Google Analytics – Princípios Básicos da Análise Cohort.

INTRODUÇÃO

Em um dos meus primeiros artigos sobre o Google Analytics eu reforçava a ideia do porquê trabalhar em conjunto com o Data Studio. Em alguns deles, utilizei métricas que possuem no G.A e passei para o DS elaborando gráficos para análise. Porém hoje, será diferente.

Explorando as versões do Google Analytics (Universal e GA4), descobri, perdido no meio de tanta informação, uma análise que pode agregar muito para qualquer campanha de tráfego para E-Commerce. Essa análise se chama Análise Cohort.

Explorando a nova descoberta, trouxe o poder que esta análise tem e como ela pode mudar e melhorar toda a estratégia de remarketing para a sua loja através de dados, possibilitando novos resultados.

O QUE É A ANÁLISE COHORT (ANÁLISE DE CORTE OU GRUPO).

A análise cohort é um recurso muito utilizado dentro da área de dados das empresas para entender da melhor maneira possível o comportamento de um grupo de clientes.

Quando estamos olhando para um todo, analisar e entender este grupo fica um tanto quanto nebuloso, uma vez que suas características são bastante heterogêneas. Porém, quando começamos a segmentar os grupos em fatias menores, somos capazes de padronizar o comportamento e agir da melhor maneira possível com aquele grupo.

Levando este recurso pro marketing e segmento de E-Commerce, temos uma importante aliada para: 

• Ganhar vantagem competitiva;
• Comunicação personalizada;
• Promoções e serviços direcionados;
• Clareza no perfil dos clientes;
• Entender como porções segmentadas de clientes funcionam e etc.

E caso ainda não tenha visto, este é um gráfico utilizado para análise cohort.

NOTA: A análise cohort é uma expansão da análise de perfil dos clientes e da estruturação do seu público comprador. Se quiser, tem um post que fala sobre análise de perfil dos clientes, aqui.

COMO FUNCIONA A ANÁLISE DE CORTE (COHORT).

A análise funciona entendendo o passado e seus acontecimentos para planejar o presente e futuro. Quando olhamos para o gráfico estamos entendendo como aquele determinado grupo em observação se comportou e de que maneira conseguiremos mantê-lo como cliente.

A análise cohort é um recurso muito utilizado dentro da área de dados das empresas para entender da melhor maneira possível o comportamento de um grupo de clientes.

Um exemplo prático:

Suponha que um usuário tenha entrado no site e feito uma compra qualquer e possua a seguinte característica:

• Homem
• 30 anos
• Rio de Janeiro
• Visitou a categoria eletrônicos
• Comprou 1 tv e 1 geladeira
• Veio do link da campanha: promoção queima relâmpago

Assim como ele, outros 200 com esta mesma característica vieram ao site, mas comparam outros produtos, porém, nesta mesma categoria. Isso forma um grupo de interesse que podemos analisar o comportamento com as seguintes perguntas: 

• Como esse público se comporta no meu site? 
• Será que esse grupo retorna? 
• Depois de quantos meses? 
• Compra o que? 
• Durante as semanas, como este grupo se comporta? 
• Clicks? Acessos? Gastos?

Outras situações que podem ser analisadas aqui é em que período do tempo analisado ele gasta mais ou menos no site. Utilizando este recurso, temos valiosos insights para  entender o motivo e assim, atrair o cliente novamente para nossa loja. 

Entendendo a Análise Cohort, podemos planejar o remarketing com mais acurácia mirando corretamente o cliente alvo com base no seu comportamento orientado por dados. Não só isso, mas planejar respostas rápidas quando a performance em receitas começa ou começará a cair.

Explicação de como funciona na versão Universal.

Este é um exemplo comum sem muito significado, mas o que quero explicar aqui são as opções de menu que podemos utilizar para construir o gráfico.

1. Cohort Type → a dimensão que irá caracterizar a análise de corte. Por enquanto, o UA permite apenas o uso da dimensão Acquisition Date.
2. Cohort Size → seria o tamanho do espaço que queremos analisar. Pode ser por dia, semana e mês.
3. Metric → é a métrica que combinamos com o Cohort type. Temos algumas e interessantes opções para análise como:
   • Receita
   • Objetivos
   • Retenção
   • Transações
4. Date Range → é diretamente ligada a Cohort Size. Então, se vamos trabalhar com dias, esta métrica permite um range de dias para analisar, como: 7, 14, 21 e 30.

IMPORTANTE: quando utilizar esta análise no seu negócio, entenda que ela é “User based” ou seja, funciona melhor quando estamos analisando os usuários. Se for utilizar qualquer outro tipo de análise, é muito provável que encontre dificuldade e mais, o resultado não pode não ser satisfatório.

