Cohort analysis aplicada a conteudo organico

Trafego organico mensal e uma mentira confortavel. Ele soma posts publicados em 2021 com lancamentos de ontem e devolve um numero que ninguem sabe interpretar. Cohort analysis quebra essa media: agrupa paginas pela data de publicacao (ou ultima reescrita relevante) e mede como cada safra performa nos meses seguintes. Foi assim que descobri, num cliente SaaS B2B, que a safra de janeiro/2024 trazia 38% mais sessoes qualificadas que a de maio, mesmo com volume semelhante. A media trimestral dizia que estavamos estaveis. Os cohorts diziam que a qualidade tinha despencado em maio.

Montar o primeiro cohort exige apenas tres campos: URL, data de primeira indexacao e sessoes organicas por semana. Eu puxo do GA4 cruzado com Search Console via BigQuery (sobre isso ja escrevi em BigQuery + GSC: queries que sua agencia nao roda). Cada linha vira uma celula numa matriz onde o eixo X e a idade do conteudo em semanas e o eixo Y e a safra. O padrao saudavel mostra crescimento ate a semana 16-20 e estabilizacao. Quando uma safra cai antes da semana 12, voce esta diante de um problema editorial ou de intencao mal mapeada, tema que detalhei em Intencao de busca: 4 tipos e como mapear no SERP.

O proximo passo e enriquecer o cohort com qualidade, nao so volume. Coloque ao lado das sessoes: scroll depth medio, taxa de conversao assistida e CTR no SERP. Em um portfolio que auditei recentemente, a safra de marco tinha o dobro de sessoes da de abril, mas metade do dwell time (metodo em Dwell time: como medir engajamento sem dados oficiais). Resultado: marco era trafego inflado por uma keyword informacional que nao convertia. Abril, menor, alimentava a base de leads. Sem cohort, esse insight some dentro do agregado e voce continua publicando o tipo errado de conteudo achando que esta ganhando.

Cohorts tambem expoem content decay com brutalidade. Quando uma safra antiga comeca a cair de forma consistente por 3-4 semanas, e hora de decidir entre reescrita e refacao - decisao que tratei em Reescrever ou refazer: a decisao por dados de SERP. O erro classico e olhar pagina a pagina e nao perceber que toda a safra de outubro/2023, por exemplo, foi penalizada por um update do Google que mudou a intencao dominante. Cohort transforma 47 quedas individuais em um padrao acionavel. Em ferramentas como Looker Studio ou Hex, basta uma heatmap com gradiente vermelho-verde para o time editorial enxergar onde sangrar tempo de revisao.

Um caso pratico: cliente de e-commerce, 1.200 posts. Segmentei cohorts por trimestre e cruzei com tipo de pagina (PLP, PDP, blog editorial). A safra Q2/2024 de PDPs novas tinha LCP medio de 4.1s contra 2.3s das antigas - core web vitals mataram a curva de crescimento, conforme Core Web Vitals: alem do LCP, o que move o ponteiro. Trocamos o tema do servidor de imagens, recompilamos 340 paginas e a cohort recuperou trajetoria em 7 semanas. Sem o agrupamento por safra, teriamos atribuido a queda a sazonalidade ou a algum update vago de algoritmo. Cohort obriga voce a olhar para causas estruturais, nao narrativas.

Cohorts tambem servem para forecast honesto. Se cada safra historica atinge 70% do trafego de equilibrio na semana 14, voce pode projetar que os 80 posts publicados este trimestre devem somar X sessoes ate o fim do ano - matematica que detalho em Forecast de SEO: como projetar resultados com confianca. Combinado com benchmarks de CTR por posicao (Benchmark de CTR por posicao: dados atualizados de 2026) e dashboards segmentados (Dashboards de SEO: o que mostrar para CFO vs marketing), o cohort vira a base de qualquer conversa seria sobre ROI de conteudo. Para de discutir feeling, comeca a discutir curvas.

Takeaway pratico: pegue seus ultimos 18 meses de conteudo, agrupe por mes de publicacao, plote sessoes organicas por semana de vida e marque qual cohort esta abaixo da mediana na semana 12. Essas sao suas prioridades de auditoria amanha de manha - nao as paginas com queda absoluta, mas as safras inteiras que nunca decolaram. Cohort analysis nao e relatorio; e diagnostico.