitude ou Mixpanel: analytics de produto com mais profundidade
• Metabase ou Redash: SQL + dashboards conectados ao banco
• Segment: centraliza todos os eventos e distribui para múltiplos destinos

Como transformar dados em decisão

Dados sem decisão são entretenimento.

O processo que funciona:

1. Weekly metrics review (30 min): todo Zoom de produto começa revisando North Star, Activation e Retention. Mudou? Por quê?

2. Monthly cohort review: olha cohort do mês anterior. Retention caiu? Onde no funil?

3. Feature flag + measurement: toda feature nova tem flag e evento de tracking antes de lançar. Mede adoção da semana 1, semana 2, semana 4.

4. "Kill or double down" decision: feature com < 15% de adoção em 45 dias entra em revisão. Remove ou melhora?

5. Segment por behavior: usuários com alta ativação e alto uso = entrevistar pra entender o que amam. Usuários que ativaram mas sumiram = entrevistar pra entender o que não funcionou.

O dado te diz o quê. A entrevista te diz por quê. Você precisa dos dois.

A gente na Alienhub ajuda SaaS a configurar stack de analytics, definir North Star e criar cultura de decisão baseada em dados desde early-stage. Se você tá perdido em dashboards e quer clareza, bora bater um papo.