Entendendo isso, vamos avançar para a segunda parte da explicação, que se refere à disposição dos dados no gráfico.

No gráfico abaixo, temos um grupo que se cadastrou e comprou algum produto na loja.

A análise funciona da esquerda para a direita, de cima para baixo e em ordem crescente com os dias.

O que estamos analisando? Usuários que se cadastraram no dia 01/02.

Quantos se cadastraram? 2014 usuários adquiridos. Estamos trabalhando com Acquisition Date

Este gráfico reforça muito bem como funciona e sua ideia central de analisar um grupo.

Vamos entender o comportamento do grupo 01 (adquirido no dia 01/02/22).

• Dia 0 (Aquisição do grupo) → neste dia, todo o grupo gastou $ 2,676,00
• Dia 1 (Um dia após a aquisição) → o mesmo grupo gastou $ 282,85
• Dia 2 (Dois dias após) → este grupo gastou $ 20,00
• Dia 3 (três dias após) → integrantes deste grupo gastaram $80,40.

Destaco que estes gastos não são de todos os “integrantes” do grupo de estudo, algumas pessoas que se cadastraram na loja no dia 01/02 voltaram nos dias subsequentes e fizeram novas compras.

E assim o gráfico continua até concluir os 7 dias. 

IMPORTANTE: Não confunda os grupos. Os integrantes do dia 01/02 não são os mesmos do dia 02/02. Esse comportamento descrito acima é apenas para os usuários que fizeram cadastro no dia analisado; não há interseção.

Na medida que a data se aproxima do dia da análise, os dias são subtraídos.

SEGMENTANDO O COHORT – TRABALHANDO COM SUBGRUPOS

Já entendemos a premissa básica do que é uma análise de corte, sua estrutura e como olhar o gráfico corretamente. Agora, vamos explorar o potencial do recurso utilizando segmentações para entender comportamentos e obter novos insights.

A análise funciona entendendo o passado e seus acontecimentos para planejar o presente e futuro. Quando olhamos para o gráfico estamos entendendo como aquele determinado grupo em observação se comportou e de que maneira conseguiremos mantê-lo como cliente.

O primeiro segmento será para homens de 18 a 44 anos e que moram nos EUA.

O segundo segmento será para o público feminino, mas com as mesmas configurações de base.

Devo destacar que o tamanho do público é referente ao dia em que a segmentação foi criada, no caso, 12/02/22.

Podemos perceber algumas situações aqui:

1. O público masculino é maior e gasta mais, até por ser uma loja mais tech;
2. Mulheres no geral gastaram mais em Dezembro, talvez para presentear namorados ou amigos;
3. No geral, mulheres, mesmo sendo um público menor, gastaram uma quantia equivalente.

Esta análise por segmento de clientes, ajuda, por exemplo, a traçar um plano que pode ser dividido em dois:

1. Aumentar a base de clientes femininas com promoções, produtos personalizados, melhorando a comunicação, pesquisas de mercado e entendimento das necessidades e etc.
2. Criar promoções específicas que aumentem a receita sobre o público masculino, otimizar a comunicação, descontos após um certo período para aumentar a receita, kits com produtos mais vendidos etc.

Claro que outros planos podem ser estruturados, quis apenas dar uma ideia básica do que podemos fazer com este recurso.

DETECTANDO COMPORTAMENTOS ANÔMALOS

Como vimos no tópico anterior, o gráfico de análise Cohort ajudou a compreender um pouco do padrão de compras entre homens e mulheres na loja. Vimos que os homens são a maioria compradora e, por isso, geram maior receita; pelo menos nos últimos três meses.

Mas expandindo a análise deste grupo para uma visão semanal, percebi um movimento estranho por parte do público feminino. Veja a semana 4 do gráfico de tabela, não há compra.

Este fato me chamou atenção pelos seguintes motivos:

1. Mesmo para clientes que foram adquiridos antes do período que casaria com a semana do natal, não houve compras;
2. Mesmo os clientes adquiridos entre Dezembro e Janeiro e que completaram mais de cinco semanas, não realizaram compras na quarta semana de fidelidade.
3. A grande maioria voltou a comprar algum produto na semana seguinte.

Este comportamento atípico pode levantar as seguintes suspeitas:

1. Final de mês e as clientes não compram;
2. Compram com alguma promoção de início de mês;
3. Sobrecarga da Black Friday mais festas de final de ano.
4. Talvez a campanha de remarketing não tenha alcançado este público, causando um “esquecimento”.

Todas estas questões podem ser investigadas com as áreas de negócio para entender o que foi feito e se foi feito algo errado, corrigir.

Mesmo no gráfico consolidado, não há vendas para este período. Até as vendas para o público masculino apresentaram uma queda significativa.

Nesta situação em específico, na terceira semana, poderíamos lançar campanhas de promoção ou desconto para os clientes, alguma ação de engajamento, cupons personalizados e etc.

