- Que páginas no meu site/app geram mais visualizações?
- Que páginas de destino têm a melhor performance ou geram mais conversões?
- O que as pessoas procuram no meu site/app? Que áreas precisam de conteúdo ou navegação melhor?
- Qual é a performance das minhas páginas de destino ao longo do tempo? Os usuários chegam às diferentes páginas com a mesma frequência?
- Como os usuários estão progredindo no funil de compra?
- Como os usuários estão progredindo nas fases do meu jogo?
- O que levou um usuário a adicionar um produto ao carrinho?
- O que levou os usuários a remover meu app?
- Há interseções interessantes entre vários segmentos dos meus dados?
- Os usuários se comportam de maneira diferente dependendo de quando acessam meu site pela primeira vez?
- Quais origens de referência estão trazendo os usuários mais valiosos?
Que páginas no meu site/app geram mais visualizações?
No Universal Analytics, costumamos consultar o Relatório de páginas detalhado pela dimensão "Caminho da página" e por métricas como "Visualizações de página", "Visualizações de página únicas", "Taxa de rejeição" e muito mais. Nas propriedades do Google Analytics 4, o Relatório de páginas parece diferente, mas você pode recriar com facilidade o que está procurando como uma análise detalhada em "Explorar".
Primeiro, ative e adicione uma dimensão usando o ícone "+" no painel "Configurações da guia" em "Explorar". Mais especificamente, você vai adicionar a dimensão "Caminho da página + string de consulta". Se também quiser consultar seus dados por título da página (no UA, o Relatório de páginas usa "Caminho da página"), ative outra dimensão de "Título da página e nome da tela".
Em seguida, você vai precisar adicionar a métrica de "Visualizações" para que ela possa ser incluída na análise detalhada. Para fazer isso, clique no ícone "+" da seção "Métricas" no painel "Variáveis" e pesquise a métrica "Visualizações".
Para criar a análise detalhada de páginas, remova as métricas e dimensões padrão aplicadas nas configurações e adicione "Caminho da página e string de consulta" como a dimensão de linha e "Visualizações" como a métrica de coluna. Para fins de comparação, você também pode adicionar "Usuários ativos" como uma métrica de coluna para ter uma ideia da popularidade de cada página por usuário único.
Para a Google Merchandise Store, se você remover a página inicial (/) e a página do carrinho, vai perceber que as páginas de produtos mais acessadas são as seções "Liquidação" e "Vestuário masculino".
Que páginas de destino têm a melhor performance ou geram mais conversões?
Saber qual página do seu site ou app os usuários acessam ao entrar nele pela primeira vez pode ajudar a otimizar a experiência deles e seus esforços de marketing. O Universal Analytics tem um relatório com essas informações pronto para uso na IU de relatórios, mas ele ainda não está disponível nas propriedades do Google Analytics 4. É possível ter essas mesmas informações criando uma análise detalhada do zero em "Explorar".
Para isso, você precisa de alguns itens importantes: a dimensão "Página de destino" e as métricas relevantes, como "Visualizações", "Sessões" e "Usuários". Adicione e ative as dimensões e métricas extras usando o ícone "+":
Quando essas dimensões e métricas estiverem disponíveis para uso, inclua a dimensão "Página de destino" como uma linha e as métricas relevantes (ex.: "Visualizações", "Sessões" e "Usuários ativos") como valores. Assim, você terá uma análise detalhada da página de destino com essas métricas.
Ao adicionar a métrica "Compras", é possível verificar quais páginas de destino foram visualizadas quando houve uma compra e
comparar essa análise com os totais gerais para entender melhor a eficácia dessas páginas.
O que as pessoas procuram no meu site/app? Que áreas precisam de conteúdo ou navegação melhor?
Outro relatório comum que pode ser criado em "Explorar" é uma análise detalhada de pesquisa no site. Para fazer isso, é necessário seguir algumas etapas.
Primeiro, você precisa ter o evento de medição otimizada ou um evento personalizado ativado para coletar os dados de pesquisa no site. Se você estiver usando a medição otimizada, esse evento será chamado de "view_search_results". Em seguida, verifique se o parâmetro para "search_term" foi ativado como uma dimensão personalizada na sua propriedade. Depois de fazer isso, ela vai ficar disponível para uso em "Explorar".
