Enciclopédia de KPIs: fórmulas e exemplos para analistas

KPIs são os indicadores que mostram se o negócio está indo bem, como ticket médio, churn, CAC, margem e NPS. Aqui estão 54 KPIs organizados por área, cada um com a fórmula, um exemplo com números e uma medida DAX ou consulta SQL para calcular no Power BI ou no banco de dados.

Por Felipy MoraisAnalista e engenheiro de dados, certificado Microsoft PL-300, DP-600 e DP-700

Publicado em 12 de novembro de 2026 · Atualizado em 12 de novembro de 2026

O que é um KPI

KPI (Key Performance Indicator) é o indicador escolhido para medir se um objetivo importante do negócio está sendo alcançado. Toda métrica mede alguma coisa; ela vira KPI quando está ligada a uma meta, tem um dono e ajuda a tomar uma decisão. Um bom painel tem poucos KPIs, cada um com fórmula clara, período definido e comparação com meta ou com o período anterior.

Esta enciclopédia traz 54 KPIs em 10 áreas. Para cada um: o que mede, a fórmula, um exemplo com números, se é melhor maior ou menor e uma medida DAX ou consulta SQL curta para calcular. É a mesma base usada na Enciclopédia de KPIs do jogo O Analista, na área do aluno da Educadados.

Como ler as fórmulas e os códigos

• Período: todo KPI precisa de um período (dia, mês, trimestre). Nos códigos, o período vem do filtro do relatório (DAX) ou de um WHERE na data (SQL).
• Divisão segura: no DAX, DIVIDE evita erro quando o denominador é zero. No SQL, multiplicar por 1.0 evita a divisão inteira, que arredondaria o resultado para zero.
• Nomes de tabelas: são ilustrativos. Troque pelos do seu modelo; o SQL segue o dialeto do SQL Server.
• Porcentagem: as fórmulas devolvem frações (0,15); formate como porcentagem no visual.

Vendas

Receita = SUM ( Vendas[Valor] )

Ticket Médio =
DIVIDE ( SUM ( Vendas[Valor] ), DISTINCTCOUNT ( Vendas[PedidoID] ) )

Conversão de Vendas =
DIVIDE (
    CALCULATE ( COUNTROWS ( Oportunidades ), Oportunidades[Status] = "Ganha" ),
    COUNTROWS ( Oportunidades )
)

% da Meta = DIVIDE ( SUM ( Vendas[Valor] ), SUM ( Metas[Valor] ) )

SELECT AVG(DATEDIFF(day, data_primeiro_contato, data_fechamento)) AS ciclo_dias
FROM oportunidades
WHERE status = 'ganha';

SELECT 1.0 * SUM(CASE WHEN pedidos > 1 THEN 1 ELSE 0 END) / COUNT(*) AS taxa_recompra
FROM (
    SELECT cliente_id, COUNT(*) AS pedidos
    FROM pedidos
    WHERE data_pedido >= '2026-07-01' AND data_pedido < '2026-10-01'
    GROUP BY cliente_id
) c;

Marketing

CAC =
DIVIDE ( SUM ( Investimento[Valor] ), DISTINCTCOUNT ( ClientesNovos[ClienteID] ) )

CPL = DIVIDE ( SUM ( Campanhas[Investimento] ), SUM ( Campanhas[Leads] ) )

ROI =
VAR investimento = SUM ( Campanhas[Investimento] )
RETURN DIVIDE ( SUM ( Campanhas[Retorno] ) - investimento, investimento )

ROAS = DIVIDE ( SUM ( Anuncios[Receita] ), SUM ( Anuncios[Gasto] ) )

CTR = DIVIDE ( SUM ( Anuncios[Cliques] ), SUM ( Anuncios[Impressoes] ) )

SELECT 1.0 * SUM(CASE WHEN aberto = 1 THEN 1 ELSE 0 END) / COUNT(*) AS taxa_abertura
FROM envios_email
WHERE entregue = 1;

Financeiro

Margem Líquida = DIVIDE ( SUM ( DRE[LucroLiquido] ), SUM ( DRE[Receita] ) )

Margem Bruta =
VAR receita = SUM ( Vendas[Valor] )
RETURN DIVIDE ( receita - SUM ( Vendas[Custo] ), receita )

SELECT SUM(CASE WHEN data_pagamento IS NULL AND vencimento < CAST(GETDATE() AS date)
                THEN valor ELSE 0 END) * 1.0 / SUM(valor) AS inadimplencia
FROM contas_receber;

EBITDA =
SUM ( DRE[LucroLiquido] ) + SUM ( DRE[ResultadoFinanceiro] ) + SUM ( DRE[Impostos] )
    + SUM ( DRE[Depreciacao] ) + SUM ( DRE[Amortizacao] )

SELECT AVG(DATEDIFF(day, data_venda, data_recebimento)) AS pmr_dias
FROM recebimentos;

