Quatro Passos para Reduzir o Abandono

Atualizado: 4 de Mai de 2018



Os gerentes de produto de hoje monitoram muitos KPIs e mantêm números e gráficos precisamente monitorados e visíveis, mas todo esse monitoramento não significa necessariamente um produto melhor e menor abandono.


Eles ainda precisam tomar decisões baseadas em dados, visando retenção de usuários e aumento da receita. Isso demanda entendimento do que faz com que os usuários se engajem, o que causa a rotatividade deles e como o comportamento deles afetam diretamente os resultados da empresa. Isso que permite decisões eficazes que mantem os usuários leais.


O abandono é um problema cumulativo. A medida que a empresa cresce, uma taxa de abandono não endereçada levará uma parte proporcional da receita anual, das oportunidades de "upsell" e do potencial de novos negócios que viriam por meio da recomendação desses usuários que foram perdidos.


Na verdade, uma empresa com uma taxa de retenção de clientes de 95%, pode ser avaliada em mais do que o dobro que uma empresa que tenha 80% de retenção de clientes em 5 anos.


Porque isso acontece? Se essas duas empresas adquirirem 10 novos clientes por mês de um total de 600 clientes e, manterem suas taxas de abandono por cinco anos, a empresa com 95% terá perdido apenas 30 clientes durante esse período, enquanto a empresa de 80% terá perdido 120 clientes.


Nunca é cedo demais para começar a resolver problemas de retenção. Gerentes de produto dedicados farão disso sua maior prioridade. Mas eles precisam dar vários passos para se manter atualizados sobre o assunto, começando com o estudo do comportamento dos usuários.


Isso é que o restante deste guia irá endereçar.


PASSO 1: UNIFIQUE SEUS DADO. TODO ELE.


Comparando maçãs com laranjas.

Gerentes de produto estão acostumados a rastrear dados de uso de seus produtos. Isso é como uma mesa de apostas para monitorar a eficácia com que o seu produto atende às necessidades dos usuários e os mantém leais a sua empresa/produto. O problema não é a falta de ferramentas para rastrear esse uso e sim que os dados estão espalhados em múltiplas plataformas dentro da empresa.


Através de diferentes fontes de dados como análise do aplicativo móvel, da web, do uso, da aquisição, nada corresponde. Cada plataforma fornece um conjunto diferente de dados que, fragmentado em várias plataformas, faz com que seja impossível formular uma imagem de toda a jornada do cliente.


Isso causa confusão entre as equipes e mantém a conversa focada na precisão e consistência dos dados em vez de análise e tomada de decisões estratégicas.


Dados fragmentados obscurecem a nossa capacidade de analisar o impacto de qualquer decisão sobre o engajamento do usuário, impedindo que gerentes de produto estabeleçam correlações com o abandono e desperdiçando seu rico potencial de colaboração com as outras equipes.


Fora uso do produto existem outros tipos de dados que podem ser úteis para os gerentes de produto. Se eles quiserem entenderem o que faz com que os usuários abandonem, eles precisam considerar os dados criados antes que este usuário se torne um cliente, por exemplo, a plataforma onde eles viram um anúncio, sua profissão, etc.


Digamos que um usuário clica em um anuncio no Google AdWords, registra-se para obter uma conta, usa-a por um mês e depois abandona. Ao unificar os dados do Google AdWords com os dados de uso, a equipe de marketing saberá que o usuário recém adquirido vindo dessa campanha do Google AdWords abandona. Isso pode revelar que uma determinada palavra-chave está gerando muitos registros, porem está falhando em gerar usuários satisfeitos. Essa descoberta permitiria a reflexão sobre a desconexão entre a expectativa gerada pelo anúncio, a "landing page" conectada ao anúncio e a experiência que os usuários têm com o produto.


O tipo de dados que o marketing obtém das campanhas publicitárias em diferentes plataformas de mídia social difere entre essas plataformas. Em sua forma nativa, você não pode comparar o tráfego do site do Google Analytics com as taxas de abertura de e-mail do MailChimp em relação ao desempenho dos anúncios do Facebook.


