[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M79Z2PZAX6E4P9KZMK6H2E8F":3,"skill-same:01M79Z2PZAX6E4P9KZMK6H2E8F":53},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":30,"commitSha":31,"skillDirectory":32,"forksCount":33,"repositoryHtmlUrl":34,"repositoryHomepageUrl":6,"ownerHtmlUrl":35,"ownerBlogUrl":36,"ownerDescription":37,"updatedAt":38,"install":39,"resources":52},"01M79Z2PZAX6E4P9KZMK6H2E8F","ltv-calculation",null,"Ltv Calculation — Skill especializada para ltv calculation","diegojcn\u002Fagent-skill-pack","diegojcn","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F39829656?v=4","01M79YWFWBS7GQ1NC0FRSWE0QF","Diego Neves","01M79YWFWX7K7R5N28V61XYR6B",2,"MIT","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fanalytics-dados\u002Fltv-calculation\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: ltv-calculation\ndescription: \"Ltv Calculation — Skill especializada para ltv calculation\"\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Cafe Code AI\n  category: 15-analytics-dados\n  updated: 2026-03-01\nrisk: safe\n---\n\n# Ltv Calculation\n\nEsta skill capacita o Claude a calcular, analisar e otimizar o Lifetime Value (LTV) de clientes, integrando dados do Google Analytics 4 (GA4) para decisões estratégicas baseadas em dados.\n\n---\n\n## Keywords\n\n*   LTV Cálculo\n*   Lifetime Value\n*   GA4 LTV\n*   Custo de Aquisição de Cliente (CAC)\n*   Receita Média por Usuário (ARPU)\n*   Churn Rate\n*   Cohort Analysis\n*   Monetização Cliente\n*   Atribuição de LTV\n*   CLTV\n*   Engajamento Cliente\n\n---\n\n## Quick Start\n\n1.  Verifique a configuração de eventos de e-commerce (ex: `purchase`, `add_to_cart`) no GA4 para garantir a coleta correta de `value` e `currency`.\n2.  Ative a exportação de dados do GA4 para o BigQuery, garantindo que os eventos de usuário e compra estejam acessíveis para análise detalhada.\n3.  Execute uma query SQL no BigQuery para calcular o LTV histórico médio por coorte de aquisição, somando a receita de cada usuário ao longo do tempo.\n4.  Crie um dashboard no Looker Studio (ou Power BI\u002FTableau) conectando-o ao BigQuery para visualizar o LTV por canal, coorte e segmento de cliente.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Cálculo e Análise de LTV Histórico com GA4 e BigQuery\n\nEste workflow detalha o processo de extração e cálculo do Lifetime Value (LTV) de clientes usando dados brutos do Google Analytics 4 (GA4) exportados para o BigQuery, permitindo uma análise profunda por coortes.\n\n**Passo 1: Validação da Coleta de Dados de E-commerce no GA4**\nAntes de qualquer cálculo de LTV, é crucial que os eventos de e-commerce no GA4 estejam configurados corretamente. O evento `purchase` deve ser implementado com os parâmetros `value` (valor total da transação) e `currency` (moeda da transação).\n\n*   **Verificação no GA4 DebugView:** Realize uma compra de teste e monitore o DebugView no GA4 para confirmar que o evento `purchase` está sendo disparado com os parâmetros `value` (ex: `125.50`) e `currency` (ex: `BRL`).\n*   **Exemplo de GTM para GA4:**\n    ```javascript\n    \u002F\u002F Exemplo de Data Layer para evento de compra\n    window.dataLayer = window.dataLayer || [];\n    dataLayer.push({\n      event: \"purchase\",\n      ecommerce: {\n        transaction_id: \"T_12345\",\n        value: 125.50,\n        currency: \"BRL\",\n        tax: 10.00,\n        shipping: 5.00,\n        items: [\n          {\n            item_id: \"SKU_45678\",\n            item_name: \"Camiseta Premium\",\n            price: 70.00,\n            quantity: 1\n          },\n          {\n            item_id: \"SKU_90123\",\n            item_name: \"Calça Jeans\",\n            price: 55.50,\n            quantity: 1\n          }\n        ]\n      }\n    });\n    ```\n    Garanta que a tag de evento GA4 no GTM mapeie corretamente `ecommerce.value` para o parâmetro `value` do evento `purchase`.\n\n**Passo 2: Exportação e Acesso aos Dados do GA4 no BigQuery**\nAcesse o Google Cloud Console e configure o link entre sua propriedade GA4 e o BigQuery. Isso garantirá que os dados de eventos brutos sejam exportados diariamente para uma tabela no BigQuery (`seu_projeto.seu_dataset.events_YYYYMMDD`).\n\n*   **Verificação:** Após 24-48 horas da configuração, verifique a existência de tabelas `events_YYYYMMDD` no seu dataset do BigQuery.\n*   **Estrutura de Tabela:** Familiarize-se com a estrutura da tabela, em particular as colunas `user_pseudo_id` (identificador único do usuário), `event_timestamp` (carimbo de data\u002Fhora do evento) e `event_params` (array de parâmetros do evento, onde `value` e `currency` são armazenados).