Survey Analysis

Survey Analysis

Esta skill capacita o Claude a integrar e analisar dados de pesquisas com métricas do Google Analytics 4, correlacionando feedback qualitativo com comportamento quantitativo do usuário para otimizar jornadas e decisões de produto.

Keywords

NPS (Net Promoter Score), CSAT (Customer Satisfaction Score), CES (Customer Effort Score), Google Analytics 4 (GA4), Dimensões Personalizadas GA4, Métricas Personalizadas GA4, Eventos GA4, Explorações GA4, Funil de Conversão, Atribuição de Marketing, Feedback de Usuário, Pesquisa de Abandono, Segmentação de Audiência, Análise Pós-Compra.

Quick Start

1. Configurar GTM para Captura de Feedback: Implemente tags no Google Tag Manager para disparar eventos GA4 e coletar dados de pesquisas (e.g., envio de formulário de NPS) como eventos e parâmetros, mapeando o score para um parâmetro como nps_score.
2. Criar Dimensões Personalizadas no GA4: Registre os parâmetros de pesquisa (e.g., nps_score, reason_for_churn) como dimensões personalizadas de escopo de usuário ou evento no GA4 para que os dados sejam visíveis nos relatórios.
3. Segmentar Usuários por Feedback: Crie segmentos de audiência no GA4 (e.g., "Promotores NPS", "Detratores NPS") usando as dimensões personalizadas para analisar o comportamento específico de cada grupo.
4. Construir Relatório de Exploração de Funil: Utilize a ferramenta de "Explorações" no GA4 para construir um funil de conversão e aplicar os segmentos de feedback, identificando onde promotores e detratores divergem na jornada.
5. Correlacionar com Fontes de Atribuição: Compare os segmentos de feedback com os dados de atribuição no GA4 para entender quais canais de marketing atraem usuários com maior satisfação ou menor intenção de churn.

Core Workflows

Workflow 1: Análise de Impacto do NPS na Retenção e Engajamento via GA4

Este workflow detalha a integração de dados de NPS com o GA4 para identificar padrões comportamentais de promotores e detratores e otimizar estratégias de retenção.

1. Configuração da Pesquisa NPS e Coleta de Dados:

   • Ferramenta: Utilize uma ferramenta de pesquisa como Typeform, Qualtrics, SurveyMonkey ou uma solução in-house.
   • Disparo: Configure a pesquisa para ser disparada 7 dias após a primeira compra ou 30 dias após o cadastro, dependendo do ciclo de vida do produto.
   • Integração GTM/GA4:
     • Ao submeter a pesquisa, envie um evento para o GA4 via Google Tag Manager (GTM).
     • Exemplo de configuração no GTM:
       • Tipo de Tag: Google Analytics: Evento GA4
       • Nome do Evento: nps_survey_submit
       • Parâmetros do Evento:
         • nps_score: {{NPS_Score_Variable}} (variável do GTM que captura o valor do NPS, e.g., de um campo de formulário)
         • user_id: {{GA4_User_ID}} (se disponível para matching)
         • feedback_type: NPS
     • No GA4, registre nps_score como uma Dimensão Personalizada de Escopo do evento (Nome: nps_score, Nome do parâmetro do evento: nps_score).

2. Criação de Segmentos de Audiência no GA4:

   • Acesse Administrador > Visualização de dados > Audiências no GA4.
   • Crie três novas audiências baseadas na dimensão personalizada nps_score:
     • Audiência 1: Promotores NPS: nps_score é MAIOR OU IGUAL A 9.
     • Audiência 2: Passivos NPS: nps_score é MAIOR OU IGUAL A 7 E MENOR OU IGUAL A 8.
     • Audiência 3: Detratores NPS: nps_score é MENOR OU IGUAL A 6.
   • Estas audiências permitirão segmentar relatórios e explorações.

3. Análise Comportamental com "Explorações" (GA4):

   • Vá para Explorar no menu lateral esquerdo do GA4.
   • Crie uma nova Exploração de Funil ou Exploração de Caminho.
   • Exploração de Funil:
     • Defina os passos do funil (e.g., page_view /carrinho, add_to_cart, begin_checkout, purchase).
     • Aplique os segmentos "Promotores NPS", "Passivos NPS" e "Detratores NPS" ao funil.
     • Insight Esperado: Observar se os Promotores têm uma taxa de conclusão do funil significativamente maior que os Detratores, ou se os Detratores abandonam em etapas específicas (e.g., checkout).
     • Exemplo: Promotores têm 85% de conclusão de compra, Detratores apenas 30%, com a maior queda na etapa de pagamento.