Não é praticável ao Marketing unificar esses dados manualmente, no entanto isso faria com que esses profissionais chegassem mais perto de entender a eficácia de sua publicidade e de fornecer um contexto mais rico aos dados de uso do produto.


Ainda hoje, a aquisição de dados pelo Marketing e os dados de uso do Produto existem em bases de dados separadas, cada uma representando uma visão da verdade sobre os usuários. Sem mesclar os dados dessas plataformas de análise e disciplinas é impossível identificar os usuários que, por exemplo, respondem a campanhas publicitárias específicas e acabam abandonando dois meses depois.


Sem essa funcionalidade, as equipes de produtos e marketing não podem analisar os reais efeitos que estão tendo nesses usuários individuais ou segmentos de usuários de uma maneira que possam tomar uma ação.


Os gerentes de produto precisam de uma plataforma que não apenas unifique essas múltiplas fontes de dados, mas que também ofereça integrada uma funcionalidade para desenhar correlações entre os canais de aquisição, as experiências do produto e seu impacto na retenção.


A solução: Atribua dados de origens diferentes a um único ID

Data warehouses estão amplamente disponíveis, porém na maioria deles falta funcionalidade para persistentemente atribuir cada ponto de dados de cada um dos canais e campanhas ao respectivo ID de usuário. Chamamos isso de "Cooladata User ID" (CUID). Isso por sua vez, permite visualizações, análises e conclusões mais significativas.


O CUID permite que os gerentes de produto organizem e acompanhem todas as interações de um usuário com o produto e obtenham uma imagem clara do ciclo de vida desse usuário.


Como isso acontece? Temos integrações pré-configuradas com o AdWords, Facebook Ads, todos os principais canais. Também temos uma API aberta para que você possa conectar quaisquer fontes de dados que tenha. Você pode passar qualquer informação que quiser.


Ao fazer isso as ações dos usuários ou a falta de ações que precedem o abandono tornam-se visíveis, aproximando os gerentes de produto da previsão e prevenção

Começa com uma mudança sutil da demografia em direção ao comportamento.


PASSO 2: IDENTIFIQUE O QUE OS USUÁRIOS FAZEM, NÃO QUEM SÃO


Seus comportamentos dizem mais sobre você do que sua idade, localização ou outros dados demográficos. O que você faz define quem você é.


Por exemplo, uma mochileira de 20 anos da Nova Zelândia pode exibir traços comportamentais mais semelhantes a de um mochileiro masculino de 44 anos dos Estados Unidos do que de uma outra garota de 20 e poucos anos da Nova Zelândia que não "mochila". Isso acontece independente do fato de que os dois mochileiros são de gêneros diferentes, estágios de vida e geografias.


É aí que se torna possível entender a experiência de cada usuário, através das lentes do seu comportamento. Segmentação comportamental permite decisões de produto que são mais relevantes aos usuários individuais. É por isso que os gerentes de produto precisam ir além da tradicional segmentação com base nos dados demográficos.


A análise comportamental começa rastreando toda a jornada do usuário na forma de eventos, da aquisição à conversão e depois ao uso.


Para os propósitos deste artigo, segmentamos os usuários por um comportamento finito: abandono.


Vamos pensar no evento final em termos de uma linha de chegada de uma maratona. O que os finalistas têm em comum? Segmentamos o grupo pelo objetivo comum que eles alcançaram, depois olhamos para os comportamentos anteriores, se eles entraram para um clube de corrida, quando eles entraram e qual foi sua participação nos meses que antecederam o evento. Quanto mais olhamos para trás mais caminhos possíveis surgem. Cada caminho é um meio viável para estudar como chegar à linha de chegada da maratona.


No contexto de um produto, a análise do "último evento" ajuda a isolar o que pode ter acionado o fim de uma sessão e permite a investigação de questões como, qual proporção de usuários abandonou a sessão depois de concluir um nível, perder um jogo, encontrar uma mensagem de erro ou gastar uma quantidade de tempo acima da média em uma tarefa introdutória? Fazer essas perguntas permite uma análise das decisões de design de produto.


