Hacking growth_ A estratégia de marketing inovadora das empresas de crescimento mais rápido

um grupo bem menor se tornava bastante ativo. O que Elman e a equipe
fizeram foi dividir os usuários em coortes com base no número de dias por
mês que entravam no Twitter. Ao comparar esse número com o de visitas
feitas pelos mesmos usuários no mês seguinte, descobriram algo
impressionante: no grupo que abria o Twitter pelo menos sete vezes por
mês, a retenção no mês seguinte era muito alta, entre 90% e 100%.
TAXA DE RETENÇÃO COM BASE NO NÚMERO DE VISITAS NO PRIMEIRO MÊS
Em seguida, os usuários foram divididos em três coortes: usuários
frequentes, que entravam pelo menos sete vezes por mês; usuários
ocasionais, que entravam com menos frequência; e usuários frios, que
depois da primeira vez nunca voltavam. Com isso, o time constatou que só
20% dos que entravam na plataforma viravam usuários frequentes. O
passo seguinte foi fazer uma análise de correlação: buscar, dentro de um
grupo, condutas similares e não exibidas por usuários de outras coortes. A
análise do grupo de retenção elevada, que entrava pelo menos sete vezes
por mês, revelou que essas pessoas costumavam seguir vários outros
usuários (por volta de 30). Algumas seguiam muito mais, mas 30 parecia
ser o “tipping point”: a partir desse número, os usuários voltavam ao site.
No entanto, Elman e a equipe não pararam aí. Sabiam que, como reza
o mantra da estatística, correlação não significa causalidade. Àquela altura,
eles podiam simplesmente tentar aumentar o número de pessoas que os
usuários seguiam, o que talvez até trouxesse resultados razoáveis. Mas
quem disse que o puro desejo de seguir um número considerável de
pessoas era a razão pela qual o usuário se convertia em frequente ao
atingir a marca dos 30? Na dúvida, a equipe esmiuçou ainda mais os dados