A tua diretora de marketing recebe o relatório semanal de análise. Cinquenta páginas. O tráfego subiu três por cento. A taxa de rejeição desceu dois por cento. A duração média da sessão subiu oito segundos. As conversões subiram um por cento.
Ela lê tudo. Acha que está tudo bem. Não faz nada. A semana acaba. Na semana seguinte recebe o relatório seguinte. Mesmo padrão. Tudo ligeiramente a subir. Não toma nenhuma decisão.
Entretanto, a concorrência recebe um relatório semanal. Os mesmos dados. Outra apresentação. O relatório mostra: um novo canal lançado na terça-feira trouxe quarenta por cento do tráfego da semana, com o dobro da taxa de conversão dos canais existentes. Recomendação: aumentar o orçamento do novo canal em trezentos por cento.
A concorrência aumenta o orçamento. O novo canal cresce. A receita da concorrência sobe quinze por cento este mês. A tua receita sobe um por cento.
Os mesmos dados. Outro relatório. Resultados diferentes.
O custo de relatórios maus
Relatórios maus custam dinheiro a sério.
Exemplo: uma empresa de SaaS com dez mil de receita mensal recorrente. A taxa de cancelamento é de cinco por cento ao mês. São quinhentos dólares de receita perdidos por mês.
Um relatório mau mostra que há cancelamentos, mas não investiga porquê. Não identifica que segmentos de clientes estão a cancelar. Não liga os cancelamentos a eventos concretos.
Custo: cem clientes por ano a quinhentos dólares cada. São cinquenta mil dólares perdidos que se podiam ter evitado.
Um relatório bom mostra que os cancelamentos aumentaram nos clientes que não adotaram a funcionalidade principal. Mostra que a adoção da funcionalidade é a alavanca. Recomenda melhorar a integração inicial. A empresa melhora a integração. Os cancelamentos descem um por cento. A receita sobe cem dólares por mês. Mil e duzentos dólares por ano.
A diferença entre um relatório mau e um bom: cinquenta mil dólares encontrados mais cinco mil dólares poupados. Cinquenta e cinco mil dólares de impacto só com os relatórios.
A diferença entre dados e conclusões
Dados versus conclusões
Dados: o tráfego subiu três por cento esta semana.
Conclusão: o tráfego subiu três por cento porque um novo canal pago foi lançado na terça-feira. O novo canal teve um custo médio de oito dólares por visitante, com três por cento de taxa de conversão. Os canais existentes têm em média doze dólares por visitante, com dois por cento de taxa de conversão. O novo canal é três por cento mais eficiente. Recomendação: testar o aumento do orçamento diário de duzentos para quinhentos dólares por dia durante duas semanas, para perceber se a eficiência se mantém em escala.
Os dados são só números. A conclusão liga os números à causa e recomenda uma ação.
Os relatórios maus listam dados. Os relatórios bons dão conclusões.
O que torna um relatório realmente útil
Os relatórios respondem a perguntas concretas
Um relatório útil responde a uma pergunta concreta. Não responde a todas as perguntas possíveis. Responde à pergunta de que o interessado precisa nesta semana.
Exemplo: o gestor de marketing perguntou “que canais estão abaixo do esperado”. Um relatório útil mostra: o custo por aquisição da pesquisa paga subiu de oito para doze dólares nas últimas quatro semanas. O custo por aquisição da pesquisa orgânica subiu de dois para quatro dólares (na verdade é grátis, mas é o custo de aquisição de clientes incluindo o trabalho orgânico). O custo por aquisição do email manteve-se estável em um dólar.
Conclusão do relatório: a pesquisa paga está abaixo do objetivo do limite de oito dólares. A pesquisa orgânica está a piorar. O email está estável. Recomendação: pausar a expansão da pesquisa paga, investigar a degradação da pesquisa orgânica e manter o investimento em email.
Um relatório inútil mostra: todos os canais contribuíram para o crescimento da receita total. A pesquisa paga gerou quarenta por cento da receita. A orgânica gerou trinta e cinco por cento. O email gerou vinte e cinco por cento.