Quando tiver os dados certos disponíveis, você poderá criar a análise detalhada da seguinte forma: primeiro, ative a dimensão de modo que "search_term" fique disponível para uso na análise detalhada:
Em seguida, adicione a dimensão à análise detalhada na configuração "Linhas". O resultado vai ser semelhante a este:
Esta análise detalhada está mostrando muitos valores (not set) porque está considerando todos os eventos. Para simplificar, é necessário criar um filtro para "Nome do evento" que corresponda exatamente a "view_search_results". Assim, somente os dados desse evento aparecem:
Depois que o filtro for aplicado, você vai ter uma análise detalhada atualizada mostrando o número de pesquisas para cada termo listado, portanto, uma análise detalhada dos termos de pesquisa no site:
Saber o que os usuários estão pesquisando no seu site é uma ótima maneira de otimizar o conteúdo e aumentar o engajamento e a satisfação deles. Por exemplo, se você notar um pico em um termo de pesquisa específico, convém adicionar mais conteúdo sobre ele para ajudar os usuários a encontrar o que estão procurando ou responder às perguntas deles mais facilmente.
Qual é a performance das minhas páginas de destino ao longo do tempo? Os usuários chegam às diferentes páginas com a mesma frequência?
Há várias opções de visualização para cada análise detalhada. O gráfico de linhas pode ser útil para conferir as tendências dos dados ao longo do tempo. Para ver a evolução das suas páginas de destino, basta mudar o tipo de visualização clicando em uma das seis opções no painel "Configurações da guia".
Quando você escolhe mostrar um gráfico de linhas, ele exibe as tendências das suas dez principais páginas de destino ao longo do tempo.
Se você passar o cursor sobre o gráfico, vai ver os pontos de dados de cada dia.
Os dados de anomalias são representados por um círculo vazio. Passe o cursor sobre esse círculo para ver as informações relacionadas. No exemplo abaixo, com base nos dados coletados anteriormente, o Google Analytics esperava que 1.000 usuários ativos visitassem a página inicial em 2 de fevereiro. No entanto, o número observado foi de 2.200, 116% a mais do que o esperado.
Os funis são uma ótima ferramenta para conferir o progresso dos usuários por uma série de etapas que você projetou. Para empresas de e-commerce, o funil é comumente usado para medir um fluxo de comportamento ou de finalização de compra. Os desenvolvedores de jogos podem acompanhar o progresso dos usuários de uma fase para outra. Vamos ver exemplos específicos de cada um desses casos.
Como os usuários estão progredindo no funil de compra?
Para o comportamento de compra, você pode analisar como os diferentes segmentos de usuários estão progredindo em um funil composto pelas etapas de visualização de um item, adição ao carrinho e compra. Comece criando o funil do zero ou use um dos modelos convenientes disponíveis na conta de demonstração do GA4 da Google Merchandise Store. Para fazer isso, acesse o hub Análises detalhadas, role a tela para baixo e selecione "Funil de comportamento de compra" nas análises detalhadas "Demonstração" listadas.
Essa análise detalhada abre no modo somente leitura, mas você pode clicar em "Fazer uma cópia" no canto superior direito para replicar o recurso de forma que ele pertença a você. Depois disso, você poderá fazer edições e ajustes como quiser.
A Google Merchandise Store vende produtos da marca Google, e as duas categorias mais acessadas no site são itens do Android e do YouTube. Comparar essas duas categorias pode ser útil para entender o comportamento de compra. Com esse objetivo, crie dois novos segmentos, um para cada categoria. Nesse caso, você pode criar um segmento com a condição e o evento "select_item" e o parâmetro "item_name" contendo "Android" ou "YouTube".
Esses segmentos mostram usuários que avançaram pelo funil de comportamento de compra e clicaram em um produto da marca Android ou YouTube. Curiosamente, parece que os usuários que clicaram em pelo menos um produto Android têm duas vezes mais chances de comprar algo do que os usuários que interagiram com um item do YouTube. Isso não significa que eles compraram um produto da marca, apenas que clicaram nele. Se você tiver interesse apenas nas compras de produtos de uma marca específica, use o evento "purchase", conforme mostrado abaixo:
Depois que esses segmentos forem aplicados, a comparação do funil de comportamento de compra será semelhante a esta:
Um novo recurso dos funis no GA4 é a capacidade de observar as tendências desse funil ao longo do tempo. Para isso, mude o tipo de visualização para "Funil com tendências" no painel "Configurações da guia". Assim, nós mostramos as tendências de todas as etapas ao longo do tempo. Role por elas para conferir as contagens de cada etapa e segmento por dia.
