Como um e-commerce usou analytics para escalar de R$ 200k para R$ 800k/mês sem aumentar time

Em março de 2024, um e-commerce de moda feminina nos procurou com um problema familiar: faturamento de R$ 200k/mês, time enxuto de 6 pessoas, e uma sensação crescente de que estavam trabalhando no limite sem conseguir crescer. O dono sabia que a operação tinha potencial — mas não sabia por onde escalar sem contratar mais gente e aumentar proporcionalmente os custos.

Oito meses depois, o faturamento estava em R$ 800k/mês. O time continuava com 6 pessoas. Este é o relato detalhado de como chegamos lá.

O cenário inicial: crescimento travado por falta de visibilidade

Quando chegamos, encontramos uma situação típica de e-commerces em crescimento acelerado: dados espalhados em sete lugares diferentes. Shopify para pedidos, Meta Ads e Google Ads para mídia paga, uma planilha do Google para controle de estoque, outra para DRE, o WhatsApp Business para atendimento e um sistema próprio de fidelidade para os clientes recorrentes.

Cada semana, alguém do time passava três a quatro horas consolidando esses dados em um relatório que chegava à liderança na segunda-feira — com dados de até 10 dias antes. As decisões de campanha, de reposição de estoque e de precificação eram tomadas com esse defasagem.

"Eu sabia que tinha dados. Só não sabia onde estavam nem se eram confiáveis. Tomava decisões grandes com a sensação de estar no escuro." — Diretor da operação

Fase 1 — Diagnóstico e mapeamento (semanas 1 e 2)

O primeiro passo foi o Diagnóstico de Maturidade Analítica. Mapeamos todas as fontes de dados disponíveis, identificamos quais dados eram confiáveis, quais precisavam de limpeza e quais simplesmente não existiam mas eram necessários para as decisões críticas do negócio.

O diagnóstico revelou três gargalos prioritários:

1. Ausência de atribuição de canais: não havia forma de saber qual canal (Meta, Google, orgânico, e-mail) gerava cada venda. Todo investimento era gerenciado "no feeling".
2. Estoque desconectado do comportamento de compra: reposições eram feitas com base em quantidade, não em margem ou velocidade de giro. Produtos campeões de margem ficavam sem estoque enquanto produtos de baixa performance ocupavam capital.
3. Sem visibilidade de LTV por segmento: não havia distinção entre clientes que compram uma vez e clientes que voltam todo mês. O investimento em retenção era zero porque não havia dados para embasar a decisão.

Fase 2 — Integração de dados (semanas 3 a 6)

Com o diagnóstico em mãos, construímos um pipeline de dados que conectou todas as sete fontes a um data warehouse centralizado. A integração incluiu:

• Shopify → histórico completo de pedidos, clientes e produtos
• Meta Ads + Google Ads → investimento, impressões, cliques e conversões por campanha
• Google Analytics 4 → comportamento de navegação e funil de conversão no site
• Sistema de fidelidade → frequência de compra e histórico por cliente
• Planilha de DRE → custos por categoria para cálculo de margem real por SKU

Toda essa estrutura foi conectada ao Looker Studio, gerando um painel que o time passou a acessar em tempo real, de qualquer dispositivo.

Fase 3 — Os painéis que mudaram as decisões

Painel 1: Atribuição de receita por canal

Pela primeira vez, a operação conseguiu ver quanto cada real investido em Meta Ads e Google Ads retornava em receita — por campanha, por público e por produto. O resultado imediato: identificação de duas campanhas de Google Ads com ROAS negativo que consumiam 23% do orçamento de mídia. Esse orçamento foi realocado para as campanhas com melhor desempenho.

Painel 2: Margem e giro por SKU

Com custo por produto integrado ao volume de vendas, criamos um quadrante de performance: alta margem / alto giro (produtos estrela), alta margem / baixo giro (oportunidade de push), baixa margem / alto giro (atenção ao custo) e baixa margem / baixo giro (candidatos a descontinuação).

Descobrimos que 18% dos SKUs do catálogo geravam 67% da margem total. A decisão foi simples: priorizar esses produtos em campanhas, garantir estoque permanente e eliminar gradualmente os SKUs da última categoria.

Painel 3: Segmentação de clientes por LTV

Com o histórico de compras estruturado, calculamos o LTV real por segmento e identificamos três perfis distintos: clientes de alto valor (compras recorrentes de alto ticket), clientes ocasionais (uma a duas compras por ano) e clientes de única compra. Cada perfil recebeu uma estratégia diferente de comunicação e oferta.

O que realmente causou o crescimento

É tentador atribuir o resultado a uma única iniciativa — a integração de dados, o novo painel de BI, a estratégia de segmentação. Na prática, o crescimento foi resultado de um efeito cumulativo: cada decisão melhor, embasada em dados reais e atualizados, gerou um resultado ligeiramente melhor. Dezenas dessas pequenas melhorias, ao longo de oito meses, compuseram um salto de 4x na receita.

O mais importante: sem a estrutura de dados, nenhuma dessas decisões seria possível. Não porque a liderança fosse incompetente — mas porque simplesmente não havia informação disponível para tomar essas decisões com confiança.

O que você pode replicar no seu e-commerce

Os princípios aplicados nesse projeto funcionam para qualquer e-commerce com faturamento acima de R$ 100k/mês e pelo menos três fontes de dados diferentes. O ponto de partida é sempre o mesmo: entender onde seus dados estão, quais são confiáveis e quais decisões críticas estão sendo tomadas sem informação adequada.

Se você reconheceu o cenário inicial neste artigo, o Diagnóstico de Maturidade Analítica da HFF Solutions é o passo zero — gratuito, em 5 minutos, com retorno personalizado em até 24 horas.