4. Correlação com Métricas de Engajamento e Retenção:

   • Crie uma Exploração de Tabela ou Formato livre.
   • Linhas: Audiência (Promotores, Passivos, Detratores).
   • Colunas/Métricas: Sessões por usuário, Tempo médio de engajamento, Taxa de rejeição, Receita por usuário, Eventos de engajamento por usuário.
   • Insight Esperado: Promotores tendem a ter maior Sessões por usuário, Tempo médio de engajamento e Receita por usuário em comparação com Detratores.
   • Exemplo: Promotores gastam em média R$500/mês, interagem com 15 páginas/sessão. Detratores gastam R$100/mês, interagem com 3 páginas/sessão.

5. Análise de Atribuição (Relatórios de Publicidade):

   • Acesse Publicidade > Atribuição > Caminhos de conversão no GA4.
   • Filtre os relatórios pelas conversões desejadas (e.g., purchase).
   • Aplique a comparação de segmentos (Promotores vs. Detratores).
   • Insight Esperado: Identificar se determinados canais de marketing (e.g., Pesquisa Paga, Mídias Sociais) atraem proporcionalmente mais Promotores ou Detratores. Isso pode informar o ajuste do investimento em canais para atrair usuários de maior valor.
   • Exemplo: Display Ads trazem muitos Detratores, enquanto Email Marketing e Pesquisa Orgânica são fortes em Promotores.

Workflow 2: Otimização de Funis com Insights de Pesquisas de Abandono (Exit Surveys)

Este workflow foca em utilizar dados de pesquisas de saída para entender as razões do abandono e otimizar funis de conversão no GA4.

1. Implementação da Pesquisa de Abandono:

   • Disparo: Configure um pop-up ou modal de pesquisa de saída (exit-intent survey) para aparecer quando um usuário demonstra intenção de sair de uma página crítica do funil (e.g., carrinho de compras, checkout, página de inscrição).
   • Perguntas-chave: "Qual o principal motivo para você não concluir sua ação hoje?", com opções como "Preço alto", "Processo complicado", "Falta de informação", "Comparando preços", "Problema técnico". E um campo de texto livre.
   • GTM/GA4:
     • Ao submeter a pesquisa, envie um evento GA4, e.g., exit_survey_submit.
     • Inclua parâmetros como reason_for_exit (capturando a opção selecionada) e page_abandoned (URL da página onde a pesquisa foi preenchida).
     • No GA4, registre reason_for_exit e page_abandoned como Dimensões Personalizadas de Escopo do evento.

2. Identificação de Pontos de Abandono no GA4:

   • No GA4, vá para Explorar e crie uma Exploração de Funil.
   • Funil: Mapeie o funil de conversão relevante (e.g., Visualização Produto -> Adicionar ao Carrinho -> Iniciar Checkout -> Comprar).
   • Identifique as etapas com maior taxa de abandono.
   • Exemplo: A maior queda ocorre entre Iniciar Checkout e Adicionar Informações de Envio, com 60% de abandono.

3. Correlação de Dados da Pesquisa com Abandono do Funil:

   • Crie uma Exploração de Tabela ou Formato livre.
   • Linhas: reason_for_exit (dimensão personalizada da pesquisa).
   • Colunas/Métricas: Taxa de abandono (para a etapa específica do funil), Usuários, Sessões.
   • Filtro: page_abandoned contém checkout (para focar na página de checkout).
   • Insight Esperado: Identificar quais razões de saída estão mais associadas aos usuários que abandonam em etapas críticas do funil.
   • Exemplo: Para a etapa Iniciar Checkout, 40% dos abandonos são atribuídos a "Preço alto" e 30% a "Processo complicado".

4. Priorização de Otimizações:

   • Com base na correlação, priorize as otimizações. Se "Processo complicado" é a principal razão para abandono no checkout, investigue a complexidade dos formulários, número de campos, clareza das instruções.
   • Se "Preço alto" for dominante, considere opções de frete, descontos ou comparativos de valor.
   • Exemplo: Ação prioritária é simplificar o formulário de Adicionar Informações de Envio e adicionar um indicador de progresso no checkout.

5. Monitoramento Pós-Otimização no GA4:

   • Após implementar as mudanças (e.g., simplificação do formulário de checkout), monitore a taxa de abandono daquela etapa específica do funil no GA4.
   • Utilize anotações no GA4 ou Google Sheets para registrar a data da implementação.
   • Métricas de Sucesso: Diminuição da taxa de abandono na etapa Adicionar Informações de Envio, aumento da taxa de conversão do funil geral.
   • Exemplo: A taxa de abandono na etapa Adicionar Informações de Envio caiu de 60% para 45% após a otimização.