\n\n**Passo 3: Cálculo do LTV Histórico por Coorte no BigQuery**\nUtilize uma query SQL para identificar a primeira compra de cada usuário (definindo a coorte de aquisição) e, em seguida, somar todas as compras subsequentes feitas por esses usuários para calcular o LTV.\n\n*   **Definição de Coorte:** A coorte será definida pelo mês da primeira compra de cada `user_pseudo_id`.\n*   **Fórmula:** LTV de um cliente é a soma de todas as receitas geradas por ele ao longo de sua vida útil como cliente. Para um grupo (coorte), o LTV médio é `(Receita Total da Coorte) \u002F (Número de Clientes na Coorte)`.\n\n**Passo 4: Visualização do LTV em Dashboards no Looker Studio**\nConecte o Looker Studio (ou outra ferramenta de BI) à sua tabela de LTV calculada no BigQuery.\n\n*   **Gráfico de Linhas de LTV Cumulativo por Coorte:** Mostre a evolução do LTV médio de cada coorte ao longo do tempo (ex: LTV_30d, LTV_60d, LTV_90d). Isso revela o valor que os clientes de cada coorte geram nos primeiros meses.\n*   **Tabela de LTV por Mês de Aquisição:** Apresente o LTV médio de cada coorte, permitindo comparar a performance de aquisição ao longo do tempo.\n\n### Workflow 2: Atribuição de LTV e Otimização de Campanhas de Marketing\n\nEste workflow foca em como usar o LTV para entender a real contribuição de cada canal de marketing e otimizar o investimento em aquisição de clientes.\n\n**Passo 1: Seleção do Modelo de Atribuição no GA4**\nNo GA4, o modelo de atribuição padrão é \"Baseado em Dados\" (Data-Driven Attribution - DDA). Este modelo usa machine learning para distribuir o crédito de uma conversão entre os diferentes pontos de contato ao longo da jornada do cliente.\n\n*   **Acesso:** Navegue para **Administrador > Configurações de Atribuição** no GA4. Confirme que o modelo \"Baseado em Dados\" está selecionado e a \"Janela de Lookback\" para eventos de conversão está configurada (ex: 90 dias para aquisição).\n*   **Consideração:** Embora o DDA seja robusto, para análises específicas de LTV, pode ser útil comparar com modelos como \"Primeiro Clique\" ou \"Último Clique\" para entender a contribuição inicial versus a final.\n\n**Passo 2: Segmentação de Usuários por Canal de Aquisição no GA4**\nPara analisar o LTV por canal, você precisa identificar o canal que trouxe o usuário pela primeira vez. O GA4 oferece dimensões como `Primeiro grupo de canais padrão do usuário` (`first_user_default_channel_group`).\n\n*   **Relatórios GA4:** Utilize os relatórios de \"Aquisição de Usuários\" no GA4. Aplique filtros para analisar o LTV médio de usuários provenientes de \"Busca Orgânica\", \"Busca Paga\", \"Direto\", \"Mídia Social\", etc.\n*   **Criação de Segmentos:** Crie segmentos personalizados no GA4, por exemplo, \"Usuários Adquiridos via Google Ads\" usando a condição `Primeiro grupo de canais padrão do usuário` `exatamente corresponde` `Paid Search`.\n\n**Passo 3: Análise do LTV por Canal de Aquisição**\nExporte os dados segmentados do GA4 (ou use o BigQuery) para calcular o LTV médio para cada canal de aquisição.\n\n*   **Comparativo de LTV:**\n    *   **LTV Médio Google Ads (Search):** R$ 550,00\n    *   **LTV Médio Orgânico:** R$ 800,00\n    *   **LTV Médio Social Pago:** R$ 320,00\n    *   **LTV Médio Email Marketing:** R$ 680,00\n*   **Insight:** Clientes adquiridos via busca orgânica mostram um LTV 45% maior que os de busca paga, e 150% maior que os de social pago. Isso indica que, embora a busca paga traga volume, a orgânica atrai clientes de maior valor a longo prazo.\n\n**Passo 4: Otimização de Campanhas com Foco em LTV**\nUse os insights do LTV por canal para realocar orçamentos e otimizar estratégias de marketing.\n\n*   **Alocação de Orçamento:** Reduza o investimento em canais com LTV baixo (ex: Social Pago) e aumente em canais com LTV alto (ex: Orgânico, Email Marketing, ou segmentos específicos de Google Ads com LTV comprovado).\n*   **Otimização de Lances em Google Ads:** Em vez de otimizar apenas para CPA (Custo por Aquisição) ou ROAS (Retorno sobre Gasto com Anúncios) imediato, ajuste os lances considerando o LTV esperado do cliente. Se o LTV de clientes de uma campanha específica de Google Ads é R$ 1.200 e o CPA é R$ 200, é um canal lucrativo a longo prazo, mesmo que o ROAS imediato seja menor que outra campanha com LTV de R$ 400 e CPA de R$ 50.\n*   **Exemplo Prático:** Uma campanha de Google Ads para \"Comprar tênis de corrida\" tem um LTV médio de R$ 450,00. Uma campanha para \"Comprar tênis casual\" tem LTV de R$ 300,00. Priorize a otimização e o investimento na campanha de \"tênis de corrida\".