A Smartlook criou um fluxo de cadastro que muitas equipes de growth celebrariam.
O fluxo alcançou uma taxa de conversão de 70,6% da visita à página de cadastro até o cadastro concluído. Entre as pessoas que iniciaram o processo, 99% o concluíram. Em certo momento, a empresa descreveu a experiência como quase sem atrito.
Então, uma métrica mais importante se deteriorou.
Ativação.
O caso da Smartlook, escrito pelo gerente de produto Nikola Kožuljević e publicado pela CXL em 2020, é um dos exemplos mais claros de por que a otimização de conversão local pode prejudicar a jornada mais ampla do cliente.
A Smartlook fornece análise comportamental para sites e aplicativos móveis. Para que o produto entregue valor, os clientes precisam conectar os próprios dados para ver gravações e comportamentos reais, em vez de demonstrações.
O cadastro não era o momento de valor.
A ativação era.
O problema original
A Smartlook tinha um processo de onboarding mais antigo, com quatro etapas.
Ele abrangia registro, perfil, configuração do projeto e código de rastreamento.
O fluxo tinha problemas reais.
Ele não dava bom suporte a projetos móveis. O design estava datado. Os usuários ficavam efetivamente presos à configuração antes de poder explorar o aplicativo.
A equipe, portanto, redesenhou o onboarding.
Suas metas declaradas incluíam:
- levar os usuários ao recurso principal mais rapidamente;
- reduzir o atrito.
Essas metas parecem razoáveis.
O problema era como o sucesso era medido.
A equipe otimizou o funil visível
A Smartlook simplificou a jornada de cadastro.
Ela adicionou login social, menos interações explícitas, progressão automática após as escolhas, configuração do código de rastreamento adiada, etapas de consentimento adiadas e uma UI mais limpa.
As métricas de conversão melhoraram.
De acordo com o artigo da CXL:
- 70,6% dos visitantes da página de cadastro concluíram o processo;
- 75% dos usuários que viram a página de cadastro converteram em dados posteriores;
- 99% das pessoas que iniciaram o cadastro o concluíram.
Se a equipe tivesse parado a medição na criação da conta, o redesign teria parecido excelente.
Mas o produto ainda exigia ativação.
A ativação era a transição de valor real
A Smartlook definia ativação em torno de projetos que recebiam dados.
Sem dados de clientes em tempo real, os usuários não conseguiam experimentar todo o valor das gravações de sessão.
Depois que o fluxo sem atrito foi lançado, a taxa de ativação caiu.
A CXL relata que, até janeiro de 2020, a taxa de ativação havia caído 18,9%, o equivalente a 14 pontos percentuais, em comparação com o início do ano anterior.
O fluxo criou mais contas.
Mas contas demais estavam inativas.
Isso aumentou os custos de infraestrutura, os custos de ferramentas de mensagens, o ruído analítico e a complexidade operacional.
O funil de cadastro melhorou enquanto o sistema de clientes se enfraquecia.
Por que reduzir o atrito criou dados ruins
Um problema sutil envolvia campos de segmentação.
A Smartlook pedia que os usuários selecionassem cargo e categoria da empresa.
Como o fluxo avançava automaticamente após uma seleção, muitas pessoas simplesmente clicavam na opção mais próxima ou na primeira.
O resultado era conclusão mais rápida, mas informação mais pobre.
Isso degradou a capacidade da Smartlook de personalizar o onboarding.
Isso ilustra um princípio mais amplo:
o atrito às vezes pode criar compromisso ou informação valiosos.
A meta correta não é atrito zero.
É zero atrito desnecessário.
O atrito útil pode qualificar um lead, coletar contexto necessário, confirmar intenção, prevenir erros ou melhorar a personalização.
A Smartlook reintroduziu atrito deliberadamente
A equipe mudou o fluxo de cadastro novamente.
Ele exigia que os usuários selecionassem cargo, selecionassem categoria da empresa, avançassem pelas etapas com ações explícitas de Anterior e Próximo e informassem a categoria do site como campo obrigatório.
Isso reduziu a conversão bruta.
De acordo com a CXL:
- a conversão geral de cadastro caiu de 70,61% para 66,98%;
- a conclusão das etapas caiu 1,21 pontos percentuais;
- a mudança geral na conversão foi uma queda de 5,14%.
Em um painel de CRO convencional, isso poderia parecer um fracasso.
Mas a Smartlook relatou benefícios importantes:
- menos novas contas inativas;
- menor custo com contas não utilizadas;
- dados de segmentação mais confiáveis;
- onboarding mais contextual;
- tours de produto melhores.
A empresa aceitou uma taxa de conversão local menor para melhorar a qualidade dos usuários que avançavam pelo sistema.
O erro principal foi a hierarquia de métricas
A Smartlook não tinha um problema de design ruim no cadastro.
Tinha um problema de hierarquia de métricas.
As métricas deveriam ter sido priorizadas assim:
Resultado de negócio
- receita retida;
- conversão para pago;
- clientes ativos.
