Smartlook creó un flujo de registro que muchos equipos de growth celebrarían.
El flujo alcanzó una tasa de conversión de 70,6% desde la visita a la página de registro hasta el registro completado. Entre las personas que iniciaron el proceso, 99% lo completaron. En cierto momento, la empresa describió la experiencia como casi sin fricción.
Entonces, una métrica más importante se deterioró.
Activación.
El caso de Smartlook, escrito por el gerente de producto Nikola Kožuljević y publicado por CXL en 2020, es uno de los ejemplos más claros de por qué la optimización de conversión local puede perjudicar la jornada más amplia del cliente.
Smartlook proporciona análisis de comportamiento para sitios web y aplicaciones móviles. Para que el producto aporte valor, los clientes necesitan conectar sus propios datos para ver grabaciones y comportamientos reales, en lugar de demostraciones.
El registro no era el momento de valor.
La activación sí lo era.
El problema original
Smartlook tenía un proceso de onboarding más antiguo, con cuatro etapas.
Abarcaba registro, perfil, configuración del proyecto y código de seguimiento.
El flujo tenía problemas reales.
No daba buen soporte a proyectos móviles. El diseño estaba desactualizado. Los usuarios quedaban efectivamente atrapados en la configuración antes de poder explorar la aplicación.
Por lo tanto, el equipo rediseñó el onboarding.
Sus metas declaradas incluían:
- llevar a los usuarios al recurso principal más rápidamente;
- reducir la fricción.
Esas metas parecen razonables.
El problema era cómo se medía el éxito.
El equipo optimizó el embudo visible
Smartlook simplificó la jornada de registro.
Añadió inicio de sesión social, menos interacciones explícitas, progresión automática después de las elecciones, configuración del código de seguimiento aplazada, pasos de consentimiento aplazados y una interfaz más limpia.
Las métricas de conversión mejoraron.
Según el artículo de CXL:
- 70,6% de los visitantes de la página de registro completaron el proceso;
- 75% de los usuarios que vieron la página de registro convirtieron en datos posteriores;
- 99% de las personas que iniciaron el registro lo completaron.
Si el equipo hubiera detenido la medición en la creación de la cuenta, el rediseño habría parecido excelente.
Pero el producto aún requería activación.
La activación era la transición al valor real
Smartlook definía la activación en torno a proyectos que recibían datos.
Sin datos de clientes en tiempo real, los usuarios no podían experimentar todo el valor de las grabaciones de sesión.
Después de que se lanzó el flujo sin fricción, la tasa de activación cayó.
CXL informa que, hasta enero de 2020, la tasa de activación había caído un 18,9%, el equivalente a 14 puntos porcentuales, en comparación con el inicio del año anterior.
El flujo creó más cuentas.
Pero demasiadas cuentas estaban inactivas.
Esto aumentó los costos de infraestructura, los costos de herramientas de mensajería, el ruido analítico y la complejidad operativa.
El embudo de registro mejoró mientras el sistema de clientes se debilitaba.
Por qué reducir la fricción creó datos malos
Un problema sutil involucraba campos de segmentación.
Smartlook pedía que los usuarios seleccionaran cargo y categoría de la empresa.
Como el flujo avanzaba automáticamente después de una selección, muchas personas simplemente hacían clic en la opción más cercana o en la primera.
El resultado era una finalización más rápida, pero información más pobre.
Esto degradó la capacidad de Smartlook de personalizar el onboarding.
Esto ilustra un principio más amplio:
la fricción a veces puede crear compromiso o información valiosa.
El objetivo correcto no es fricción cero.
Es cero fricción innecesaria.
La fricción útil puede calificar un lead, recopilar contexto necesario, confirmar intención, prevenir errores o mejorar la personalización.
Smartlook reintrodujo fricción deliberadamente
El equipo cambió el flujo de registro nuevamente.
Exigía que los usuarios seleccionaran cargo, seleccionaran categoría de empresa, avanzaran por las etapas con acciones explícitas de Anterior y Siguiente e informaran la categoría del sitio como campo obligatorio.
Esto redujo la conversión bruta.
Según CXL:
- la conversión general de registro cayó de 70,61% a 66,98%;
- la finalización de las etapas cayó 1,21 puntos porcentuales;
- el cambio general en la conversión fue una caída de 5,14%.
En un panel de CRO convencional, esto podría parecer un fracaso.
Pero Smartlook reportó beneficios importantes:
- menos cuentas nuevas inactivas;
- menor costo de cuentas no utilizadas;
- datos de segmentación más confiables;
- onboarding más contextual;
- mejores tours de producto.
La empresa aceptó una tasa de conversión local menor para mejorar la calidad de los usuarios que avanzaban por el sistema.
El error principal fue la jerarquía de métricas
Smartlook no tenía un problema de diseño deficiente en el registro.
Tenía un problema de jerarquía de métricas.
Las métricas deberían haberse priorizado así:
Resultado de negocio
- ingresos retenidos;
- conversión a pago;
- clientes activos.