Você também pode visualizar a tendência de apenas uma etapa por vez e ver as mudanças. Neste exemplo, é possível concluir que, em 10 de março, houve um pico nas compras que não era aparente ao analisar a visualização anterior dos dados. O interessante é que a diferença no número de compras feitas pelas pessoas que visualizaram produtos Android ou do YouTube aparece quase que totalmente após esse pico, o que indica que pode ter ocorrido uma mudança no layout do site ou nas iniciativas de marketing para dar destaque aos itens Android desse momento em diante.
Como os usuários estão progredindo nas fases do meu jogo?
Essa é uma dúvida comum entre os desenvolvedores de jogos ou apps. Você pode responder a essa pergunta com um funil.
Primeiro, é necessário criar etapas específicas para medir o progresso. Neste exemplo, você pode usar o evento “level_up” e criar cinco etapas para os cinco níveis na conta de demonstração do GA4 do Flood-it!.
A aplicação dessas etapas vai mostrar o progresso dos usuários em cada fase do jogo.
Parece que usuários que passam da fase 1 têm mais chances de continuar jogando. Essas informações podem ser úteis em situações de teste A/B em que você dá dicas ou usa outros métodos para ajudar os usuários a completar a fase 1 e reduzir a desistência.
Se você observar a tendência do funil acima ao longo do tempo, também vai notar um aumento em todas as etapas por volta de 19 de março, indicando uma possível mudança na promoção ou na visibilidade do jogo naquele momento.
Também é possível segmentar esse funil para saber se diferentes canais de aquisição afetam a progressão geral das fases. Neste exemplo, é possível observar a aquisição de tráfego direto x pago. Você vai perceber que os usuários adquiridos em campanhas pagas permanecem por mais tempo (taxas de abandono mais baixas) do que aqueles adquiridos diretamente, o que indica que sua publicidade paga está funcionando conforme o esperado.
Outro recurso muito útil da análise detalhada de funil é que você pode criar um segmento ou público-alvo com base nas desistências. No exemplo abaixo, a taxa de abandono começa a aumentar próximo à fase 4. Crie um segmento de pessoas que desistiram na fase 4 (não chegaram à fase 5) e use como público-alvo para ampliar seu alcance ou envie uma notificação push para incentivar os usuários a voltar e continuar o jogo.
Para criar esse segmento, clique com o botão direito do mouse na etapa do seu interesse e crie um segmento, que também vai incluir um critério de exclusão para a fase 5. Isso garante que você segmente o público-alvo certo.
Por fim, uma última métrica que convém adicionar à análise detalhada de funil é o novo "Tempo decorrido". Para isso, clique no botão para ativar "Mostrar tempo decorrido" no painel "Configurações". Assim, uma nova coluna de métrica é adicionada à tabela:
Saber quanto tempo o jogador leva, em média, para ir de uma etapa a outra pode ser um excelente indicador de sucesso ou, neste caso, da dificuldade de uma fase. Outra alternativa é usar esses dados com o objetivo de criar um público-alvo para uma ação, como enviar uma notificação push ou uma mensagem de remarketing. Por exemplo, parece que um jogador leva, em média, 3 horas e 53 minutos para concluir a fase 2. Para criar um público-alvo com base nos usuários que abandonaram o funil, clique com o botão direito do mouse e escolha a opção relevante:
Esse seria um ótimo público-alvo para oferecer algum incentivo e evitar a desistência do jogo ou app.
Uma ótima funcionalidade nova do recurso Explorar no GA4 é a análise detalhada de caminho. Agora você pode selecionar um evento ou uma página/tela específicos para saber o caminho que o usuário percorre antes ou depois desses pontos no seu site ou app. Há muito tempo, os desenvolvedores nos pedem um recurso para entender o fluxo de usuários em um site. Com as novas análises detalhadas de caminho do GA4, isso finalmente é possível.
O que levou um usuário a adicionar um produto ao carrinho?
