# Survey Analysis > Survey Analysis — Skill especializada para survey analysis - Skill: `kursku/survey-analysis` (Agent Skill) - Install (CLI): `npx skillmds@latest add kursku/survey-analysis` - Raw SKILL.md: https://api.skillmd.com/api/skills/kursku/survey-analysis/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Data & Analytics - License: MIT - Author: kursku (https://skillmd.com/u/kursku) - Updated: 2026-09-08 - Page: https://skillmd.com/skills/kursku/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) ```markdown # 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 ```markdown # 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 - [x] Dados de pesquisa (NPS, CSAT, Exit Survey) configurados para serem enviados como eventos e parâmetros para o GA4 via GTM. - [x] Dimensões personalizadas criadas no GA4 para cada parâmetro relevante da pesquisa (e.g., `nps_score`, `reason_for_exit`). - [x] Audiências de GA4 segmentadas com base nas respostas da pesquisa (e.g., Promotores, Detratores, Usuários que citaram "preço alto"). - [x] Relatórios de "Explorações" (Funil, Caminho, Formato Livre) criados no GA4 para analisar o comportamento de cada segmento de feedback. - [x] Métricas de engajamento e retenção (e.g., sessões por usuário, tempo médio de engajamento, receita por usuário) comparadas entre os segmentos de feedback. - [x] Correlação entre as razões de abandono (pesquisa) e os pontos de queda no funil de conversão (GA4) identificada. - [x] Dados de atribuição no GA4 analisados para entender quais canais atraem usuários com diferentes perfis de feedback. - [x] Plano de ação detalhado com base nos insights de pesquisa e GA4, incluindo métricas de sucesso monitoráveis no GA4. - [x] Implementação de testes A/B para validar otimizações derivadas dos insights da pesquisa. - [x] Monitoramento contínuo das métricas-chave no GA4 pós-implementação das otimizações. --- ## Métricas de Referência | Métrica | Benchmark (Varejo Online) | Meta (Otimizado) | |------------------------------|---------------------------|---------------------------| | NPS (Net Promoter Score) | 10-30 | 40-60+ | | CSAT (Customer Satisfaction) | 75-85% (4-5 estrelas) | 90%+ (4-5 estrelas) | | CES (Customer Effort Score) | 4.0-5.0 (escala 1-7) | 6.0-7.0 (escala 1-7) | | Taxa de Abandono de Carrinho | 60-75% | 45-55% | | Taxa de Conclusão de Checkout| 25-40% | 50-60%+ | | Receita por Usuário (Promotor)| 2x - 3x Detrator | 3.5x+ Detrator | --- ## 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.