A terceira temporada do “Estrelas da Casa” acabou de entrar para o livro de recordes — pelo motivo errado. Segundo o Purepeople.com.br, a Globo escalou Anitta, Belo e Júnior Lima, trouxe o Rouge de volta à cena e reformulou completamente o formato. Resultado? Pior estreia da história do reality: 11,6 pontos na Grande São Paulo. Mais da metade do público que assistia à novela anterior simplesmente evaporou na transição para o programa musical.
Se você trabalha com produto digital, software ou qualquer coisa que tenha métricas de retenção, esse caso é aula gratuita sobre como errar feio mesmo com todos os ingredientes “certos” na mesa.
Por que mudanças cosméticas não salvam um produto em queda
Na minha experiência lançando features em produção, vejo esse padrão se repetir com frequência. O time identifica um problema de engajamento e a solução imediata é trocar a marca, contratar um rosto famoso, fazer uma campanha agressiva. É a versão corporativa de “coloca uma celebridade que resolve”.
O que a Globo fez foi um rebranding completo:
- Mudou o nome do programa (de “Estrela da Casa” para “Estrelas da Casa”)
- Abandonou a competição individual e adotou formação de bandas
- Contratou mentores famosos com alto recall de público
- Apostou em nostalgia (Rouge) para gerar buzz antes da estreia
Trocou a embalagem. Só que o produto continua o mesmo — e o público percebeu. Os 24 pontos da novela despencaram para 11,6. Isso é uma retenção de 48,3%, ou em linguagem de startup, um churn de mais de 50% na transição entre faixas.
O paralelo técnico: aquisição não é a mesma coisa que engajamento
Quem programa SaaS, apps mobile ou produtos digitais conhece bem essa distinção. Você pode ter um CAC (custo de aquisição) absurdamente alto, com campanhas milionárias e nomes famosos endossando seu produto. Mas se a retenção no primeiro uso for pífia, todo o investimento evapora antes do segundo ciclo.
No caso da Globo, a “campanha de aquisição” foi:
- Tráfego pago massivo na divulgação
- Recall de marca via Rouge (nostalgia dos anos 2000)
- Celebridades com milhões de seguidores compartilhando a novidade
O problema é que o core do produto — o formato do reality — continua confuso. Quem acompanhou o programa desde 2024 lembra que a regra de “competição musical com convivência BBB” foi mal explicada nas temporadas anteriores. Mudar os figurinos não conserta a raiz do problema. É a mesma coisa que refatorar a camada de apresentação de um sistema mantendo a regra de negócio bugada por baixo.
A armadilha do “efeito de novidade”
Quando lançamos uma feature nova em um sistema legado, costuma aparecer aquele pico inicial de adoção. Os early adopters experimentam. Mas se a curva de retenção cai rápido, você não tem tração — tem hype. No mundo do streaming e do broadcast, isso se chama “efeito curiosidade”: as pessoas ligam para ver como ficou, não porque o conteúdo as prendeu. E o Ibope mede isso com crueldade.
Na Prática: medindo retenção como quem mede Ibope
Quando analiso métricas de produto, uso uma lógica parecida com a do Ibope. Comparo o volume de usuários em um ponto com o volume no ponto seguinte. Se a queda é maior que 30%, acendo o alerta vermelho. Veja como isso sai em código e como ele se aplica tanto ao caso da Globo quanto a um SaaS real:
# retention_metrics.py
# Calcula retenção entre faixas (modelo Ibope aplicado a produto digital)
def calculate_retention(previous_metric, current_metric):
if previous_metric == 0:
return 0
return (current_metric / previous_metric) * 100
def diagnose_drop(retention_rate):
if retention_rate >= 80:
return "✅ Saudável"
elif retention_rate >= 60:
return "⚠️ Atenção"
elif retention_rate >= 50:
return "🔴 Crítico"
else:
return "💀 Colapso"
# Caso real: Estrelas da Casa (Fonte: Purepeople via Notícias da TV)
quem_ama_cuida = 24.0 # pontos na Grande SP (novela anterior)
estrelas_casa = 11.6 # pontos na estreia do reality
retention = calculate_retention(quem_ama_cuda := quem_ama_cuida, estrelas_casa)
print(f"Retenção: {retention:.1f}%")
print(f"Diagnóstico: {diagnose_drop(retention)}")
# Exemplo aplicado a SaaS
# usuarios_ativos_segunda = 1000
# usuarios_ativos_terca = 480
# retention_saas = calculate_retention(1000, 480)
# print(f"Retenção D1: {retention_saas:.1f}%") # 48.0% 💀 Colapso
# Output real:
# Retenção: 48.3%
# Diagnóstico: 💀 Colapso
Esse mesmo script, com adaptações, eu uso para analisar session-to-session retention em apps, ou free-to-paid conversion em SaaS. A matemática é a mesma. Se mais da metade do seu público evapora entre o passo A e o passo B, você não tem um problema de marketing. Tem um problema de produto — e precisa voltar para a prancheta antes de gastar mais.