\n\n---\n\n## Templates\n\n### Query SQL para LTV Histórico por Coorte (BigQuery GA4)\n\n```sql\nWITH UserFirstPurchase AS (\n  -- Identifica a data da primeira compra para cada usuário\n  SELECT\n    user_pseudo_id,\n    MIN(PARSE_DATE('%Y%m%d', event_date)) AS first_purchase_date\n  FROM\n    `seu_projeto.seu_dataset.events_*` -- Substitua pelo seu projeto e dataset\n  WHERE\n    event_name = 'purchase'\n    AND (SELECT ep.value.double_value FROM UNNEST(event_params) AS ep WHERE ep.key = 'value') IS NOT NULL -- Garante que o valor da compra existe\n  GROUP BY\n    user_pseudo_id\n),\nUserPurchases AS (\n  -- Agrega todas as compras por usuário com seus respectivos valores\n  SELECT\n    t1.user_pseudo_id,\n    PARSE_DATE('%Y%m%d', t1.event_date) AS purchase_date,\n    (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') AS purchase_value\n  FROM\n    `seu_projeto.seu_dataset.events_*` AS t1 -- Substitua pelo seu projeto e dataset\n  WHERE\n    t1.event_name = 'purchase'\n    AND (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') IS NOT NULL\n)\nSELECT\n  FORMAT_DATE('%Y-%m', ufp.first_purchase_date) AS acquisition_month, -- Mês de aquisição do cliente (primeira compra)\n  COUNT(DISTINCT ufp.user_pseudo_id) AS total_users_acquired, -- Número total de clientes na coorte\n  SUM(up.purchase_value) AS total_revenue_from_cohort, -- Receita total gerada por essa coorte\n  SUM(up.purchase_value) \u002F COUNT(DISTINCT ufp.user_pseudo_id) AS average_ltv_per_user_in_cohort -- LTV médio por cliente na coorte\nFROM\n  UserFirstPurchase AS ufp\nJOIN\n  UserPurchases AS up\n  ON ufp.user_pseudo_id = up.user_pseudo_id\nWHERE\n  up.purchase_date >= ufp.first_purchase_date -- Considera apenas compras feitas após a primeira compra\nGROUP BY\n  acquisition_month\nORDER BY\n  acquisition_month;\n```\n\n### Estrutura de Relatório LTV no Looker Studio\n\n```\nTítulo: Dashboard de Lifetime Value (LTV) - E-commerce Exemplo\nFonte de Dados: BigQuery (GA4 Export - Tabela de LTV Calculada)\n\nPágina 1: Visão Geral do LTV\n  - Cartão de Pontuação: LTV Médio Geral (Ex: R$ 650,00 - calculado pela média de 'average_ltv_per_user_in_cohort' do período)\n  - Gráfico de Linhas: LTV Cumulativo por Coorte (Mês de Aquisição)\n    - Dimensão: Mês de Aquisição ('acquisition_month')\n    - Métrica: LTV Médio (Cumulative) - Crie um campo calculado para somar o LTV médio ao longo dos meses.\n    - Exemplo de dados:\n      - Jan\u002F2023: LTV_30d R$180, LTV_60d R$250, LTV_90d R$310\n      - Fev\u002F2023: LTV_30d R$200, LTV_60d R$280, LTV_90d R$350\n  - Tabela: LTV por Mês de Aquisição e Período (30, 60, 90, 180 dias)\n    - Colunas: Mês de Aquisição, Total Clientes, LTV_30d, LTV_60d, LTV_90d, LTV_180d (necessita cálculo prévio no BigQuery ou campos calculados no Looker Studio)\n    - Exemplo de dados:\n      | Mês Aquisição | Total Clientes | LTV_30d | LTV_60d | LTV_90d | LTV_180d |\n      |---------------|----------------|---------|---------|---------|----------|\n      | 2023-01       | 1200           | R$180   | R$250   | R$310   | R$420    |\n      | 2023-02       | 1500           | R$200   | R$280   | R$350   | R$480    |\n  - Gráfico de Barras: Top 5 Canais de Aquisição por LTV\n    - Dimensão: Canal de Aquisição (GA4 First user default channel group, com LTV médio agregado)\n    - Métrica: LTV Médio\n    - Exemplo de dados: Orgânico (R$800), Email (R$680), Paid Search (R$550), Referral (R$400), Social Pago (R$320)\n\nPágina 2: LTV por Segmento\n  - Filtro: Categoria de Produto Mais Comprada (Ex: Roupas, Eletrônicos, Livros)\n  - Tabela: LTV por Gênero e Idade (se dados demográficos disponíveis e relevantes no GA4\u002FCRM)\n  - Gráfico de Pizza: Distribuição do LTV por Status de Cliente (Ex: Novo Cliente vs. Cliente Recorrente)\n  - Gráfico de Barras: Comparativo LTV entre Campanhas Específicas de Google Ads\n    - Dimensão: Nome da Campanha (ou ID da Campanha)\n    - Métrica: LTV Médio\n```\n\n---\n\n## Checklist\n\n- [x] Confirmar que o link GA4-BigQuery está ativo e exportando dados diários de eventos para `seu_projeto.seu_dataset.events_YYYYMMDD`.\n- [x] Validar a coleta de eventos `purchase` com os parâmetros `value` e `currency` no GA4 (via DebugView ou relatórios de eventos).\n- [x] Implementar uma lógica de coorte para agrupar usuários pela data de sua primeira compra ou interação mais significativa no BigQuery.\n- [x] Calcular o LTV histórico usando a soma cumulativa da receita líquida por usuário ao longo do tempo (considerando devoluções\u002Fcancelamentos).\n- [x] Segmentar usuários por `first_user_default_channel_group` ou `first_user_source\u002Fmedium` para analisar o LTV por canal de aquisição.\n- [x] Desenvolver um dashboard interativo no Looker Studio (ou ferramenta de BI similar) para monitorar o LTV por coorte, canal e outros segmentos.