Templates

Script de Pesquisa de Satisfação Pós-Compra (CSAT)

# Pesquisa de Satisfação Pós-Compra

Olá [Nome do Cliente],

Esperamos que esteja satisfeito com sua recente compra em nossa loja! Seu feedback é muito importante para continuarmos melhorando. Levará apenas 1 minuto.

1.  **No geral, qual o seu nível de satisfação com a sua experiência de compra em nosso site hoje?**
    *   [ ] Muito Insatisfeito (1)
    *   [ ] Insatisfeito (2)
    *   [ ] Neutro (3)
    *   [ ] Satisfeito (4)
    *   [ ] Muito Satisfeito (5)

2.  **Qual foi o principal fator que influenciou sua resposta acima?**
    *   [ ] Facilidade de navegação no site
    *   [ ] Qualidade dos produtos
    *   [ ] Preço e custo-benefício
    *   [ ] Velocidade e custo do frete
    *   [ ] Atendimento ao cliente
    *   [ ] Opções de pagamento
    *   [ ] Outro (por favor, especifique): [Campo de texto livre]

3.  **O que poderíamos ter feito para tornar sua experiência ainda melhor?**
    [Campo de texto livre para sugestões]

4.  **Você recomendaria nossa loja a um amigo ou colega?**
    *   [ ] Sim
    *   [ ] Não
    *   [ ] Talvez

Agradecemos sinceramente seu tempo e feedback!

[Link para Política de Privacidade]

Plano de Ação Baseado em Insight de Survey e GA4

# Plano de Ação - Otimização de Funil de Checkout

**Data:** 2024-10-27
**Responsável:** Equipe de Produto e Marketing Digital

**Insight da Pesquisa:** 35% dos usuários que abandonaram o checkout mencionaram "Processo de pagamento complicado" ou "Muitos campos para preencher" nas pesquisas de saída (Exit Survey).

**Dados GA4 Correlacionados:**
*   **Relatório:** Exploração de Funil - Funil de Checkout.
*   **Etapa Crítica:** "Adicionar Informações de Envio e Pagamento" tem uma taxa de abandono de 55%.
*   **Segmento Detratores:** Usuários classificados como "Detratores NPS" têm uma taxa de abandono de 70% nesta etapa, comparado a 30% dos "Promotores NPS".
*   **Dispositivo:** Abandono é 15% maior em dispositivos móveis nesta etapa.

**Causa Provável:** Formulário de checkout longo e não otimizado para mobile, exigindo muitas informações desnecessárias ou com campos confusos.

**Ações Propostas:**

1.  **Simplificar Formulário de Envio:**
    *   **Ação:** Reduzir o número de campos obrigatórios no formulário de envio. Consolidar campos (e.g., "Endereço Linha 1" e "Linha 2" em um único campo inteligente).
    *   **Responsável:** Equipe de Desenvolvimento
    *   **Prazo:** 2024-11-15
    *   **Métrica de Sucesso (GA4):** Redução da taxa de abandono na etapa "Adicionar Informações de Envio" em 10%. Aumento da Taxa de Conversão de Checkout em 5%.

2.  **Otimização Mobile do Checkout:**
    *   **Ação:** Implementar design responsivo e teclados otimizados para cada tipo de campo no checkout mobile (e.g., teclado numérico para telefone/CEP).
    *   **Responsável:** Equipe de UI/UX e Desenvolvimento
    *   **Prazo:** 2024-11-30
    *   **Métrica de Sucesso (GA4):** Redução da taxa de abandono mobile na etapa "Adicionar Informações de Envio" em 12%.

3.  **Adicionar Indicador de Progresso:**
    *   **Ação:** Incluir um indicador visual de progresso (e.g., "Passo 1 de 3") no topo do formulário de checkout para reduzir a percepção de complexidade.
    *   **Responsável:** Equipe de UI/UX e Desenvolvimento
    *   **Prazo:** 2024-11-20
    *   **Métrica de Sucesso (GA4):** Aumento do tempo médio de engajamento na página de checkout e redução da taxa de rejeição.

**Monitoramento:** Acompanhamento semanal das métricas de funil no GA4, com relatórios de Exploração de Funil segmentados por dispositivo e audiência (NPS).

