(+351) 21 24 10006  ·  info@bconcepts.pt
Carnaxide, Lisboa

Como criar um indicador de vendas recorrentes em DAX: passo a passo

João Barros 07 de November de 2026 5 min de leitura

Este tutorial mostra como criar um indicador de vendas recorrentes em DAX para identificar clientes que compram regularmente — uma métrica muito útil para segmentação, retenção e campanhas de cross-sell. Vamos primeiro explicar o porquê: saber quais clientes têm comportamento recorrente ajuda a priorizar investimentos em retenção, estimar receita previsível e medir o impacto de iniciativas de fidelização. Depois, damos um exemplo prático passo a passo que inclui cálculo de recência, frequência e uma janela de recorrência; tudo pensado para ser simples de adaptar ao teu negócio.

Pré-requisitos

  • Power BI Desktop com um modelo simples: tabela Sales (CustomerID, OrderDate, SalesAmount) e tabela Customers (CustomerID). Podes também incluir OrderID se tiveres transacções detalhadas, mas não é obrigatório.
  • Conhecimentos básicos de DAX: medidas, CALCULATE, FILTER, ALL e RELATED não são necessários para seguir este tutorial, mas é útil saber o que é uma medida vs coluna.
  • Uma tabela de datas (Calendar) marcada como Date table e relacionada com Sales[OrderDate]. Isso permite usar funções temporais como DATESINPERIOD. A Calendar deve cobrir pelo menos o período histórico que queres analisar (ex.: 24 meses).

Passo 1: pensar o que é "recorrente"

Antes de escrever DAX é importante definir a regra de negócio. Não existe uma definição universal de "recorrente": depende do ciclo de compra do produto. Uma regra simples: um cliente é recorrente se tiver pelo menos N compras nos últimos M meses e a última compra for nos últimos X dias. Por exemplo, N=3 compras em M=6 meses e último pedido nos últimos X=30 dias é uma definição razoável para consumo mensal/subscrição de serviços. Para produtos de compra menos frequente podes ter N=2 em M=12 meses e X=90 dias. Define estes parâmetros com os stakeholders: marketing e vendas podem aceitar trade-offs (mais sensível = maior base de recorrentes; mais rígido = menor, mas mais fiável). É comum validar com amostras: esperar que 10–25% da base seja marcada como recorrente — se for 70% possivelmente a regra é demasiado permissiva.

Passo 2: criar medidas básicas de suporte

Criaremos medidas simples que ajudam a interpretar e depurar o resultado. Medidas de suporte facilitam testes com exemplos concretos e permitem criar segmentos adicionais (ex.: clientes inativos).

Sales Count = COUNTROWS(Sales)

Last Purchase Date = MAX(Sales[OrderDate])

Estas medidas mostram o nº total de linhas de vendas por contexto e a última data de compra por cliente. Numa tabela com Customers[CustomerID] podes ver rapidamente se a medida Last Purchase Date coincide com a realidade, e se Sales Count reflete transacções ou documentos (se 1 venda por OrderID, Sales Count poderá equivaler a nº de pedidos).

Passo 3: contar compras nos últimos M meses

Usa CALCULATE com DATESINPERIOD para contar transacções dentro da janela de M meses a partir da data actual do contexto. Esta medida devolve a frequência no período escolhido e deve ser testada com diferentes valores de M (3, 6, 12 meses).

Purchases Last 6 Months =
CALCULATE(
    COUNTROWS(Sales),
    DATESINPERIOD(
        Calendar[Date],
        MAX(Calendar[Date]),
        -6,
        MONTH
    )
)

Exemplo prático: numa base de 50.000 clientes, podes esperar que 4.000 tenham pelo menos 1 compra nos últimos 6 meses; se 1.200 tiverem ≥3 compras, isso dá 3% da base como recorrentes segundo N=3/M=6. Ajusta conforme os resultados e a expectativa do negócio.

Passo 4: calcular dias desde a última compra (recência)

Recência é crítica: um cliente pode ter comprado muito no passado mas estar inactivo hoje. Esta medida calcula quantos dias se passaram desde a última compra até à data no contexto do relatório (útil com um slicer de data).

Days Since Last Purchase =
VAR LastDate = CALCULATE(MAX(Sales[OrderDate]), ALL(Calendar))
VAR TodayContext = MAX(Calendar[Date])
RETURN
DATEDIFF(LastDate, TodayContext, DAY)

Se usares uma data de análise fixa (por exemplo, 2026-10-31), um cliente com última compra em 2026-10-15 terá Days Since Last Purchase = 16. Valores típicos de corte: X=30 para compras mensais; X=90 para compras trimestrais/anuais.

Passo 5: criar a medida final "Is Recurring Customer"

Agora combinamos as condições de frequência e recência. Devemos também considerar casos extremos: clientes sem compras devem resultar em 0 (ou FALSE). Retornamos 1/0 para facilitar agregações (SUM para contar recorrentes).

Is Recurring Customer =
VAR MinPurchases = 3
VAR WindowMonths = 6
VAR MaxDaysSince = 30
VAR PurchasesInWindow =
    CALCULATE(
        COUNTROWS(Sales),
        DATESINPERIOD(Calendar[Date], MAX(Calendar[Date]), -WindowMonths, MONTH)
    )
VAR DaysSince =
    VAR LastDate = CALCULATE(MAX(Sales[OrderDate]), ALL(Calendar))
    RETURN DATEDIFF(LastDate, MAX(Calendar[Date]), DAY)
RETURN
IF(PurchasesInWindow >= MinPurchases && DaysSince <= MaxDaysSince, 1, 0)

Notas práticas: ajusta MinPurchases, WindowMonths e MaxDaysSince com parâmetros do negócio. Para responder a perguntas de marketing, usa esta medida em cartões (ex.: SUM(Is Recurring Customer) mostra o total de clientes recorrentes no período).

Passo 6: usar o indicador no relatório

Arrasta Customers[CustomerID] para uma tabela no Power BI e adiciona a medida Is Recurring Customer. Cria um slicer por Calendar[Date] para simular diferentes datas de análise e valida o comportamento. Para sumarizar, usa SUM(Is Recurring Customer) ou COUNTROWS com um FILTER: por exemplo, um cartão com SUM(Is Recurring Customer) mostrará quantos clientes são recorrentes nesse contexto temporal.

Verificar o resultado

Confirma que o indicador funciona verificando exemplos conhecidos: escolhe um cliente com 4 compras nos últimos 6 meses e última compra há 10 dias — deve retornar 1. Testa clientes com compras únicas ou última compra há 90 dias — deve retornar 0. Valida também com amostras: verifica 20 clientes manualmente e calcula a percentagem que coincide com a classificação automática; se a taxa de erro for >10% provavelmente precisas ajustar a definição. Outra verificação útil é comparar receita média dos recorrentes vs não recorrentes: espera que recorrentes tenham CLV mais alto.

Conclusão

Com estas medidas tens um indicador simples e interpretável de clientes recorrentes em DAX. Próximos passos: transformar Is Recurring Customer numa coluna calculada para análise histórica, criar segmentos (alta/média/baixa recorrência) com SWITCH, ou incorporar SalesAmount para medir receita recorrente média. Dica final: testa sempre com exemplos reais no teu modelo e documenta a definição (N/M/X) para que todas as equipas apliquem a mesma lógica. Que regras achas mais úteis para o teu caso?