Os dois usam os mesmos dados. O primeiro responde à pergunta. O segundo não.
Os três componentes de um relatório útil
Componente um: comparação com uma base
Nunca mostres uma métrica isolada. Mostra a métrica comparada com:
A semana passada ou o mês passado (variação imediata). O mesmo período do ano passado (base sazonal). A média das últimas treze semanas (base de variação normal).
Sem comparação, uma métrica não quer dizer nada. O tráfego foi de cinco mil esta semana. É bom ou mau. Depende da base.
Se a semana passada foi de quatro mil, esta semana é boa. Se a semana passada foi de seis mil, esta semana é má. Se a média é de cinco mil, esta semana é normal.
A base elimina a ambiguidade.
Componente dois: ligação ao objetivo
Cada métrica deve estar ligada a um objetivo do negócio.
Objetivo: aumentar a receita. Métrica um: a receita desta semana foi de cinquenta mil. O objetivo é sessenta mil. Atraso de dezasseis por cento. Métrica dois: o tráfego foi de dez mil. O objetivo era onze mil. Atraso de nove por cento. Métrica três: a taxa de conversão foi de quatro por cento. O objetivo era cinco por cento. Atraso de vinte por cento.
A métrica três é o problema. O tráfego está um pouco atrasado. Mas a taxa de conversão está muito atrasada. Recomendação: melhorar a taxa de conversão para atingir o objetivo.
Sem objetivo, as métricas são só números.
Componente três: razão da variação e recomendação
Se uma métrica se mexeu, porque se mexeu.
A taxa de conversão desceu de cinco para quatro por cento. Porquê. Que páginas converteram pior. Que origens de tráfego converteram pior. Que dispositivos converteram pior.
Se souberes porquê, podes corrigir.
O relatório deve explicar a razão e recomendar a correção.
O que deixar de fora dos relatórios
Não incluas métricas que não levam a decisões.
As visualizações de página são uma métrica de vaidade. Não reportes visualizações de página. Reporta conversões por página. Isso leva a decisões.
Os visitantes únicos são uma métrica de vaidade. Reporta o tráfego qualificado para o objetivo. Isso leva a decisões.
O tempo na página é uma métrica de contexto. Inclui-a se o tempo estiver ligado à conversão. Mas não reportes o tempo na página sem contexto de conversão.
Deixa de fora as métricas que te fazem sentir bem mas não orientam a ação.
Relatório versus painel
Objetivos diferentes
Relatório: narrativa escrita com dados. Responde a uma pergunta concreta. Dá conclusões e recomendações. Gerado semanal, mensal ou trimestralmente.
Painel: vista em direto das métricas. Sem narrativa. Autosserviço. Usado para monitorizar. Os utilizadores exploram o que querem.
O relatório é puxado. O painel é empurrado. O relatório responde a uma pergunta. O painel deixa-te fazer perguntas.
Servem objetivos diferentes. São precisos os dois.
O erro de mudar os relatórios com demasiada frequência
Constróis um relatório. Usas durante duas semanas. Decides que não é útil. Mudas.
Duas semanas não chegam para aprender com um relatório. Precisas de um mês de dados para ver padrões.
Usa a mesma estrutura de relatório durante pelo menos um mês antes de decidires que não funciona. Dá tempo aos interessados para se adaptarem e aprenderem.
Mudar sempre os relatórios impede a aprendizagem.
Perguntas frequentes
Devemos incluir nos relatórios todas as métricas que conseguimos rastrear ou só as mais importantes?
Só as mais importantes. Relatórios com trinta métricas são inúteis porque o leitor não sabe quais importam. Podes rastrear todas as métricas no painel. Mas os relatórios devem incluir cinco a dez métricas, no máximo. Se não consegues explicar porque é que uma métrica está no relatório, remove-a. Uma métrica deve levar a uma decisão ou explicar porque é que outra métrica se mexeu. Exemplo: podes rastrear cem métricas na tua plataforma de análise. Mas o relatório semanal deve mostrar cinco métricas, no máximo: receita, tráfego, taxa de conversão, custo por aquisição, retorno do investimento em anúncios. Todas as outras métricas são detalhe de apoio no painel ou na análise aprofundada do relatório mensal. Com o criador de websites da WEMASY, podes configurar isto diretamente no teu website.