Resultado de produto
- projetos ativados;
- uso significativo do produto.
Métrica de funil
- cadastro concluído.
Métrica de interface
- conclusão de etapas individuais.
Quando uma métrica de nível inferior melhora enquanto uma métrica de nível superior se deteriora, a otimização provavelmente está errada.
Esse conceito se aplica muito além do cadastro em SaaS.
Exemplo de e-commerce
Remover a validação de endereço pode aumentar a conclusão do checkout.
Se isso também aumentar entregas malsucedidas e reembolsos, o ganho de conversão local é enganoso.
Exemplo de geração de leads
Encurtar um formulário pode aumentar os leads.
Se a qualificação de leads entrar em colapso, a produtividade de vendas pode cair.
Exemplo de newsletter
Pop-ups agressivos podem aumentar os assinantes.
Se o engajamento e a entregabilidade enfraquecerem, o público pode se tornar menos valioso.
Exemplo de mídia paga
Otimizar para conversões baratas pode aumentar o volume reportado pela plataforma.
Se a qualidade da receita cair, o CAC dos clientes reais piora.
A falha comum é otimizar a etapa observável mais fácil.
O que os operadores podem copiar
1. Defina a ativação antes de redesenhar o cadastro
Pergunte qual ação prova que o cliente alcançou o primeiro valor significativo. Esse evento geralmente deve importar mais do que a criação da conta.
2. Use hierarquia de métricas
Toda métrica de conversão local precisa de uma verificação posterior.
Exemplo:
`conversão de cadastro → ativação → conversão para pago → retenção`
3. Acompanhe o custo de contas inativas
Cadastros gratuitos não são gratuitos. Eles podem consumir infraestrutura, suporte, e-mail, licenças de CRM e capacidade analítica.
4. Trate os dados de segmentação como um ativo de produto
Se a personalização depende dos dados de perfil, a qualidade do formulário importa.
5. Remova o atrito desnecessário, não todo o atrito
Avalie cada etapa. Ela reduz risco, melhora a informação, qualifica, aumenta o compromisso ou evita uma falha posterior? Se sim, o atrito pode ser produtivo.
O que não copiar
Não adicione campos simplesmente porque a Smartlook reintroduziu campos.
Para outro produto, etapas extras podem genuinamente ser desperdício.
O princípio transferível é que a otimização deve seguir a cadeia de valor completa.
A importância da cautela causal
A queda da ativação ocorreu após o redesign do cadastro.
Essa relação temporal é útil, mas não prova que o redesign causou toda a queda.
A própria Smartlook reconheceu que outros fatores, incluindo o aumento da geração de leads, poderiam afetar a taxa de ativação.
A equipe formulou uma hipótese e ajustou o fluxo.
Isso é uma boa prática.
Os operadores devem evitar contar uma história mais limpa do que os dados sustentam.
A ativação do produto deve moldar os relatórios de aquisição
O caso da Smartlook também muda a forma como a aquisição deve ser reportada. Se o cadastro é fácil, mas a ativação é difícil, painéis de marketing que param na criação da conta superestimam a qualidade do canal. Uma fonte que gera os registros mais baratos pode estar enviando os usuários com menor probabilidade de concluir a configuração.
Um relatório mais robusto acompanha coortes além do cadastro e compara a ativação por origem, campanha, dispositivo e persona. Isso pode revelar se o problema é o design do onboarding ou a qualidade do público. Também impede que as equipes paguem mais para escalar contas inativas.
Para SaaS de autoatendimento, a métrica de aquisição deve, portanto, ficar o mais próximo possível do primeiro valor. Quando plataformas de otimização precisam de maior volume de eventos, o cadastro pode continuar sendo um sinal secundário, mas as decisões de negócio ainda devem ser verificadas em relação à ativação e à retenção.
Limitações do caso
A história da Smartlook é incomumente transparente, mas ainda tem limitações:
- trata-se de um relato escrito pela própria empresa e publicado pela CXL;
- várias mudanças de onboarding aconteceram ao longo do tempo;
- nenhum experimento randomizado isola toda a mudança do fluxo;
- o artigo final relata benefícios operacionais, mas não uma análise completa da receita nas etapas posteriores.
A Radar Digital, portanto, trata o caso como um forte exemplo operacional, não como um experimento causal definitivo.
A lição operacional
Uma taxa de conversão não é um resultado de negócio.
O fluxo de cadastro quase sem atrito da Smartlook fez o topo do funil de produto parecer mais forte.
A ativação mostrou que o sistema estava mais fraco.
A pergunta correta de otimização não era como maximizar a conclusão do cadastro.
Era:
Como maximizamos o número de clientes que alcançam valor significativo do produto com eficiência?
Essa mudança altera como uma equipe projeta onboarding, instrumentação e experimentos.
Às vezes, a melhor otimização de conversão é aceitar uma taxa de conversão menor na etapa errada.