O truque é fazer isso de maneira eficiente e em escala. Existem muitos caminhos diferentes e tantas ações diferentes que os usuários podem tomar em relação a um produto.


Sem um data warehouse otimizado para análise comportamental é quase impossível segmentar e analisar usuários com base em seu comportamento. Toma muito tempo para preparar dados para esse tipo de análise. Toda suspeita de que um grupo de usuários possa abandonar exigiria a verificação da correlação de todas as variáveis com o resultado sob análise. É por isso que a análise tradicional é tão pobre em encontrar correlações. Sem uma análise comportamental nativa os gerentes de produto são forçados a desenhar uma solução alternativa ou usar SQL, que não foi projetado para análise comportamental.


É por isso que eles historicamente têm sido limitados a uma abordagem reativa ao abandono. Eles só podiam saber sobre o abandono quando os usuários de fato abandonavam o produto.


É melhor usar uma plataforma que automaticamente faça a engenharia reversa de um relatório de análise de caminho, conforme descrito acima.


Isso o revelará usuários "em risco de abandono" com muito mais rapidez.


Vamos explorar como.


PASSO 3: SEGMENTE USUÁRIOS COMO 'ENGAJADOS' E 'EM RISCO'


Depois de ter todo o comportamento do usuário unificado seja de qualquer formato, estruturado, semi estruturado e assim por diante, em uma única plataforma, você pode exportar tudo isso para R ou o Python e analisar as correlações entre o comportamento e os resultados. A saída dessa modelagem preditiva fornece a base de uma pontuação de engajamento. Quanto menor o engajamento do usuário maior a probabilidade de que ele ou ela abandone.


Ao definir as pontuações de engajamento dos usuários com os padrões comportamentais que precedem o abandono, os gerentes de produto podem segmentar os usuários que abandonaram recentemente buscando por nuances que alertam o abandono. Os resultados dessa análise ajudam a refinar como pontuar o engajamento do usuário e permite a segmentação inteligente de usuários com pontuações semelhantes.


Para o propósito deste artigo usaremos uma simples dicotomia, um segmento "em risco" e um segmento "engajado". Isso permite uma análise mais detalhada do histórico de uso e aquisição do grupo "em risco".


O problema em segmentar usuários por sua pontuação de engajamento é que o engajamento deles está sempre mudando e os gerentes de produto não podem esperar a equipe de análise de dados segmentar usuários por sua pontuação de engajamento semanal ou diária. Eles precisam de relatórios personalizados sob demanda para entender, com o mínimo de esforço e tempo possível, o comportamento correlacionado entre os diferentes resultados.


O acesso a "insights" em tempo real suporta à criação e análise de segmentos com base na pontuação de engajamento, além de testar estratégias de reengajamento. Ele libera a possibilidade de obter "insights" a qualquer momento e sem ter que depender de ninguém.


Acreditamos que as consultas SQL levam muito tempo, agindo como uma barreira entre os gerentes de produto e seus dados. Quanto mais fácil for para eles consultar os dados é mais provável que eles façam as perguntas que levam aos "insights" de que precisam para tomar melhores decisões.


"Insights" tal qual estratégias de reengajamento são mais eficazes.


PASSO 4: OTIMIZAR ESTRATÉGIAS DE REENGAJAMENTO


Depois de você ter aplicado uma pontuação de engajamento aos seus usuários e segmentá-los em "engajados" e "em risco", você deseja encontrar estratégias mais eficazes para melhorar o engajamento de cada usuário. A avaliação de como os usuários migram de um segmento para o outro, indicado por sua pontuação crescente no engajamento, revelará rapidamente quais estratégias de reengajamento são melhores para sua base de usuários.


Vamos usar uma comparação em três vias, a eficácia das chamadas de atendimento ao cliente x uma campanha de marketing por e-mail x uma campanha de remarketing em um período de cinco semanas. Criamos três grupos, um para cada estratégia de reengajamento e em seguida vemos a porcentagem de usuários "em risco" que migram para o segmento "engajado".