Resultado de producto
- proyectos activados;
- uso significativo del producto.
Métrica de embudo
- registro completado.
Métrica de interfaz
- finalización de etapas individuales.
Cuando una métrica de nivel inferior mejora mientras una métrica de nivel superior se deteriora, lo más probable es que la optimización esté equivocada.
Este concepto se aplica mucho más allá del registro en SaaS.
Ejemplo de e-commerce
Eliminar la validación de direcciones puede aumentar la finalización del checkout.
Si esto también aumenta las entregas fallidas y los reembolsos, la ganancia de conversión local es engañosa.
Ejemplo de generación de leads
Acortar un formulario puede aumentar los leads.
Si la calificación de leads se derrumba, la productividad de ventas puede caer.
Ejemplo de newsletter
Los pop-ups agresivos pueden aumentar los suscriptores.
Si el engagement y la entregabilidad se debilitan, la audiencia puede volverse menos valiosa.
Ejemplo de medios pagados
Optimizar para conversiones baratas puede aumentar el volumen reportado por la plataforma.
Si la calidad de los ingresos cae, el CAC de los clientes reales empeora.
El fallo común es optimizar el paso observable más fácil.
Lo que los operadores pueden copiar
1. Defina la activación antes de rediseñar el registro
Pregunte qué acción prueba que el cliente alcanzó el primer valor significativo. Ese evento generalmente debería importar más que la creación de la cuenta.
2. Use jerarquía de métricas
Toda métrica de conversión local necesita una verificación posterior.
Ejemplo:
`conversión de registro → activación → conversión a pago → retención`
3. Monitoree el costo de las cuentas inactivas
Los registros gratuitos no son gratuitos. Pueden consumir infraestructura, soporte, correo electrónico, licencias de CRM y capacidad analítica.
4. Trate los datos de segmentación como un activo de producto
Si la personalización depende de los datos de perfil, la calidad del formulario importa.
5. Elimine la fricción innecesaria, no toda la fricción
Evalúe cada paso. ¿Reduce el riesgo, mejora la información, califica, aumenta el compromiso o evita un fallo posterior? Si es así, la fricción puede ser productiva.
Lo que no hay que copiar
No añada campos simplemente porque Smartlook reintrodujo campos.
Para otro producto, los pasos extra pueden ser genuinamente un desperdicio.
El principio transferible es que la optimización debe seguir la cadena de valor completa.
La importancia de la cautela causal
La caída de la activación ocurrió después del rediseño del registro.
Esa relación temporal es útil, pero no prueba que el rediseño causó toda la caída.
La propia Smartlook reconoció que otros factores, incluido el aumento de la generación de leads, podrían afectar la tasa de activación.
El equipo formuló una hipótesis y ajustó el flujo.
Eso es una buena práctica.
Los operadores deben evitar contar una historia más limpia de lo que los datos sostienen.
La activación del producto debe dar forma a los informes de adquisición
El caso de Smartlook también cambia la forma en que debe reportarse la adquisición. Si el registro es fácil, pero la activación es difícil, los paneles de marketing que se detienen en la creación de la cuenta sobreestiman la calidad del canal. Una fuente que genera los registros más baratos puede estar enviando a los usuarios con menor probabilidad de completar la configuración.
Un informe más robusto sigue cohortes más allá del registro y compara la activación por origen, campaña, dispositivo y persona. Esto puede revelar si el problema es el diseño del onboarding o la calidad de la audiencia. También impide que los equipos paguen más para escalar cuentas inactivas.
Para SaaS de autoservicio, la métrica de adquisición debe, por lo tanto, quedar lo más cerca posible del primer valor. Cuando las plataformas de optimización necesitan un mayor volumen de eventos, el registro puede seguir siendo una señal secundaria, pero las decisiones de negocio aún deben verificarse con respecto a la activación y la retención.
Limitaciones del caso
La historia de Smartlook es inusualmente transparente, pero aún tiene limitaciones:
- se trata de un relato escrito por la propia empresa y publicado por CXL;
- varios cambios de onboarding ocurrieron a lo largo del tiempo;
- ningún experimento aleatorizado aísla todo el cambio del flujo;
- el artículo final reporta beneficios operativos, pero no un análisis completo de los ingresos en las etapas posteriores.
Radar Digital, por lo tanto, trata el caso como un fuerte ejemplo operativo, no como un experimento causal definitivo.
La lección operativa
Una tasa de conversión no es un resultado de negocio.
El flujo de registro casi sin fricción de Smartlook hizo que la parte superior del embudo de producto pareciera más fuerte.
La activación mostró que el sistema estaba más débil.
La pregunta correcta de optimización no era cómo maximizar la finalización del registro.
Era:
¿Cómo maximizamos el número de clientes que alcanzan un valor significativo del producto con eficiencia?
Ese cambio altera cómo un equipo diseña el onboarding, la instrumentación y los experimentos.
A veces, la mejor optimización de conversión es aceptar una tasa de conversión menor en el paso equivocado.