\n- [x] Analisar a relação entre Custo de Aquisição de Cliente (CAC) e LTV por canal para identificar oportunidades de otimização de investimento.\n- [x] Considerar a aplicação de modelos de LTV preditivo (ex: BG\u002FNBD, Gamma-Gamma) para estimar o valor futuro dos clientes.\n- [x] Criar alertas automatizados para quedas significativas no LTV médio de coortes recentes, indicando possíveis problemas de qualidade de aquisição ou retenção.\n- [x] Testar diferentes estratégias de retenção de clientes (ex: programas de fidelidade, automação de e-mail) e medir seu impacto direto no LTV.\n\n---\n\n## Métricas de Referência\n\n| Métrica                 | Benchmark (e-commerce médio) | Meta (e-commerce de alto crescimento) |\n|-------------------------|------------------------------|---------------------------------------|\n| LTV Médio (12 meses)    | R$ 300 - R$ 800              | R$ 900+                               |\n| Relação LTV:CAC         | 3:1                          | 4:1+                                  |\n| Ticket Médio (AOV)      | R$ 150 - R$ 250              | R$ 300+                               |\n| Taxa de Recompra (6 meses) | 20% - 35%                    | 40%+                                  |\n| Churn Rate Mensal       | 3% - 7%                      | 1% - 2%                               |\n| LTV por Canal (Paid Search) | R$ 400 - R$ 700              | R$ 800+                               |\n\n---\n\n## Erros Comuns\n\n1.  **Não considerar devoluções\u002Fcancelamentos no cálculo do LTV**: O LTV deve refletir a receita *líquida*. Muitos calculam o LTV somando todas as compras sem subtrair os valores de itens devolvidos ou pedidos cancelados.\n    *   **Como evitar**: Ao extrair dados do GA4 via BigQuery, inclua a lógica para identificar e subtrair o valor de eventos de `refund` ou ajustar o valor do `purchase` se a API de Measurement Protocol for usada para registrar devoluções. Certifique-se de que o `value` no evento `purchase` já seja líquido ou que as devoluções sejam tratadas como eventos separados com valores negativos.\n\n2.  **Usar apenas LTV histórico para decisões prospectivas**: O LTV histórico é uma métrica retrospectiva. Para otimizar lances de anúncios, prever rentabilidade de novos clientes ou alocar orçamento de marketing de forma eficiente, o LTV preditivo é mais adequado.\n    *   **Como evitar**: Complemente a análise de LTV histórico com um modelo de LTV preditivo (CLTV - Customer Lifetime Value). Isso pode ser feito com algoritmos de Machine Learning (ex: BG\u002FNBD para previsão de compras e Gamma-Gamma para previsão de valor) ou modelos estatísticos mais simples baseados em dados de coortes anteriores.\n\n3.  **Ignorar a segmentação detalhada do LTV**: Um LTV médio geral pode mascarar diferenças significativas entre segmentos de clientes, canais de aquisição ou categorias de produtos.\n    *   **Como evitar**: Sempre segmente o LTV por dimensões críticas como `first_user_default_channel_group`, tipo de produto da primeira compra, dados demográficos, comportamento de engajamento, etc. Exemplo: um LTV geral de R$ 500 pode esconder um LTV de R$ 1.200 para clientes de busca orgânica e R$ 250 para clientes de social pago, exigindo estratégias de investimento muito diferentes.\n\n4.  **Não vincular o LTV ao Custo de Aquisição de Cliente (CAC)**: Calcular o LTV isoladamente é menos acionável. A relação LTV:CAC é fundamental para avaliar a sustentabilidade e a lucratividade das estratégias de aquisição.\n    *   **Como evitar**: Sempre calcule o CAC por canal e compare-o com o LTV do mesmo canal. Uma relação LTV:CAC de 3:1 ou","# Ltv Calculation\n\nEsta skill capacita o Claude a calcular, analisar e otimizar o Lifetime Value (LTV) de clientes, integrando dados do Google Analytics 4 (GA4) para decisões estratégicas baseadas em dados.\n\n---\n\n## Keywords\n\n*   LTV Cálculo\n*   Lifetime Value\n*   GA4 LTV\n*   Custo de Aquisição de Cliente (CAC)\n*   Receita Média por Usuário (ARPU)\n*   Churn Rate\n*   Cohort Analysis\n*   Monetização Cliente\n*   Atribuição de LTV\n*   CLTV\n*   Engajamento Cliente\n\n---\n\n## Quick Start\n\n1.  Verifique a configuração de eventos de e-commerce (ex: `purchase`, `add_to_cart`) no GA4 para garantir a coleta correta de `value` e `currency`.\n2.  Ative a exportação de dados do GA4 para o BigQuery, garantindo que os eventos de usuário e compra estejam acessíveis para análise detalhada.\n3.  Execute uma query SQL no BigQuery para calcular o LTV histórico médio por coorte de aquisição, somando a receita de cada usuário ao longo do tempo.\n4.  Crie um dashboard no Looker Studio (ou Power BI\u002FTableau) conectando-o ao BigQuery para visualizar o LTV por canal, coorte e segmento de cliente.