Dashboard E-commerce no Power BI: KPIs, layout e o que medir

Um dashboard e-commerce Power BI que só mostra faturamento não ajuda ninguém a vender mais#

Quase todo e-commerce que nos procura já exporta relatório da plataforma, olha o painel do Google Analytics e ainda pede um número no ERP. Três telas, três verdades, e ninguém consegue dizer com segurança quanto a loja realmente vendeu, quanto sobrou depois do frete e da devolução, e onde o cliente desiste no meio do caminho. Um dashboard e-commerce Power BI existe justamente para acabar com esse quebra-cabeça: juntar pedido, comportamento de navegação e custo em um modelo só, para que faturamento, margem e funil sejam lidos com o mesmo filtro e a mesma data.

Este artigo é prático e opinativo. Vou tratar dos KPIs que sustentam o painel (GMV, taxa de conversão, ticket médio, carrinho abandonado, CAC e LTV, frete, taxa de devolução e funil), de como o layout muda conforme quem abre a tela, de onde o dado vem (plataforma de e-commerce, Google Analytics e ERP contam partes diferentes da mesma operação) e das medidas DAX que fazem conversão e ticket médio funcionarem sem gambiarra. Nada de tela cheia de gráfico bonito que ninguém usa para decidir.

Os KPIs de e-commerce que importam cabem em oito medidas#

O erro clássico é achar que mais indicador é sinônimo de painel melhor. É o contrário. Um bom dashboard de e-commerce se apoia em um núcleo pequeno e estável de KPIs, cada um respondendo a uma pergunta clara, e todo o resto é detalhamento por categoria, canal ou período. Estes são os oito que consideramos o mínimo de um painel que presta.

KPI	O que responde	Como se lê
GMV	Quanto a loja vendeu em valor bruto	Soma do valor dos pedidos no período
Taxa de conversão	Quantas visitas viram pedido	Pedidos dividido por sessões
Ticket médio	Quanto vale cada pedido	Receita dividida por número de pedidos
Carrinho abandonado	Onde o cliente desiste de comprar	Carrinhos criados que não viraram pedido
CAC	Quanto custa conquistar um cliente	Investimento de marketing por cliente novo
LTV	Quanto um cliente vale ao longo do tempo	Margem acumulada por cliente na base
Frete	Quanto o envio come da margem	Custo de frete sobre receita ou por pedido
Taxa de devolução	Quanto da venda volta	Pedidos devolvidos sobre pedidos faturados

Repare que nenhum desses KPIs vive sozinho. GMV sem taxa de devolução engana, porque parte do que foi vendido volta e nunca virou receita. Ticket médio sem frete esconde margem, já que um pedido de valor alto com frete subsidiado pode dar prejuízo. CAC sem LTV é meio número: importa pouco gastar R$ 80 para conquistar um cliente se você não sabe quanto ele deixa na loja depois. O valor do painel está no cruzamento, e é isso que separa um relatório que descreve de um que orienta decisão. Antes de desenhar qualquer tela, a gente fecha com o cliente qual pergunta cada KPI responde, porque indicador sem pergunta é enfeite.

Um ponto de honestidade sobre GMV: ele é o número que todo mundo gosta de citar e o que mais mente. GMV é valor bruto, antes de cancelamento, devolução e, dependendo da operação, antes até do que efetivamente foi pago. Se o painel mostra só GMV como se fosse receita, a diretoria comemora um resultado que a contabilidade não reconhece. Por isso a gente sempre coloca GMV e receita líquida lado a lado, com a devolução explicando a diferença.

O funil de e-commerce mostra onde o dinheiro escapa#

O funil é o coração de um painel de e-commerce, e é onde o Power BI ganha da tela nativa da plataforma. Cada etapa perde gente, e o trabalho do time é saber em qual degrau a queda é maior que o normal, porque ali mora a receita que está escapando.

Etapa do funil	O que mede	Fonte principal
Sessões	Quantas visitas a loja recebeu	Google Analytics
Visualização de produto	Quem olhou pelo menos um item	Google Analytics
Adição ao carrinho	Quem demonstrou intenção de compra	Google Analytics
Início de checkout	Quem começou a finalizar	Plataforma de e-commerce
Pedido concluído	Quem de fato comprou	Plataforma de e-commerce
Pedido faturado	O que a operação reconhece como venda	ERP

Ler o funil por taxa de passagem entre etapas, e não só pelo volume absoluto, é o que torna o painel acionável. Uma queda forte entre adição ao carrinho e início de checkout aponta para frete alto ou cadastro burocrático. Uma queda entre início e conclusão do checkout aponta para pagamento recusado ou falta de opção de parcelamento. O carrinho abandonado é exatamente esse vão entre intenção e conclusão, e é um dos poucos KPIs que se paga sozinho: recuperar uma fração dele com e-mail ou remarketing costuma render mais que campanha nova. Painel bom não conserta o processo de compra bagunçado, ele expõe o degrau onde o cliente desiste.