Ponto de Equilíbrio =
VAR receita = SUM ( Vendas[Valor] )
VAR margemContribuicao = DIVIDE ( receita - SUM ( Vendas[CustoVariavel] ), receita )
RETURN DIVIDE ( SUM ( Custos[Fixo] ), margemContribuicao )

RH

Turnover =
DIVIDE ( COUNTROWS ( Desligamentos ), AVERAGE ( Headcount[Funcionarios] ) )

Absenteísmo = DIVIDE ( SUM ( Ponto[HorasAusencia] ), SUM ( Ponto[HorasPrevistas] ) )

SELECT AVG(DATEDIFF(day, data_abertura, data_aceite)) AS dias_para_contratar
FROM vagas
WHERE data_aceite IS NOT NULL;

SELECT 100.0 * (SUM(CASE WHEN nota >= 9 THEN 1 ELSE 0 END)
            - SUM(CASE WHEN nota <= 6 THEN 1 ELSE 0 END)) / COUNT(*) AS enps
FROM pesquisa_clima;

Horas de Treinamento por Pessoa =
DIVIDE ( SUM ( Treinamentos[Horas] ), DISTINCTCOUNT ( Funcionarios[FuncionarioID] ) )

Operações e logística

SELECT 1.0 * SUM(CASE WHEN data_entrega <= data_prometida AND qtd_entregue = qtd_pedida
                      THEN 1 ELSE 0 END) / COUNT(*) AS otif
FROM pedidos;

Lead Time (dias) =
AVERAGEX ( Pedidos, DATEDIFF ( Pedidos[DataPedido], Pedidos[DataEntrega], DAY ) )

Giro de Estoque =
DIVIDE (
    SUM ( Vendas[Custo] ),
    AVERAGEX ( VALUES ( Calendario[Mes] ), CALCULATE ( SUM ( Estoque[ValorFinal] ) ) )
)

SELECT 1.0 * SUM(CASE WHEN saldo <= 0 THEN 1 ELSE 0 END) / COUNT(*) AS ruptura
FROM estoque
WHERE ativo = 1;

Taxa de Devolução =
DIVIDE (
    CALCULATE ( COUNTROWS ( Pedidos ), Pedidos[Devolvido] = TRUE () ),
    CALCULATE ( COUNTROWS ( Pedidos ), Pedidos[Entregue] = TRUE () )
)

SELECT 1.0 * tempo_operando / tempo_planejado          -- disponibilidade
     * producao_real / producao_teorica               -- desempenho
     * pecas_boas / producao_real AS oee               -- qualidade
FROM producao_turno;

Atendimento e clientes

SELECT 100.0 * (SUM(CASE WHEN nota >= 9 THEN 1 ELSE 0 END)
            - SUM(CASE WHEN nota <= 6 THEN 1 ELSE 0 END)) / COUNT(*) AS nps
FROM respostas_nps;

CSAT =
DIVIDE (
    CALCULATE ( COUNTROWS ( Avaliacoes ), Avaliacoes[Nota] >= 4 ),
    COUNTROWS ( Avaliacoes )
)

-- clientes ativos em 1º/10 que cancelaram em outubro
SELECT 1.0 * COUNT(CASE WHEN data_cancelamento < '2026-11-01' THEN 1 END)
           / COUNT(*) AS churn
FROM assinaturas
WHERE data_inicio < '2026-10-01'
  AND (data_cancelamento IS NULL OR data_cancelamento >= '2026-10-01');

LTV =
VAR receitaMensal = AVERAGE ( Assinaturas[ValorMensal] )
VAR mesesMedios = AVERAGE ( Clientes[MesesAtivo] )
RETURN receitaMensal * mesesMedios

SELECT AVG(DATEDIFF(minute, aberto_em, primeira_resposta_em)) AS minutos_ate_responder
FROM chamados
WHERE primeira_resposta_em IS NOT NULL;

FCR =
DIVIDE (
    CALCULATE ( COUNTROWS ( Chamados ), Chamados[Contatos] = 1, Chamados[Resolvido] = TRUE () ),
    COUNTROWS ( Chamados )
)

SELECT SUM(duracao_segundos) / 60.0 / COUNT(*) AS tma_minutos
FROM atendimentos;

Produto digital

MRR = CALCULATE ( SUM ( Assinaturas[ValorMensal] ), Assinaturas[Status] = "Ativa" )

WITH dia AS (
    SELECT data, COUNT(DISTINCT usuario_id) AS dau
    FROM eventos
    WHERE data >= '2026-10-01' AND data < '2026-11-01'
    GROUP BY data
)
SELECT AVG(1.0 * dau) / (SELECT COUNT(DISTINCT usuario_id) FROM eventos
                         WHERE data >= '2026-10-01' AND data < '2026-11-01') AS dau_mau
FROM dia;

-- dos que entraram em março, quantos tiveram atividade a partir de junho
SELECT 1.0 * COUNT(DISTINCT CASE WHEN e.data >= '2026-06-01' THEN u.id END)
           / COUNT(DISTINCT u.id) AS retencao
FROM usuarios u
LEFT JOIN eventos e ON e.usuario_id = u.id
WHERE u.criado_em >= '2026-03-01' AND u.criado_em < '2026-04-01';

Abandono de Carrinho =
DIVIDE (
    CALCULATE ( COUNTROWS ( Carrinhos ), Carrinhos[Finalizado] = FALSE () ),
    COUNTROWS ( Carrinhos )
)

ARPU = DIVIDE ( SUM ( Vendas[Valor] ), DISTINCTCOUNT ( Atividade[UsuarioID] ) )

Conversão do Site =
DIVIDE ( DISTINCTCOUNT ( Vendas[PedidoID] ), SUM ( Trafego[Visitas] ) )

Varejo

Vendas por m² = DIVIDE ( SUM ( Vendas[Valor] ), SUM ( Lojas[AreaVendaM2] ) )

Conversão de Loja =
DIVIDE ( DISTINCTCOUNT ( Vendas[CupomID] ), SUM ( Fluxo[Visitantes] ) )

PA = DIVIDE ( SUM ( Vendas[Quantidade] ), DISTINCTCOUNT ( Vendas[CupomID] ) )

SSS % =
VAR corte = EDATE ( MAX ( Calendario[Data] ), -12 )
VAR lojasAntigas = CALCULATETABLE ( VALUES ( Lojas[LojaID] ), Lojas[DataAbertura] <= corte )
VAR atual = CALCULATE ( SUM ( Vendas[Valor] ), lojasAntigas )
VAR anterior = CALCULATE ( SUM ( Vendas[Valor] ), lojasAntigas, SAMEPERIODLASTYEAR ( Calendario[Data] ) )
RETURN DIVIDE ( atual - anterior, anterior )

Saúde

Ocupação de Leitos =
DIVIDE ( SUM ( Leitos[DiasOcupados] ), SUM ( Leitos[DiasDisponiveis] ) )

SELECT SUM(DATEDIFF(day, data_internacao, data_alta)) * 1.0 / COUNT(*) AS permanencia_media
FROM internacoes
WHERE data_alta IS NOT NULL;

No-show =
DIVIDE ( CALCULATE ( COUNTROWS ( Agenda ), Agenda[Status] = "Falta" ), COUNTROWS ( Agenda ) )

SELECT 1.0 * COUNT(DISTINCT a.internacao_id)
           / (SELECT COUNT(*) FROM internacoes WHERE data_alta IS NOT NULL) AS readmissao_30d
FROM internacoes a
JOIN internacoes b
  ON b.paciente_id = a.paciente_id
 AND b.data_internacao > a.data_alta
 AND b.data_internacao <= DATEADD(day, 30, a.data_alta);

Ocupação da Agenda =
DIVIDE (
    CALCULATE ( COUNTROWS ( Horarios ), Horarios[Status] = "Realizada" ),
    COUNTROWS ( Horarios )
)

Educação

SELECT 1.0 * SUM(CASE WHEN status = 'abandonou' THEN 1 ELSE 0 END) / COUNT(*) AS evasao
FROM matriculas;

Taxa de Conclusão =
DIVIDE (
    CALCULATE ( COUNTROWS ( Matriculas ), Matriculas[Status] = "Concluído" ),
    COUNTROWS ( Matriculas )
)

SELECT 1.0 * COUNT(DISTINCT a.aluno_id)
           / (SELECT COUNT(*) FROM matriculas WHERE status = 'ativa') AS engajamento_semanal
FROM atividades a
WHERE a.data >= DATEADD(day, -7, CAST(GETDATE() AS date));

Erros comuns ao calcular KPIs

1. Somar porcentagens. Taxas e médias não se somam entre meses ou lojas: recalcule a partir do numerador e do denominador do período inteiro.
2. Média de médias. O ticket médio do ano não é a média dos tickets de cada mês; é a receita do ano dividida pelos pedidos do ano.
3. Denominador errado. No churn, a base é quem estava ativo no início do período, não quem está ativo no fim.
4. KPI sem comparação. Um número sozinho não diz se está bom: compare com meta, período anterior ou média do setor.
5. Definição diferente em cada área. Documente a fórmula de cada KPI para que vendas, financeiro e diretoria falem do mesmo número.

Perguntas frequentes

Continue lendo

• Glossário de dados
• O que faz um analista de dados
• Como aprender Power BI do zero
• Como aprender SQL para análise de dados
• Curso de Power BI

Sobre o autor

Felipy Morais é analista e engenheiro de dados com mais de 6 anos de experiência, certificado Microsoft PL-300, DP-600 e DP-700 e Databricks Fundamentals. É fundador e instrutor da Educadados. Conheça a trajetória.