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Cálculo e Análise de LTV Histórico com GA4 e BigQuery\n\nEste workflow detalha o processo de extração e cálculo do Lifetime Value (LTV) de clientes usando dados brutos do Google Analytics 4 (GA4) exportados para o BigQuery, permitindo uma análise profunda por coortes.\n\n**Passo 1: Validação da Coleta de Dados de E-commerce no GA4**\nAntes de qualquer cálculo de LTV, é crucial que os eventos de e-commerce no GA4 estejam configurados corretamente. O evento `purchase` deve ser implementado com os parâmetros `value` (valor total da transação) e `currency` (moeda da transação).\n\n*   **Verificação no GA4 DebugView:** Realize uma compra de teste e monitore o DebugView no GA4 para confirmar que o evento `purchase` está sendo disparado com os parâmetros `value` (ex: `125.50`) e `currency` (ex: `BRL`).\n*   **Exemplo de GTM para GA4:**\n    ```javascript\n    \u002F\u002F Exemplo de Data Layer para evento de compra\n    window.dataLayer = window.dataLayer || [];\n    dataLayer.push({\n      event: \"purchase\",\n      ecommerce: {\n        transaction_id: \"T_12345\",\n        value: 125.50,\n        currency: \"BRL\",\n        tax: 10.00,\n        shipping: 5.00,\n        items: [\n          {\n            item_id: \"SKU_45678\",\n            item_name: \"Camiseta Premium\",\n            price: 70.00,\n            quantity: 1\n          },\n          {\n            item_id: \"SKU_90123\",\n            item_name: \"Calça Jeans\",\n            price: 55.50,\n            quantity: 1\n          }\n        ]\n      }\n    });\n    ```\n    Garanta que a tag de evento GA4 no GTM mapeie corretamente `ecommerce.value` para o parâmetro `value` do evento `purchase`.\n\n**Passo 2: Exportação e Acesso aos Dados do GA4 no BigQuery**\nAcesse o Google Cloud Console e configure o link entre sua propriedade GA4 e o BigQuery. Isso garantirá que os dados de eventos brutos sejam exportados diariamente para uma tabela no BigQuery (`seu_projeto.seu_dataset.events_YYYYMMDD`).\n\n*   **Verificação:** Após 24-48 horas da configuração, verifique a existência de tabelas `events_YYYYMMDD` no seu dataset do BigQuery.\n*   **Estrutura de Tabela:** Familiarize-se com a estrutura da tabela, em particular as colunas `user_pseudo_id` (identificador único do usuário), `event_timestamp` (carimbo de data\u002Fhora do evento) e `event_params` (array de parâmetros do evento, onde `value` e `currency` são armazenados).\n\n**Passo 3: Cálculo do LTV Histórico por Coorte no BigQuery**\nUtilize uma query SQL para identificar a primeira compra de cada usuário (definindo a coorte de aquisição) e, em seguida, somar todas as compras subsequentes feitas por esses usuários para calcular o LTV.\n\n*   **Definição de Coorte:** A coorte será definida pelo mês da primeira compra de cada `user_pseudo_id`.\n*   **Fórmula:** LTV de um cliente é a soma de todas as receitas geradas por ele ao longo de sua vida útil como cliente. Para um grupo (coorte), o LTV médio é `(Receita Total da Coorte) \u002F (Número de Clientes na Coorte)`.\n\n**Passo 4: Visualização do LTV em Dashboards no Looker Studio**\nConecte o Looker Studio (ou outra ferramenta de BI) à sua tabela de LTV calculada no BigQuery.\n\n*   **Gráfico de Linhas de LTV Cumulativo por Coorte:** Mostre a evolução do LTV médio de cada coorte ao longo do tempo (ex: LTV_30d, LTV_60d, LTV_90d). Isso revela o valor que os clientes de cada coorte geram nos primeiros meses.\n*   **Tabela de LTV por Mês de Aquisição:** Apresente o LTV médio de cada coorte, permitindo comparar a performance de aquisição ao longo do tempo.\n\n### Workflow 2: Atribuição de LTV e Otimização de Campanhas de Marketing\n\nEste workflow foca em como usar o LTV para entender a real contribuição de cada canal de marketing e otimizar o investimento em aquisição de clientes.\n\n**Passo 1: Seleção do Modelo de Atribuição no GA4**\nNo GA4, o modelo de atribuição padrão é \"Baseado em Dados\" (Data-Driven Attribution - DDA). Este modelo usa machine learning para distribuir o crédito de uma conversão entre os diferentes pontos de contato ao longo da jornada do cliente.\n\n*   **Acesso:** Navegue para **Administrador > Configurações de Atribuição** no GA4. Confirme que o modelo \"Baseado em Dados\" está selecionado e a \"Janela de Lookback\" para eventos de conversão está configurada (ex: 90 dias para aquisição).\n*   **Consideração:** Embora o DDA seja robusto, para análises específicas de LTV, pode ser útil comparar com modelos como \"Primeiro Clique\" ou \"Último Clique\" para entender a contribuição inicial versus a final.