O layout muda conforme quem abre o painel#

Este é o ponto que mais gera discussão em projeto de e-commerce, e onde mais se ganha quando é bem resolvido. Diretoria, marketing e operação não querem a mesma tela. Tentar servir os três com uma página só produz um painel raso demais para o gestor de tráfego e detalhado demais para o sócio. A solução não é fazer três painéis desconectados, é construir um modelo único com camadas de leitura, navegando do resumo para o detalhe.

Público	Pergunta central	Nível de detalhe
Diretoria	Estamos crescendo com margem saudável	GMV, receita líquida, margem, tendência
Marketing	Qual canal traz cliente que compra e volta	Conversão, CAC, LTV, funil por canal
Operação	O frete e a devolução estão sob controle	Frete por região, devolução por motivo, prazo

A diretoria abre o painel para saber se a loja cresce com margem, não só em volume. Ela quer GMV contra receita líquida, tendência ao longo do tempo, comparação com o ano anterior e a relação CAC contra LTV, que diz se o crescimento é sustentável ou comprado a prejuízo. Pouca coisa na tela, tudo agregado, leitura de dez segundos.

O marketing vive na camada do meio. Precisa de conversão por canal, CAC por origem de campanha, funil detalhado e o comportamento de quem chega pago contra quem chega orgânico, porque o trabalho dele é decidir onde colocar a próxima verba. É a página mais rica do painel, e a que mais usa segmentação por período e por canal.

A operação quer frete, devolução e prazo. Frete por região e por transportadora, taxa de devolução por motivo e por categoria de produto, tempo entre pedido e entrega. É a camada que mais impacta margem e que costuma ser a mais ignorada nos painéis prontos que vêm da plataforma. Esse desenho por público, com uma base sólida por trás, é o que a gente entrega em projetos de dashboards e em consultoria de Power BI, e é o que faz o painel ser usado de verdade em vez de virar um print no grupo do WhatsApp.

Plataforma, Google Analytics e ERP contam partes diferentes da mesma operação#

Aqui está a origem de metade dos problemas de dado em painel de e-commerce. A venda não nasce inteira em um sistema só, e o grande desafio do projeto é unificar o pedido com o comportamento de navegação. A plataforma de e-commerce registra o pedido: itens, valor, status, cliente, forma de pagamento e frete cobrado. O Google Analytics registra o comportamento: sessões, origem do tráfego, produtos vistos, carrinho e cada etapa do funil antes da compra. O ERP registra a consequência financeira: faturamento, custo do produto, frete efetivamente pago, devolução e a receita que a contabilidade reconhece.

Dado	Plataforma	Google Analytics	ERP
Sessões e origem do tráfego	Não	Sim	Não
Funil de navegação e carrinho	Não	Sim	Não
Pedido, itens e status	Sim	Não	Não
Frete cobrado e forma de pagamento	Sim	Não	Parcial
Custo do produto e frete pago	Não	Não	Sim
Devolução e receita líquida	Parcial	Não	Sim

Um painel de e-commerce completo precisa dos três. Conversão, CAC e o topo do funil saem do Google Analytics. GMV, ticket médio e carrinho abandonado saem da plataforma. Frete real, margem, LTV e devolução saem do ERP. Fazer isso conversar exige unificar o pedido, que tem identificador na plataforma e no ERP, com a sessão de navegação, que vive no Analytics e nem sempre carrega o mesmo identificador de cliente. Essa costura entre pedido e comportamento é o trabalho difícil, e quase nunca sai de primeira. Quando alguém promete um painel de e-commerce "só plugando a plataforma" e ignora Analytics e ERP, a conversão vai estar sem numerador confiável e a margem vai estar errada, garantido.

A ordem que seguimos é sempre a mesma: extrair e tratar cada fonte em uma camada confiável, resolver as chaves de pedido e de cliente, montar um modelo estrela com uma fato de pedidos, uma fato de sessões e as dimensões de calendário, cliente, produto e canal, e só então escrever as medidas. Empilhar DAX sobre o CSV bruto da plataforma é a receita de um painel lento e de número que não bate na reunião. Essa costura entre fontes é o núcleo do que fazemos em engenharia de dados, e é o que sustenta um painel que a operação confia.

Conversão e ticket médio se resolvem com DIVIDE e contexto de filtro#

A boa notícia é que o coração de um painel de e-commerce se escreve com um punhado de funções bem usadas. A regra de ouro é: toda razão em DAX usa DIVIDE, nunca o operador de barra, porque em e-commerce o denominador zera o tempo todo (um dia sem sessão, uma categoria sem pedido, um canal recém-criado). O DIVIDE trata o zero e não contamina o total com erro.

Ticket médio é receita sobre número de pedidos distintos:

Ticket Médio =
DIVIDE ( [Receita Líquida], DISTINCTCOUNT ( Pedidos[PedidoID] ) )

Taxa de conversão é pedido sobre sessão, e o cuidado aqui é que numerador e denominador vêm de fatos diferentes (pedido da plataforma, sessão do Analytics), então as duas medidas precisam responder ao mesmo contexto de calendário e canal:

Taxa de Conversão =
DIVIDE ( DISTINCTCOUNT ( Pedidos[PedidoID] ), [Sessões] )

A taxa de devolução segue a mesma lógica, comparando o que voltou com o que foi faturado:

Taxa de Devolução =
DIVIDE ( [Pedidos Devolvidos], [Pedidos Faturados] )

Comparar com o ano anterior, base de qualquer leitura de tendência, é CALCULATE alterando o contexto de tempo sobre uma tabela de datas própria:

GMV Ano Anterior =
CALCULATE ( [GMV], SAMEPERIODLASTYEAR ( Calendario[Data] ) )

Duas boas práticas que economizam muito retrabalho: nunca hardcode valor de frete, meta ou custo dentro da medida, e sempre trate o denominador com DIVIDE. Cada medida deve responder em qualquer nível de filtro, do total da loja a uma categoria específica, sem precisar de uma versão diferente por tela. CAC e LTV pedem um cuidado extra, porque o investimento de marketing e a margem acumulada vivem em grãos diferentes do pedido, e isso é modelagem antes de ser DAX. Quem quiser aprofundar a parte de medidas encontra o passo a passo no nosso guia de modelagem e boas práticas de DAX.

Perguntas frequentes#

Quais KPIs não podem faltar em um dashboard e-commerce Power BI? O núcleo mínimo é GMV, taxa de conversão, ticket médio, carrinho abandonado, CAC, LTV, frete e taxa de devolução, mais o funil que amarra tudo. Esses respondem à maioria das perguntas de uma loja online. Tudo além disso costuma ser detalhamento por categoria, canal ou período, não um novo indicador. Encher a tela de KPI é o caminho mais rápido para um painel que ninguém abre para decidir.

Qual a diferença entre GMV e receita no painel? GMV é o valor bruto dos pedidos, antes de cancelamento, devolução e às vezes até antes do pagamento confirmado. Receita líquida é o que sobra depois de tirar tudo isso, e é o número que a contabilidade reconhece. Mostrar só GMV faz a diretoria comemorar um resultado que não bate no caixa. Por isso os dois andam juntos no painel, com a taxa de devolução explicando o buraco entre eles.

Preciso integrar plataforma, Google Analytics e ERP ou dá para usar só um? Precisa dos três para um painel completo. O Google Analytics tem sessão, origem de tráfego e o topo do funil. A plataforma tem pedido, ticket médio e carrinho abandonado. O ERP tem frete real, custo, margem e devolução. Conversão sem Analytics e margem sem ERP não existem. O trabalho difícil é unificar o pedido com o comportamento de navegação, o que exige modelagem e integração, não um conector plugado direto na tela.

Como calculo a taxa de conversão se pedido e sessão vêm de sistemas diferentes? Você modela uma fato de pedidos (da plataforma) e uma fato de sessões (do Analytics), ambas ligadas ao mesmo calendário e à mesma dimensão de canal. A medida de conversão usa DIVIDE entre a contagem de pedidos e a de sessões, e como as duas respondem ao mesmo contexto de filtro, a conversão funciona por dia, por canal ou por categoria sem lógica extra. O segredo está no modelo, não na fórmula.

Vale a pena medir carrinho abandonado no Power BI se a plataforma já mostra? Vale, porque no Power BI você cruza o abandono com frete, canal e categoria, coisa que a tela nativa da plataforma não faz. Saber que 60% dos carrinhos caem é pouco útil. Saber que eles caem mais em uma faixa de frete ou em uma categoria específica aponta a ação. E o carrinho abandonado é um dos KPIs que mais se pagam, porque recuperar uma fatia dele custa menos que trazer visita nova.

Como o painel ajuda a decidir onde investir marketing? Cruzando CAC com LTV por canal. O painel mostra quanto custa conquistar um cliente em cada origem e quanto esse cliente deixa na loja ao longo do tempo. Um canal com CAC baixo mas cliente que não volta pode valer menos que um canal caro com cliente fiel. Sem esse cruzamento, a verba vai para o canal que traz mais clique, não para o que traz mais lucro.

Conclusão#

Um painel de e-commerce que presta não é o que tem mais gráfico, é o que responde rápido às perguntas certas para cada público: a diretoria vê se cresce com margem, o marketing vê onde investir, a operação vê frete e devolução sob controle. Isso exige KPIs escolhidos com critério, a costura honesta entre plataforma, Google Analytics e ERP, layout em camadas e DAX bem escrito com DIVIDE e CALCULATE. Se a sua loja quer transformar dado espalhado em decisão de verdade, e não em três telas que se contradizem, fale com a gente.