Como obter os melhores insights a partir de seus dados com a análise de cohort

É um erro comum pensar que a análise de dados em um nível mais alto com o escopo mais amplo fornecerá uma visão geral melhor. Na verdade, é exatamente o contrário: os dados podem enganar se forem muito amplos. Usar as dimensões ideais, fazer a divisão, organização e o alinhamento correto dos dados é o que realmente nos ajuda a ver o que está funcionando e o que não está. E o mais importante: é preciso olhar os dados no contexto certo.

Somente o necessário

Contexto pode ser algo realmente complexo de se isolar e também pode significar muitas coisas diferentes de uma só vez. Uma das primeiras coisas que se aprende nas aulas de estatística é que os dados nunca podem determinar a causa, apenas a correlação. E, quando se trata disso, é importante descartar tudo o que não importa, para que você possa ter uma correlação realmente forte. Os dados nunca ficam totalmente livres de ruído, mas escolher filtros que possam eliminar a maior parte dele pode render melhores insights.

Aqui vai um exemplo real de uma comparação de “maçãs com maçãs”. Nosso objetivo é comparar os hábitos de consumo familiar em relação a uma dúzia de maçãs. Vamos determinar que uma “família” deve ser formada por no mínimo 4 pessoas, e estamos comparando o consumo de uma compra de tamanho idêntico (uma dúzia):

A Família A compra uma dúzia de maçãs no domingo
A Família B compra uma dúzia de maçãs na quarta-feira

_{Comparando maçãs com maçãs: hábitos de consumo de famílias com mais de 4 integrantes ao longo do tempo}

Quando olhamos para os dados desagrupados, parece que sábado foi um dia de pico de consumo, mas é difícil compreender qualquer outra coisa a partir dos dados. Quando agrupamos os dados por dia de compra, as tendências são mais fáceis de enxergar: a Família A consome maçãs lentamente, mas em um ritmo relativamente constante, e parece estar cansada de maçãs lá pelo dia 3, com o nivelamento do consumo. Por outro lado, a Família B no início não parece muito empolgada com sua compra de maçãs, mas aumenta o consumo nos dias 3 e 4 (quem sabe não encontraram uma excelente receita de torta de maçã?). 

Voltando para o mundo da tecnologia, vamos reexaminar o exemplo de ARPU (receita média por usuário) de antes. Não é suficiente comparar apenas o ARPU de um dia para o outro. Precisamos levar em conta todo o ruído e filtrá-lo: comparar ARPU em dias da semana semelhantes, comparar o número de usuários, a atividade e se houve ou não uma promoção ou oferta que pode ter resultado em mais compras. Ao analisar qualquer KPI, é necessário garantir que você está comparando seus dados lado a lado com dados paralelos, isto é, usando um parâmetro de comparação realmente adequado.

Cohort é a solução

Quando se trata de manter os KPIs lado a lado e avaliar o sucesso da estratégia, a análise de cohort é a ferramenta certa para você.

Análise de cohort: agrupar usuários com características comuns para medir KPIs específicos para esses grupos em períodos de tempo diferentes.

Cohort não é só a análise de KPIs. Ao descobrir tendências ocultas, a análise de cohort oferece os insights que você precisa para otimizar campanhas publicadas e fazer mudanças em tempo real que poderão impulsionar o engajamento e a receita a qualquer momento.

Introdução ao cohort

A análise de cohort pode parecer um pouco intimidadora no início, mas, se você seguir algumas etapas simples, logo se tornará especialista no assunto.

Configurando a pesquisa

Antes de qualquer coisa, você deve estabelecer o que está interessado em descobrir. Definir seus KPIS e métricas de sucesso vai levar você no caminho certo. Você está medindo campanhas lado a lado para comparar fontes de mídia? Ou talvez medir o sucesso de uma mesma campanha em regiões diferentes? Aliás, como você definiria esse sucesso? Ter ideias concretas sobre a pergunta que quer fazer e as métricas que precisa para respondê-la já é meio caminho andado.

Aqui vai uma fórmula muito útil para perguntas de análise de cohort:

Agrupe os usuários com características semelhantes para comparar seu comportamento e métricas durante um período de tempo específico.

As características são a dimensão pela qual você medirá seu resultado. Os KPIs são a métrica que você estará analisando, e o período de tempo vai definir a janela de medição.

Vamos ver um exemplo em que estamos tentando avaliar o sucesso de uma determinada campanha em diferentes países. Queremos ver o comportamento do usuário no dia em que o aplicativo foi instalado, no dia depois da instalação e vários dias após isso. Quando alinhamos os dias da instalação estamos igualando as condições, portanto podemos analisar o comportamento e a interação do usuário com o aplicativo. Alinhar essa métrica para todos os usuários efetivamente compara maçãs com maçãs. Ao definir o cohort que queremos examinar no painel, escolheríamos o aplicativo relevante. No exemplo abaixo, vamos agrupar o cohort por país e selecionar a semana de 1º de abril a 7 de abril de 2019. Definimos o tamanho mínimo de cohort como 10usuários. Adicionaremos um filtro para a campanha correta: campanha spring_sale_april.A seleção ficará assim:

Quanto estivermos prontos, vamos clicar no botão Aplicar para executar a consulta.

Analisando os resultados

A visualização dos seus dados será determinada pelos eventos in-app pré-definidos. Neste exemplo vamos olhar para duas métricas pré-definidas diferentes: sessões médias por usuário e receita média por usuário.
Ao olhar para o número médio de sessões por usuário, veremos o seguinte:

Em um primeiro momento, a campanha parece estar indo excepcionalmente bem na Rússia (RU) e muito mal na Indonésia (ID). Ao olhar para a visualização dos dados em tabela, vemos que há um crescimento incremental na India (IN) e na China (CN), com um grande pico em sessões médias por usuário na Rússia no dia 30. É importante observar que esses dados são cumulativos por padrão.

Só que esses dados não estão nos mostrando tudo. Podemos ver que há um alto engajamento na Rússia, em comparação aos outros países, que continua crescendo ao longo do tempo. Será que isso significa que a campanha foi mais bem sucedida na Rússia?

Longe disso. Se alterarmos o modo de exibição dos dados para a receita média por usuário, veremos uma história totalmente diferente: apesar de os usuários russos estarem ativos na campanha, eles não estão gastando nada. Os usuários chineses, por outro lado, estão realizando gastos elevados a cada visita. Com isso podemos concluir que há espaço para otimizar a campanha para o mercado russo e incentivá-lo a concluir suas compras (com uma oferta especial, cupom ou promoção). Como os gastos dos usuários chineses diminuem pelo dia 4, podemos agendar uma campanha de redirecionamento nesse período. Os usuários indianos mostram um aumento constante nos gastos, que é exatamente o que queremos.

Outro insight interessante que podemos ter com essas duas análises de cohort é o comportamento peculiar dos usuários da Indonésia. Embora haja uma quantidade relevante de instalações (249), o aplicativo praticamente não é aberto e não há compras. Isso pode indicar fraude, e requer uma análise profunda por meio do painel Protect360.

Seus insights estão esperando

Agora que cobrimos o básico em termos de análise de cohort, a quantidade de dados que surge em seu painel parece um pouco menos assustadora. Confira a Retenção, um relatório semelhante ao cohort com uma lógica similar para analisar o nível de churn para seus aplicativos.