Erros Comuns: o que devs e product managers repetem
Trabalho com times de produto há anos e vejo os mesmos deslizes. Vou listar os que mais se parecem com o que a Globo acabou de fazer — e como evitá-los:
1. Trocar o produto pelo marketing
Contratar estrelas e gastar fortunas em divulgação quando o core tem bug conceitual. Em software, é rodar uma campanha agressiva de ads no Google quando seu checkout tem fricção absurda. Dinheiro novo em produto quebrado só acelera o fracasso.
2. Confundir awareness com engajamento
“Todo mundo conhece” não é o mesmo que “todo mundo usa”. No caso da Globo, o nome “Anitta” vendeu a ideia. Mas o que sustentava a audiência anterior era a novela das 9, não o reality que vinha depois. Métrica de vaidade mata produto.
3. Iterar no formato sem medir o que importa
A Globo mudou o reality três vezes em três anos (individual → desenvolvimento artístico → formação de bandas). Mas não mudou o que estava fundamentalmente quebrado: a proposta de valor para quem assiste. Em produto, é trocar a stack de frontend sem entender onde exatamente o usuário cai na jornada.
4. Esquecer do público existente enquanto tenta agradar ao novo
Quem acompanhava o formato anterior se sentiu perdido com a mudança radical. Quem não acompanhava não foi convertido. Resultado: perdeu os dois lados. Em SaaS, é o clássico pivot que aliena a base — e o churn explode.
5. Não olhar para o próprio funil de retenção antes do lançamento
O dado mais importante aqui não é “quanto o programa marcou”, e sim “quantos dos que estavam na novela ficaram”. Esse número (48,3%) deveria ter acendido todas as luzes vermelhas antes mesmo da estreia. Sempre rode cohort analysis antes de ir para o ar.
O que a Globo deveria ter feito antes de ir ao ar
Se eu fosse consultor de dados da emissora, pediria três coisas básicas — todas perfeitamente aplicáveis a qualquer produto digital:
- Teste A/B do formato com audiências menores (ou capítulos-piloto) antes de escalar para o horário nobre nacionalmente.
- Análise de coorte dos fãs do programa para entender quem efetivamente migraria para a nova proposta de bandas.
- Heatmap de atenção durante os primeiros 15 minutos para detectar exatamente o momento em que o público desiste e troca de canal.
Essas três práticas existem no mundo do streaming (Netflix, HBO Max, Globoplay) há anos. O reality musical aberto, pelo jeito, ainda opera no escuro — e paga o preço disso em audiência.
FAQ — Perguntas que devs e PMs realmente fazem
O que é retenção de produto?
É a porcentagem de usuários que continuam usando seu produto depois de um período. No caso do “Estrelas da Casa”, 48,3% dos telespectadores da novela anterior permaneceram no reality. Abaixo de 50%, é considerado colapso de engajamento — equivalente a um D1 retention crítico em mobile.
Como medir retenção entre faixas no digital?
Use a mesma lógica do Ibope: compare o número de usuários ativos antes e depois da transição. Ferramentas como Amplitude, Mixpanel e Heap fazem isso automaticamente em apps e sites, com eventos instrumentados e cohort analysis pronta.
Métrica de Ibope serve para produto digital?
Sim, com adaptações. No lugar de “pontos” (porcentagem de TVs ligadas em uma região), você mede usuários ativos, sessões iniciadas e watch time. A matemática de “retention rate” é idêntica — e o limiar dos 50% também vale como sinal de alerta.
Qual a diferença entre aquisição e retenção?
Aquisição é conseguir novos usuários. Retenção é mantê-los ativos depois do onboarding. Uma campanha com aquisição agressiva e baixa retenção é fogo de palha — exatamente o que o “Estrelas da Casa” acabou de viver com toda a megaestrutura de Anitta, Belo e Rouge.
Quando vale a pena reformular um produto em queda?
Quando os dados de retenção mostram queda consistente por mais de duas temporadas ou trimestres consecutivos. Antes de reformular, sempre investigue o porquê da queda com dados qualitativos (entrevistas, heatmaps) e quantitativos (funil, coortes). Não jogue dinheiro novo em produto quebrado sem antes entender a fratura.
Gostou? Me segue no GitHub e deixa um comentário se quiser aprofundar algum ponto sobre métricas de retenção, análise de coorte, A/B testing ou produto digital aplicado a qualquer nicho.