Essa é uma pergunta que muitos sites de e-commerce podem fazer. E agora é possível investigar essa questão usando o recurso de caminho reverso.
Para começar, abra uma nova análise detalhada de caminho e toque em "Voltar para o início" no canto superior direito. Em seguida, selecione um endpoint. Escolha "Nome do evento".
Depois, selecione o evento em que você quer traçar o caminho reverso no menu deslizante. Neste caso, como queremos saber o que levou os usuários a adicionar itens ao carrinho, vamos escolher "Adicionar ao carrinho". Se o nome do evento em que você tem interesse não aparecer, toque em "Carregar mais" ou use a barra de pesquisa na parte superior para fazer a pesquisa.
A análise detalhada será carregada com algumas etapas já preenchidas com base no nome do evento. Se eu quiser fazer o caminho por nome de página, é possível mudar isso por etapa. No exemplo abaixo, mudei para "Título da página e classe da tela" e vejo que um bom número de pessoas adicionou ao carrinho na página "Vendas". Posso analisar isso mais a fundo na página "Vendas" para saber se determinados itens eram de maior interesse e fundamentar minha estratégia de marketing.
O que levou os usuários a remover meu app?
Para os desenvolvedores de apps, uma grande preocupação é a desistência de usuários (aqueles que removem o aplicativo). O caminho reverso pode ser um ótimo recurso para descobrir o que levou os clientes a desistir de um app. Para começar, crie um novo caminho reverso clicando no botão "Recomeçar" na parte de cima de uma análise detalhada de caminho. Em seguida, escolha o nome do evento "app_remove" como ponto de partida.
Se você voltar algumas etapas, vai começar a ver as atividades que podem ter levado à desistência dos usuários. Nesse caso, em aproximadamente 13% dos casos, houve uma impressão de anúncio nas duas etapas anteriores à remoção do app. É uma porcentagem muito grande, que indica que talvez a maneira de mostrar os anúncios precise ser otimizada para reduzir o impacto negativo nos usuários e, assim, reduzir a desistência.
Há interseções interessantes entre vários segmentos dos meus dados?
A técnica de sobreposição de segmentos é uma ótima maneira de visualizar como diferentes segmentos de usuários interagem entre si. Por exemplo, é possível visualizar a sobreposição de usuários de computadores e de dispositivos móveis que se inscreveram na newsletter de um site. Isso poderia mostrar mais facilmente a origem da maioria das inscrições em newsletters, em vez de uma análise de tabela para conseguir essas informações.
Para fazer isso, primeiro você precisa adicionar os segmentos que gostaria de analisar ao painel de variáveis. Clique no ícone "+" para adicionar novos segmentos. O Criador de segmentos vai ser aberto.
Para criar o evento de inscrição em newsletter, selecione um segmento e escolha o evento apropriado que vai ser filtrado. Neste caso, “sign_up”.
Depois de criar os segmentos que você quer visualizar, aplique-os clicando duas vezes neles para que sejam adicionados ao painel "Configurações da guia". É possível adicionar até três segmentos por vez para visualizar a sobreposição em um diagrama de Venn.
Neste exemplo, adicionei segmentos a "Tráfego de computadores", "Tráfego de dispositivos móveis" e "Inscrição em newsletter" para ver a origem da maioria das inscrições.
Como é possível observar no diagrama de Venn e na linha 6 da tabela abaixo, a grande maioria das inscrições vem de usuários de computadores. Isso pode indicar que a experiência em dispositivos móveis não é adequada para esse objetivo ou que pode haver um problema de UX impedindo os usuários de se inscreverem com mais facilidade na newsletter. Esse é um ponto importante que quero examinar melhor com minhas equipes de desenvolvimento e UX.
Um recurso muito útil da técnica de sobreposição de segmentos é a capacidade de criar um novo segmento com base em uma sobreposição. Por exemplo, se eu quiser criar um novo segmento que inclua tráfego de computadores e inscrições na newsletter, tenho que clicar com o botão direito do mouse na parte visual dos dados em que tenho interesse, seja no diagrama de Venn ou na tabela, e selecionar a opção.
O Criador de segmentos vai ser aberto com as condições pré-selecionadas com base no conjunto de segmentos que você escolheu. Ele atribuirá o nome descritivo das condições combinadas como o nome do segmento, mas você pode mudar isso se quiser.