Quão detalhadas devem ser as explicações das variações das métricas?
Detalhadas o suficiente para recomendar uma ação, mas não tanto que confundam o leitor. Exemplo: “A receita desceu três por cento. Isto deveu-se a uma pausa na pesquisa paga, em que se testava uma nova estratégia de licitação. A estratégia não funcionou como esperado e os custos aumentaram. Retomámos a estratégia de licitação anterior e esperamos que a receita normalize até à próxima semana.” Este detalhe chega. Não entres em todos os pormenores técnicos da estratégia de licitação. Dá detalhe suficiente para o interessado perceber o que aconteceu e o que estás a fazer a esse respeito. Versão má: “Pausámos as campanhas de pesquisa paga durante três dias com a funcionalidade Smart Bidding, com o CPA alvo definido em doze dólares e ajustes de valor de conversão aplicados aos segmentos de clientes novos e recorrentes.” O interessado fica confuso. Versão boa: “Os custos da pesquisa paga aumentaram, por isso pausámos as campanhas e voltámos à abordagem de licitação anterior. A receita deve normalizar na próxima semana.”
Se uma métrica desce, devemos explicá-la como variação sazonal ou investigá-la como um problema?
Os dois. Se a métrica desce e é uma variação sazonal esperada, assinala-o. “Receita em baixa de oito por cento, o que é esperado em agosto, com base nos dados históricos dos últimos dois anos.” Mas investiga também: “No entanto, a receita está também três por cento abaixo da média de agosto, o que sugere uma dificuldade adicional além da sazonalidade típica. Estamos a investigar que campanhas tiveram pior desempenho face à base de agosto.” Reconhece o padrão esperado, mas assinala a variação inesperada. Não culpes a sazonalidade e ignores os problemas. A sazonalidade explica parte do movimento. A variação adicional precisa de investigação.
Como evitamos que os relatórios demorem horas a criar?
Automatiza a recolha de dados. A ferramenta deve puxar as métricas e gerar o modelo. Tu acrescentas a explicação e a recomendação. Se a recolha de dados é manual, usa modelos de consultas. Se a formatação é manual, usa modelos. Concentra o teu tempo na explicação e na recomendação, não na recolha de dados e na formatação. O tempo gasto em modelos e automação compensa. Exemplo: gastas duas horas a construir um modelo que puxa os dados e formata o relatório semanal. Cada semana gastas trinta minutos a preencher a explicação e a recomendação. Ao fim de quatro semanas, o modelo já se pagou. Ao fim de um ano, poupaste oitenta horas ao automatizar a recolha de dados.
Devemos incluir dados da concorrência nos nossos relatórios?
Só se tiveres dados fiáveis. Se estás a adivinhar, deixa de fora. Se tens referências do setor ou compraste dados da concorrência, inclui-os para dar contexto. “A nossa taxa de conversão é de quatro por cento. A média do setor é de três por cento. Estamos acima.” O contexto ajuda a explicar se as métricas são boas ou más. Mas não especules sobre o desempenho da concorrência. Fica pelos factos.
Com que frequência devemos redesenhar por completo a estrutura dos nossos relatórios?
Uma vez por ano. Revê trimestralmente para garantir que os relatórios continuam úteis. Mas não redesenhes todos os trimestres. Deixa a estrutura estabilizar. Uma vez por ano, na época baixa, vê se a estrutura do relatório deve mudar por causa de novos objetivos, novos canais, novos produtos ou mudanças na organização. Frequência das mudanças: se a verificação trimestral mostrar que os relatórios continuam a funcionar, deixa-os em paz. Se a maioria dos interessados disser que os relatórios precisam de melhorias, muda-os. Se só uma pessoa se queixar, ignora. Redesenhar todos os trimestres cria caos e impede a aprendizagem.