COHORT E AFINIDADE – COMO ENTENDER E EXTRAIR BOAS IDEIAS

Uma boa aplicação é segmentar com as afinidades de clientes que mais converteram e geraram receita no período analisado. Para isso, utilize o Data Studio em conjunto com o Google Analytics.

Identificando quais foram e criando público, saberemos como é o padrão de compra. Com esse conhecimento, traçaremos estratégias de marketing para oferecer produtos e serviços no tempo exato, ou quando for um período de “baixa”.

Utilizando as duas ferramentas citadas acima, identifiquei quais eram as “Afinidades de mercado” que mais trouxeram retorno no período entre 12/12 até 12/02.

Aplicando ao gráfico de corte.

Olhando rapidamente entendemos que é um grupo que gasta mais na semana de aquisição e nas duas semanas seguintes, mesmo que não seja no início do mês. 

Neste entendimento, poderíamos criar algumas estratégias de promoção e lembrete para um período de uma ou duas semanas que aumentasse as vendas, reforçar o remarketing para este pequeno grupo com novas promoções, trabalhar com um e-mail marketing personalizado e etc.

Diversas estratégias de curto prazo poderiam ser elaboradas para o público olhando o período de tempo.

A vantagem é formular, com rapidez, ações que trarão  melhora no desempenho geral do negócio com vendas direcionadas, principalmente para períodos em que um determinado grupo tem o padrão de gastar menos.

MELHORES APLICAÇÕES

Vimos que o recurso de Análise Cohort é uma estratégia mais voltada para um curto e médio prazo com, no máximo, três meses de captação. Ainda que seja um período curto, existem excelentes aplicações que podem trazer bons resultados para sua empresa através do Marketing Analytics, como:

1. Descoberta de Microtendências → estas tendências costumam  entregar uma visão mais realista do negócio.
   Por exemplo: imagine que o fluxo de usuários nas últimas 10 semanas aumentou e com isso, houve o aumento de transações. Se olharmos o consolidado do mês, percebemos que a margem de lucro foi maior, mas e se houvesse uma quebra semanal e descobrissemos que na semana 5, houve uma queda considerável neste número? Isso é possível com a análise cohort.

2. Maior grau de entendimento da performance → com base em um determinado grupo, sabemos se nossa retenção está boa ou não, como ela se desenvolve ao longo do período analisado e em qual período exatamente ela está ocorrendo?
   Por exemplo: imagine que toda semana um determinado grupo de pessoas acessa seu site. Esse número se mantém constante na semana 1 e 2, mas na semana 3 ele cai muito e pior, isso não é limitado a este pequeno grupo. Interpretando o gráfico e estudando a evolução e queda da retenção deste Cohort, temos ideias do que está causando essa quebra significativa na retenção e trabalhar para aprimorar isso.

3. Respostas rápidas para estratégias curtas → imagine que sua loja irá lançar uma campanha de dia das mães para  seus clientes. Após o lançamento e estudo dos dados, podemos melhorar a campanha para o próximo ano com base no entendimento do comportamento padrão dos clientes que participaram deste ano.

CONCLUSÃO

A vantagem é formular, com rapidez, ações que trarão  melhora no desempenho geral do negócio com vendas direcionadas, principalmente para períodos em que um determinado grupo tem o padrão de gastar menos.

Se chegou até aqui, considere-se um vencedor. Não é fácil.

Podemos concluir, até pela própria limitação da ferramenta, que estamos com uma excelente ferramenta para análise e entendimento de estratégias de curto prazo que podem melhorar o resultado em períodos pontuais.

Embora eu seja um entusiasta ferrenho da solidez dos planos de longo prazo, entendo que cada negócio tem sua estratégia e Cohort cai bem em qualquer uma delas, desde que, usada com um foco.

Tente utilizar “segmentos de um” quando for entender o comportamento do seu público. É melhor começar por pequenas partes e expandir aos poucos. 

Não se prenda apenas na descoberta de novas formas de vender, mas busque descobrir comportamentos anômalos, ou no mínimo, incongruentes. Às vezes, esta descoberta pode trazer mais retorno do que uma venda direta.

Pretendo voltar a estudar este assunto e aprofundar mais meu conhecimento neste tipo de análise. Percebo que há um grande campo para exploração com grandes retornos e recompensas. Vejo vocês no próximo artigo!

Por algum problema na ferramenta do Google Analytics 4, não consegui explorar o que ele pode trazer de benefício ao negócio. Como, voltarei neste assunto, espero que até lá, ele esteja funcionando corretamente.

Se eu lhe ajudei de alguma forma, não se esqueça de curtir e compartilhar com seus amigos este artigo.

Se inscreva no blog e fique por dentro das novidades.