\n\n**Passo 2: Segmentação de Usuários por Canal de Aquisição no GA4**\nPara analisar o LTV por canal, você precisa identificar o canal que trouxe o usuário pela primeira vez. O GA4 oferece dimensões como `Primeiro grupo de canais padrão do usuário` (`first_user_default_channel_group`).\n\n*   **Relatórios GA4:** Utilize os relatórios de \"Aquisição de Usuários\" no GA4. Aplique filtros para analisar o LTV médio de usuários provenientes de \"Busca Orgânica\", \"Busca Paga\", \"Direto\", \"Mídia Social\", etc.\n*   **Criação de Segmentos:** Crie segmentos personalizados no GA4, por exemplo, \"Usuários Adquiridos via Google Ads\" usando a condição `Primeiro grupo de canais padrão do usuário` `exatamente corresponde` `Paid Search`.\n\n**Passo 3: Análise do LTV por Canal de Aquisição**\nExporte os dados segmentados do GA4 (ou use o BigQuery) para calcular o LTV médio para cada canal de aquisição.\n\n*   **Comparativo de LTV:**\n    *   **LTV Médio Google Ads (Search):** R$ 550,00\n    *   **LTV Médio Orgânico:** R$ 800,00\n    *   **LTV Médio Social Pago:** R$ 320,00\n    *   **LTV Médio Email Marketing:** R$ 680,00\n*   **Insight:** Clientes adquiridos via busca orgânica mostram um LTV 45% maior que os de busca paga, e 150% maior que os de social pago. Isso indica que, embora a busca paga traga volume, a orgânica atrai clientes de maior valor a longo prazo.\n\n**Passo 4: Otimização de Campanhas com Foco em LTV**\nUse os insights do LTV por canal para realocar orçamentos e otimizar estratégias de marketing.\n\n*   **Alocação de Orçamento:** Reduza o investimento em canais com LTV baixo (ex: Social Pago) e aumente em canais com LTV alto (ex: Orgânico, Email Marketing, ou segmentos específicos de Google Ads com LTV comprovado).\n*   **Otimização de Lances em Google Ads:** Em vez de otimizar apenas para CPA (Custo por Aquisição) ou ROAS (Retorno sobre Gasto com Anúncios) imediato, ajuste os lances considerando o LTV esperado do cliente. Se o LTV de clientes de uma campanha específica de Google Ads é R$ 1.200 e o CPA é R$ 200, é um canal lucrativo a longo prazo, mesmo que o ROAS imediato seja menor que outra campanha com LTV de R$ 400 e CPA de R$ 50.\n*   **Exemplo Prático:** Uma campanha de Google Ads para \"Comprar tênis de corrida\" tem um LTV médio de R$ 450,00. Uma campanha para \"Comprar tênis casual\" tem LTV de R$ 300,00. Priorize a otimização e o investimento na campanha de \"tênis de corrida\".\n\n---\n\n## Templates\n\n### Query SQL para LTV Histórico por Coorte (BigQuery GA4)\n\n```sql\nWITH UserFirstPurchase AS (\n  -- Identifica a data da primeira compra para cada usuário\n  SELECT\n    user_pseudo_id,\n    MIN(PARSE_DATE('%Y%m%d', event_date)) AS first_purchase_date\n  FROM\n    `seu_projeto.seu_dataset.events_*` -- Substitua pelo seu projeto e dataset\n  WHERE\n    event_name = 'purchase'\n    AND (SELECT ep.value.double_value FROM UNNEST(event_params) AS ep WHERE ep.key = 'value') IS NOT NULL -- Garante que o valor da compra existe\n  GROUP BY\n    user_pseudo_id\n),\nUserPurchases AS (\n  -- Agrega todas as compras por usuário com seus respectivos valores\n  SELECT\n    t1.user_pseudo_id,\n    PARSE_DATE('%Y%m%d', t1.event_date) AS purchase_date,\n    (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') AS purchase_value\n  FROM\n    `seu_projeto.seu_dataset.events_*` AS t1 -- Substitua pelo seu projeto e dataset\n  WHERE\n    t1.event_name = 'purchase'\n    AND (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') IS NOT NULL\n)\nSELECT\n  FORMAT_DATE('%Y-%m', ufp.first_purchase_date) AS acquisition_month, -- Mês de aquisição do cliente (primeira compra)\n  COUNT(DISTINCT ufp.user_pseudo_id) AS total_users_acquired, -- Número total de clientes na coorte\n  SUM(up.purchase_value) AS total_revenue_from_cohort, -- Receita total gerada por essa coorte\n  SUM(up.purchase_value) \u002F COUNT(DISTINCT ufp.user_pseudo_id) AS average_ltv_per_user_in_cohort -- LTV médio por cliente na coorte\nFROM\n  UserFirstPurchase AS ufp\nJOIN\n  UserPurchases AS up\n  ON ufp.user_pseudo_id = up.user_pseudo_id\nWHERE\n  up.purchase_date >= ufp.first_purchase_date -- Considera apenas compras feitas após a primeira compra\nGROUP BY\n  acquisition_month\nORDER BY\n  acquisition_month;\n```\n\n### Estrutura de Relatório LTV no Looker Studio\n\n```\nTítulo: Dashboard de Lifetime Value (LTV) - E-commerce Exemplo\nFonte de Dados: BigQuery (GA4 Export - Tabela de LTV Calculada)\n\nPágina 1: Visão Geral do LTV\n  - Cartão de Pontuação: LTV Médio Geral (Ex: R$ 650,00 - calculado pela média de 'average_ltv_per_user_in_cohort' do período)\n  - Gráfico de Linhas: LTV Cumulativo por Coorte (Mês de Aquisição)\n    - Dimensão: Mês de Aquisição ('acquisition_month')\n    - Métrica: LTV Médio (Cumulative) - Crie um campo calculado para somar o LTV médio ao longo dos meses.\n    - Exemplo de dados:\n      - Jan\u002F2023: LTV_30d R$180, LTV_60d R$250, LTV_90d R$310\n      - Fev\u002F2023: LTV_30d R$200, LTV_60d R$280, LTV_90d R$350\n  - Tabela: LTV por Mês de Aquisição e Período (30, 60, 90, 180 dias)\n    - Colunas: Mês de Aquisição, Total Clientes, LTV_30d, LTV_60d, LTV_90d, LTV_180d (necessita cálculo prévio no BigQuery ou campos calculados no Looker Studio)\n    - Exemplo de dados:\n      | Mês Aquisição | Total Clientes | LTV_30d | LTV_60d | LTV_90d | LTV_180d |\n      |---------------|----------------|---------|---------|---------|----------|\n      | 2023-01       | 1200           | R$180   | R$250   | R$310   | R$420    |\n      | 2023-02       | 1500           | R$200   | R$280   | R$350   | R$480    |\n  - Gráfico de Barras: Top 5 Canais de Aquisição por LTV\n    - Dimensão: Canal de Aquisição (GA4 First user default channel group, com LTV médio agregado)\n    - Métrica: LTV Médio\n    - Exemplo de dados: Orgânico (R$800), Email (R$680), Paid Search (R$550), Referral (R$400), Social Pago (R$320)\n\nPágina 2: LTV por Segmento\n  - Filtro: Categoria de Produto Mais Comprada (Ex: Roupas, Eletrônicos, Livros)\n  - Tabela: LTV por Gênero e Idade (se dados demográficos disponíveis e relevantes no GA4\u002FCRM)\n  - Gráfico de Pizza: Distribuição do LTV por Status de Cliente (Ex: Novo Cliente vs. Cliente Recorrente)\n  - Gráfico de Barras: Comparativo LTV entre Campanhas Específicas de Google Ads\n    - Dimensão: Nome da Campanha (ou ID da Campanha)\n    - Métrica: LTV Médio\n```\n\n---\n\n## Checklist\n\n- [x] Confirmar que o link GA4-BigQuery está ativo e exportando dados diários de eventos para `seu_projeto.seu_dataset.events_YYYYMMDD`.\n- [x] Validar a coleta de eventos `purchase` com os parâmetros `value` e `currency` no GA4 (via DebugView ou relatórios de eventos).\n- [x] Implementar uma lógica de coorte para agrupar usuários pela data de sua primeira compra ou interação mais significativa no BigQuery.\n- [x] Calcular o LTV histórico usando a soma cumulativa da receita líquida por usuário ao longo do tempo (considerando devoluções\u002Fcancelamentos).\n- [x] Segmentar usuários por `first_user_default_channel_group` ou `first_user_source\u002Fmedium` para analisar o LTV por canal de aquisição.\n- [x] Desenvolver um dashboard interativo no Looker Studio (ou ferramenta de BI similar) para monitorar o LTV por coorte, canal e outros segmentos.\n- [x] Analisar a relação entre Custo de Aquisição de Cliente (CAC) e LTV por canal para identificar oportunidades de otimização de investimento.\n- [x] Considerar a aplicação de modelos de LTV preditivo (ex: BG\u002FNBD, Gamma-Gamma) para estimar o valor futuro dos clientes.\n- [x] Criar alertas automatizados para quedas significativas no LTV médio de coortes recentes, indicando possíveis problemas de qualidade de aquisição ou retenção.\n- [x] Testar diferentes estratégias de retenção de clientes (ex: programas de fidelidade, automação de e-mail) e medir seu impacto direto no LTV.\n\n---\n\n## Métricas de Referência\n\n| Métrica                 | Benchmark (e-commerce médio) | Meta (e-commerce de alto crescimento) |\n|-------------------------|------------------------------|---------------------------------------|\n| LTV Médio (12 meses)    | R$ 300 - R$ 800              | R$ 900+                               |\n| Relação LTV:CAC         | 3:1                          | 4:1+                                  |\n| Ticket Médio (AOV)      | R$ 150 - R$ 250              | R$ 300+                               |\n| Taxa de Recompra (6 meses) | 20% - 35%                    | 40%+                                  |\n| Churn Rate Mensal       | 3% - 7%                      | 1% - 2%                               |\n| LTV por Canal (Paid Search) | R$ 400 - R$ 700              | R$ 800+                               |\n\n---\n\n## Erros Comuns\n\n1.  **Não considerar devoluções\u002Fcancelamentos no cálculo do LTV**: O LTV deve refletir a receita *líquida*. Muitos calculam o LTV somando todas as compras sem subtrair os valores de itens devolvidos ou pedidos cancelados.\n    *   **Como evitar**: Ao extrair dados do GA4 via BigQuery, inclua a lógica para identificar e subtrair o valor de eventos de `refund` ou ajustar o valor do `purchase` se a API de Measurement Protocol for usada para registrar devoluções. Certifique-se de que o `value` no evento `purchase` já seja líquido ou que as devoluções sejam tratadas como eventos separados com valores negativos.\n\n2.  **Usar apenas LTV histórico para decisões prospectivas**: O LTV histórico é uma métrica retrospectiva. Para otimizar lances de anúncios, prever rentabilidade de novos clientes ou alocar orçamento de marketing de forma eficiente, o LTV preditivo é mais adequado.\n    *   **Como evitar**: Complemente a análise de LTV histórico com um modelo de LTV preditivo (CLTV - Customer Lifetime Value). Isso pode ser feito com algoritmos de Machine Learning (ex: BG\u002FNBD para previsão de compras e Gamma-Gamma para previsão de valor) ou modelos estatísticos mais simples baseados em dados de coortes anteriores.\n\n3.  **Ignorar a segmentação detalhada do LTV**: Um LTV médio geral pode mascarar diferenças significativas entre segmentos de clientes, canais de aquisição ou categorias de produtos.\n    *   **Como evitar**: Sempre segmente o LTV por dimensões críticas como `first_user_default_channel_group`, tipo de produto da primeira compra, dados demográficos, comportamento de engajamento, etc. Exemplo: um LTV geral de R$ 500 pode esconder um LTV de R$ 1.200 para clientes de busca orgânica e R$ 250 para clientes de social pago, exigindo estratégias de investimento muito diferentes.\n\n4.  **Não vincular o LTV ao Custo de Aquisição de Cliente (CAC)**: Calcular o LTV isoladamente é menos acionável. A relação LTV:CAC é fundamental para avaliar a sustentabilidade e a lucratividade das estratégias de aquisição.\n    *   **Como evitar**: Sempre calcule o CAC por canal e compare-o com o LTV do mesmo canal. Uma relação LTV:CAC de 3:1 ou",{"name":5,"risk":24,"license":15,"metadata":25,"description":7},"safe",{"author":26,"updated":27,"version":28,"category":29},"Cafe Code AI",1772323200000,"1.0.0","15-analytics-dados","main","96f1c49829cef14a9744366f020b54c27ce1e8fc","analytics-dados\u002Fltv-calculation",0,"https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack","https:\u002F\u002Fgithub.com\u002Fdiegojcn","https:\u002F\u002Fbdconsult.net.br\u002F","Just a guy who believes anything is possible to do or learn.","2026-08-01 20:29:22",{"source":8,"skillName":5,"commands":40,"prompt":50,"zipAvailable":51},[41,44,47],{"tool":42,"command":43},"npx","npx skills add diegojcn\u002Fagent-skill-pack --skill ltv-calculation",{"tool":45,"command":46},"bunx","bunx skills add diegojcn\u002Fagent-skill-pack --skill ltv-calculation",{"tool":48,"command":49},"pnpm","pnpm dlx skills add diegojcn\u002Fagent-skill-pack --skill ltv-calculation","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fanalytics-dados\u002Fltv-calculation\u002FSKILL.md",true,[],[54,62,69,76,85,93],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":58,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":19},"01M7A5F6060M1CMYXA32MAB5YK","clarity-gate","Pre-ingestion verification for epistemic quality in RAG systems. Ensures documents are properly qualified before entering knowledge bases. Produces CGD (Clarity-Gated Documents) and validates SOT (Source of Truth) files.","CC-BY-4.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fworkflow\u002Fclarity-gate\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7A5B3X23ME7CTA3B29C18EN","skill-check","Validate Claude Code skills against the agentskills specification. Catches structural, semantic, and naming issues before users do.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fskill-check\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7A5B06YPKDW1NQQ1185MME5","peon-ping-use","Set which voice pack (character voice) plays for the current chat session. Automatically enables session_override rotation mode if not already set. Use when user wants a specific character voice like GLaDOS, Peon, or Kerrigan for this conversation.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fpeon-ping-use\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":81,"sourceHtmlUrl":82,"categories":83,"keywords":84,"publishedAt":19},"01M7A5A24ANPXAK25W1BZB18TX","mcp-builder","Guide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate exte...","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FSKILL.md",[],[],{"skillNo":86,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":89,"sourceHtmlUrl":90,"categories":91,"keywords":92,"publishedAt":19},"01M7A553V4A3J4YKMCE7PYQX8X","webapp-testing","Toolkit for interacting with and testing local web applications using Playwright. Supports verifying frontend functionality, debugging UI behavior, capturing browser screenshots, and viewing browse...","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FSKILL.md",[],[],{"skillNo":94,"name":95,"nameZh":6,"description":96,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":97,"categories":98,"keywords":99,"publishedAt":19},"01M7A53PZ7PJEMS2YVPJW3XN44","test-driven-development","TDD: enforce RED-GREEN-REFACTOR, tests before code.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Ftest-driven-development\u002FSKILL.md",[],[]]