Blog de Marketing Digital de Resultados

Como fazer um experimento de Marketing em 3 passos

Confira 3 passos que você pode seguir para começar a realizar experimentos em Marketing na sua empresa. Mantendo um processo simples, mas bem documentado, você pode ganhar agilidade e conseguir gerenciar um volume muito alto de experimentos simultâneos para garantir (ou aumentar) a qualidade de seu trabalho.

Em um outro post aqui no blog da RD nós falamos sobre os experimentos: o que são e como eles ajudam sua empresa a crescer. Existem diversos processos para o planejamento e execução desses experimentos e muitos deles são válidos.

Nós da RD preferimos sempre manter o processo simples e bem documentado para ganhar agilidade e conseguir gerenciar um volume muito mais alto de experimentos simultaneamente, e garantir (senão aumentar) a qualidade do trabalho.

Sendo assim, resumimos aqui em 3 passos nosso processo, os quais você pode seguir para começar a realizar os experimentos na sua empresa.

Passo 1: Encontrar oportunidades de otimização e priorizar

Levantar ideias de experimentos é um passo com complexidade extremamente variável. Para quem nunca realizou experimentos, encontrar oportunidades pode ser muito fácil, pois existem diversas otimizações em locais que “sabemos que podem ser melhorados”.

Entretanto, antes de tudo é importante levantar qual métrica de negócio você quer impactar: gerar Leads, aumentar quantidade de oportunidades de venda, pedidos de orçamentos, etc.

Definido esse foco, o primeiro passo é fazer um brainstorming com a equipe para levantar ideias de melhorias em qualquer âmbito: página inicial do site, página de descrição de produto, página de preços, blog, template de email, etc. – sempre pensando na métrica foco dos experimentos.

À medida em que os experimentos vão acontecendo, essas oportunidades não ficam mais tão óbvias e então é necessário utilizar outras formas, como:

  • Pesquisa: Leia blogs que falam de otimização de conversão e procure estudos de caso e exemplos que façam sentido para sua empresa;
  • Benchmarking: Converse com empresas parceiras que também realizam experimentos (pode contar com a RD para isso) sobre o que você está executando e pergunte o que tem funcionado ou não;
  • Análise do tráfego existente: A ferramenta de Analytics da sua empresa é uma fonte valiosíssima de informações para encontrar ideias de teste A/B e outras melhorias, basta entender o tráfego e saber identificar os gargalos.

Saiba aqui como fazer um teste A/B no Google Analytics

Falando um pouco mais sobre a análise do tráfego e já pensando em priorização, muitas pessoas pensam que o “grosso” do tráfego é na página inicial do site ou blog, porém quando olhamos o relatório do Google Analytics vemos que não é bem assim: é preciso levar em conta os “templates”, páginas que, mesmo diferentes, possuem a mesma estrutura.

Exemplo: um blog comum possui no mínimo três templates: o template da página inicial, da página de categorias e da página de posts. Na maioria das vezes, se somarmos os acessos de todos os artigos do blog (template de post), o número de acessos vai superar o da página inicial (template da página incial).

Ou seja, podem existir grandes melhorias a serem feitas primeiramente na estrutura que irá afetar todos os posts e, pelo tráfego ser maior, conseguir atingir relevância estatística de forma mais rápida.

O exemplo acima se torna ainda mais sensível em um e-commerce: otimizar a página de produtos muitas vezes é melhor do que otimizar a página inicial, pois é na página de produtos que acontece a compra.

Sobre a priorização, podemos quebrá-la em três variáveis fundamentais que, quando combinadas, nos dão um framework de priorização. As variáveis são:

  • Potencial: Analisar a taxa de conversão atual da página e pensar o quanto ela pode aumentar com a hipótese levantada. É difícil falar em bom senso, mas aqui é necessário, pois não podemos assumir com facilidade qual será o impacto do experimento sem antes realizá-lo, exceto quando temos alguma base de comparação. Portanto, pense no impacto como “aumentando a conversão em 20%, X Leads/vendas a mais serão gerados em um determinado período”. Você pode inclusive dar notas (de 0 a 10, por exemplo) para as ideias de experimentos para identificar aquelas com maior potencial de alavancagem;
  • Importância: O quão importante para a empresa será esse experimento? O quão relacionado está com a métrica de negócio definida anteriormente? Ele terá impacto direto nos resultados em vendas ou é alguma métrica intermediária? Por exemplo, a importância para um e-commerce em aumentar a conversão na página de produto terá impacto direto nas vendas. Neste caso é mais importante para o negócio do que um experimento que será feito na página de recrutamento de candidatos a uma vaga;
  • Facilidade: Aqui você pode pensar em custo. Se você tem que decidir entre dois experimentos de mesmo potencial e importância, porém um custa 20 horas de um programador e outro custa 2 horas, qual você vai priorizar? Claro que existe um balanço e um experimento não deve ser descartado apenas por essa variável, porém existem melhorias mais “fáceis” de serem aplicadas.

Cruzando essas três variáveis com as ideias de experimentos levantadas, você pode criar um framework de priorização como o do exemplo abaixo. No caso, os números vão de 0 a 10 e são definidos de acordo com os recursos que sua empresa dispõe:

experimentos em marketing - framework de priorização

No final, somadas as notas de cada atributo, você pode definir o que priorizar. Não é necessário ficar extremamente preso a esses números, mas usá-los como uma base para tomada de decisão.

Uma questão interessante que surge no framework é relativo às tarefas que são mais fáceis que as outras, ou não. A princípio, adicionar depoimentos de clientes à página de preços é mais “barato” que mudar o processo de check-out, porém os dois se equiparam no total. A decisão é se vale a pena o custo dado que o impacto (potencial) será maior.

Feita a priorização, partimos para uma etapa muito importante: modelagem e execução.

Passo 2: Modelagem e execução

A modelagem é especialmente importante pois, caso não seja feita corretamente, pode gerar um retrabalho muito grande. Se isso acontecer, o custo que era X pode acabar dobrando, ou pior ainda, fazer com que você não consiga mensurar os resultados no final, perdendo assim, além de dinheiro, tempo.

É nesta etapa que vamos desenhar todo o experimento para garantir que ele tenha um objetivo claro, seja bem executado e medido. É comum, na modelagem, descobrirmos que um experimento que parecia fácil ser, na verdade, bem complicado.

Além disso, essa modelagem acaba servindo de histórico no futuro, pois contém todas as informações mais importantes do experimento. Se você for realizar um experimento parecido, saberá exatamente qual o passo-a-passo a seguir, quais as dificuldades que surgiram, recursos necessários e também os resultados.

Na Resultados Digitais nós usamos para a modelagem um documento simples do Google Drive contendo algumas informações. Todo o processo está descrito neste post: Experimentos: o que são e como eles ajudam sua empresa a crescer.

Feita a modelagem, agora é colocar a mão na massa e seguir tudo o que foi levantado na etapa anterior. O principal foco aqui é quanto à atenção para implementar o experimento exatamente conforme o modelado.

Passo 3: Registro dos aprendizados e implementação

Após finalizar o experimento, vem a etapa essencial para o crescimento – o aprendizado.

Volte no documento onde ele foi modelado e preencha os resultados, aprendizados e otimizações.

Como dito anteriormente, saber por que o experimento funcionou ou fracassou é igualmente importante ao resultado dele. Se não sabemos o que fez o experimento funcionar, não conseguimos repeti-lo. Se não sabemos o que fez o experimento dar errado, não podemos melhorá-lo.

É importante frisar que, mesmo se uma hipótese não for atingida (e o experimento for considerado falho), o resultado ainda pode ser bom. Por exemplo, se a hipótese era que, removendo o campo telefone, a conversão aumentaria em 50% e na verdade ela aumentou “apenas” 30%, o experimento não pode ser considerado ruim. 30% é um aumento grande e, mesmo tendo “falhado”, a remoção do campo ainda pode ser implementada em todas as Landing Pages, pois a conversão irá aumentar.

Nesse caso, dizemos simplesmente que o experimento foi mal modelado e, apesar de ter falhado, o resultado foi bom e deve ser implementado nas outras Landing Pages.

Assista também ao webinar “Como criar Landing Pages efetivas”

Marcadores:

Deixe seu comentário