**Próximos Passos:** Realizar testes A/B nas alterações implementadas para validar a eficácia.

Checklist

• Dados de pesquisa (NPS, CSAT, Exit Survey) configurados para serem enviados como eventos e parâmetros para o GA4 via GTM.
• Dimensões personalizadas criadas no GA4 para cada parâmetro relevante da pesquisa (e.g., nps_score, reason_for_exit).
• Audiências de GA4 segmentadas com base nas respostas da pesquisa (e.g., Promotores, Detratores, Usuários que citaram "preço alto").
• Relatórios de "Explorações" (Funil, Caminho, Formato Livre) criados no GA4 para analisar o comportamento de cada segmento de feedback.
• Métricas de engajamento e retenção (e.g., sessões por usuário, tempo médio de engajamento, receita por usuário) comparadas entre os segmentos de feedback.
• Correlação entre as razões de abandono (pesquisa) e os pontos de queda no funil de conversão (GA4) identificada.
• Dados de atribuição no GA4 analisados para entender quais canais atraem usuários com diferentes perfis de feedback.
• Plano de ação detalhado com base nos insights de pesquisa e GA4, incluindo métricas de sucesso monitoráveis no GA4.
• Implementação de testes A/B para validar otimizações derivadas dos insights da pesquisa.
• Monitoramento contínuo das métricas-chave no GA4 pós-implementação das otimizações.

Métricas de Referência

Erros Comuns

1. Não Integrar Dados Qualitativos com Quantitativos: Erro: Coletar dados de pesquisa (qualitativos) e analisar métricas do GA4 (quantitativos) de forma isolada, sem correlação. Isso impede a compreensão holística do "porquê" por trás do "o quê". Como evitar: Sempre configure dimensões personalizadas no GA4 para os dados de pesquisa e crie segmentos. Utilize as ferramentas de "Explorações" do GA4 para cruzar esses dados, por exemplo, analisando a taxa de rejeição de Detratores NPS em páginas específicas.
2. Perguntas de Pesquisa Ambíguas ou Tendenciosas: Erro: Fazer perguntas como "Você não gostou do nosso novo recurso, não é?" que induzem a uma resposta específica ou usar termos técnicos que os usuários não entendem. Como evitar: Utilize uma linguagem clara e neutra. Teste suas pesquisas com um pequeno grupo antes do lançamento total. Por exemplo, em vez de "Nosso chatbot melhorou sua experiência?", pergunte "Qual foi sua experiência com nosso chatbot?".
3. Ignorar o Contexto do Dispositivo/Canal na Análise: Erro: Analisar o feedback de pesquisa de forma agregada, sem considerar se o usuário estava no desktop, mobile, ou qual canal de marketing o trouxe. Isso pode mascarar problemas específicos de experiência. Como evitar: Sempre que possível, capture o device_category e a source/medium do GA4 junto com o feedback da pesquisa. Ao analisar no GA4, segmente por essas dimensões para identificar se, por exemplo, "Processo complicado" é um problema predominante apenas para usuários mobile vindos de campanhas de social media.

Dicas Avançadas

1. Análise de Sentimento de Respostas Abertas: Implemente ferramentas de processamento de linguagem natural (NLP) para analisar automaticamente as respostas de texto livre das pesquisas. Isso permite identificar rapidamente temas emergentes, o tom emocional (positivo, negativo, neutro) e a intensidade do sentimento, priorizando os problemas mais críticos ou os elogios mais frequentes, que podem ser posteriormente validados com métricas de eventos GA4.
2. Modelagem Preditiva de Churn com Dados Híbridos: Combine os scores de NPS/CSAT com eventos de comportamento do GA4 (e.g., last_purchase_date, time_since_last_session, page_views_per_session) em modelos de Machine Learning. Isso pode prever com maior precisão quais usuários têm alta probabilidade de churn antes mesmo de cancelarem, permitindo ações proativas de retenção.
3. Cross-Device User Journey com Feedback: Utilize o User-ID no GA4 (se implementado) para rastrear a jornada de usuários através de múltiplos dispositivos. Combine isso com o feedback de pesquisa para entender se a satisfação ou insatisfação está ligada a uma experiência fragmentada ou inconsistente entre dispositivos, impactando a atribuição de marketing de longo prazo.
4. Segmentação Dinâmica de Audiências para Personalização: Crie audiências GA4 avançadas que combinam dados de pesquisa (e.g., "Promotores NPS que visitaram a página X, mas não converteram") e utilize-as para campanhas de remarketing altamente personalizadas. Por exemplo, um promotor que visitou uma nova categoria de produto pode receber um e-mail com ofertas exclusivas para essa categoria, enquanto um detrator que teve problemas no checkout pode receber uma oferta de suporte ou um desconto especial para reengajamento.
5. Testes A/B com Base em Micro-Insights de Feedback: Em vez de apenas testar grandes mudanças, use feedback de pesquisa para gerar hipóteses para micro-testes. Se 5% dos usuários mencionaram "dificuldade em encontrar a política de troca", crie um teste A/B para aprimorar a visibilidade desse link no rodapé ou na página do produto, e monitore o impacto na taxa de conversão do funil e no CSAT geral.