Você pode até criar um público-alvo com base nessa sobreposição marcando a caixa no canto superior direito, permitindo que você compartilhe esse público com outros produtos do Google Marketing Platform, como o Google Ads, para ajudar a aumentar o alcance.
Os usuários se comportam de maneira diferente dependendo de quando acessam meu site pela primeira vez?
A análise detalhada de coorte é uma ferramenta útil para entender como diferentes grupos de usuários do seu site se comportam com base em quando e como eles entraram em uma coorte. Mudar a métrica ou o cálculo do que você está analisando em uma análise detalhada de coorte pode tornar isso ainda mais útil.
Ao abrir uma nova análise detalhada de coorte pela primeira vez em "Explorar", você pode ver uma avaliação gerada para você com base na inclusão de coorte de first_touch (ou seja, como alguém se qualificou para a coorte, neste caso, a primeira visita ao site ou app), em critérios de retorno de qualquer evento (caso em que alguém voltou e fez alguma coisa no seu site ou app), em uma métrica de usuários ativos e em um tipo de cálculo de padrão. Isso resulta em uma análise detalhada básica de coorte que mostra quantos usuários você está atraindo de volta ao seu site por semana durante cinco semanas e se isso varia de acordo com a data em que eles acessaram seu site ou app pela primeira vez.
Se você mudar o tipo de métrica dessa análise de "soma" para "por usuário de coorte", vai ter uma ideia das porcentagens de retorno por semana. Isso é mais útil do que a soma nessa visualização específica, porque dá uma noção de como cada coorte é comparada com os usuários recorrentes.
Em um site de e-commerce, você pode achar importante mudar o valor de uma métrica de usuários ativos para "Receita de compra", não apenas para analisar os usuários, mas também o valor da receita que cada coorte está gerando. Você pode considerar isso como a soma da coorte ou por usuário de coorte. No exemplo abaixo, é possível observar que as duas primeiras coortes geraram bem pouca receita por semana, mas, a partir da terceira, a receita começa a aumentar.
Se você mudar o tipo de cálculo de "Padrão" para "Cumulativo", poderá ver o impacto geral de cada coorte na receita comercial.
Neste exemplo, os dados sugerem que, por volta da semana de 7 de março, houve um aumento nas iniciativas de marketing para levar os usuários que geram mais conversões à Google Merchandise Store.
Quais origens de referência estão trazendo os usuários mais valiosos?
Essas informações podem ajudar sua equipe de marketing a identificar quais origens de referência ela quer tentar cultivar como parceira. Nesse caso, o valor indica que os usuários têm menor probabilidade de desistência, têm uma receita total esperada mais alta e um LTV histórico maior.
Para criar essa análise detalhada, primeiro é necessário trazer as métricas e dimensões necessárias para explorar métricas como desistência de usuários, LTV e receita total. Vamos usar origem e mídia como dimensões. Para as métricas, vamos adicionar algumas na seção "Ciclo de vida do usuário" usando o ícone "+" na seção de métricas do painel de variáveis.
Depois de aplicar essas métricas e dimensões, você vai observar que muitas linhas não têm valores para a probabilidade de desistência, porque esses usuários não se qualificam para a estimativa. É possível criar um filtro em que a probabilidade de desistência seja > 0 para excluir todos os usuários sem essa probabilidade calculada. Sua análise detalhada vai ter uma aparência como esta:
Em seguida, é possível classificar os dados por probabilidade de desistência e ver se há alguma campanha com uma quantidade considerável de usuários e uma desistência esperada baixa. Essas campanhas têm probabilidade de gerar mais usuários engajados do que campanhas com um valor de desistência estimado mais alto.
Da mesma forma, é possível analisar a probabilidade de compra, o LTV histórico e engajamento preditivo para identificar o valor dos usuários adquiridos além da sessão única.
É possível observar na captura de tela abaixo que, neste caso, há algumas linhas de referências que não são do Google à Google Merchandise Store, que têm menos usuários, mas uma menor desistência, maior duração de engajamento, transações mais altas e bom LTV médio. Essas referências parecem ter um bom valor para a loja. Portanto, essas são as origens com que a equipe de marketing entraria em contato para cultivar um melhor relacionamento.