Em tal análise seria ideal poder pesquisar em qualquer célula da tabela para investigar os comportamentos do usuário por trás das estratégias vencedoras e o efeito tempo sobre os resultados.


Se você estava curioso sobre, por exemplo, quais usuários reengajaram graças à campanha de e-mail, você pode salvá-los como um segmento distinto e acompanhá-los ao longo do tempo. Se eles reengajarem apenas temporariamente, se o e-mail foi realmente eficaz para recuperá-los por um mês, mas depois voltaram ao segmento de risco, você pode ficar de olho no grupo e tentar outras estratégias de reengajamento.


Com um construtor visual de consultas é fácil encontrar a porcentagem de usuários que migraram do segmento "em risco" para o segmento "engajado". Automatize essa consulta para produzir um relatório semanal e você pode acompanhar essa alteração ao longo do tempo isolando as estratégias de reengajamento mais eficazes.


A realidade é que o abandono não é um problema do tipo preto ou branco. Existe atrito, uma indicação de que um usuário está em risco crescente de abandono. É aí que um sistema de pontuação de engajamento mostrará o atrito que leva ao abandono.


Esse sistema de pontuação seria um algoritmo baseado no comportamento do usuário em todas as diferentes fontes de dados.


Fazer isso em R ou Python é extremamente fácil. A maior parte do trabalho está na preparação dos dados para análise, algo que seu data warehouse deve executar automaticamente.


Depois de definir essa pontuação você pode criar um alerta para notificá-lo quando os usuários estiverem correndo o risco de abandonar e você poderá usar a estratégia ideal de reengajamento. Esses alertas permitem que os gerentes de produtos se envolvam de forma proativa com os usuários cujo comportamento indica estarem em risco de abandonar.


Agora você sabe como fazer isso.


CONCLUSÃO


Reduzir a rotatividade será uma batalha sem fim.

No entanto, se os gerentes de produto incorporarem dados do comportamento de seus usuários diretamente em seu roadmap de desenvolvimento eles ainda poderão sair na frente.


Isso começa com a unificação dos dados fragmentados. Portanto, se seus dados estão espalhados por uma miríade de fontes você terá que lidar com múltiplas fontes de verdade.


Apenas ter os dados em um lugar não será suficiente. Você tem que descobrir o significado obscurecido pelo grande volume de pontos de dados. Defina o comportamento de seus usuários e você irá aumentar sua compreensão do que os faz se comportarem da forma como eles se comportam.


Ao analisar o comportamento de seus usuários você começará a diferenciar os engajados daqueles que correm risco de abandonar e é certo de que alguns irão. Estude seus caminhos de abandono e você descobrirá os melhores planos para reengajá-los.


Teste suas estratégias de reengajamento entre grupos e tempo. Com um data warehouse flexível você poderá buscar por "insights" detalhados que resultarão em alterações significativas em seu produto e na experiência de seus usuários.


É muito trabalho mas vale a pena cada esforço. Todas as alterações que você fizer na experiência dos usuários e na estratégia de reengajamento significam outra fração de redução do percentual de sua taxa de abandono.


Quanto melhor você puder agregar os dados de seus usuários e estudar o comportamento deles, melhor será o controle da taxa de abandono.


Sobre a Cooladata


O Cooladata é um data warehouse completo, baseado em nuvem e totalmente gerenciado, otimizado para análise comportamental e projetado para empresas com produtos digitais.


Ele auxilia as equipes de dados a unificar todos os seus dados em um único local, de forma que cada equipe em suas empresas possam obter as respostas necessárias, em segundos, não em horas ou dias.


Ele auxilia pequenas equipes de dados a fazer grandes coisas fornecendo-lhes todo o poder de um data warehouse sem as dores de cabeça e o custo de construir e manter um.


A Cooladata é apoiada pela 83 North / Greylock Israel, pela Carmel Ventures e pela Salesforce Ventures.


www.cooladata.com

0 visualização

© 2023 Digital Monk - Todos os direitos reservados

Siga-nos: