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

inicial. Para descobrir o porquê da deserção, é preciso analisar mais a
fundo as coortes problemáticas.
Esse padrão é comum quando uma empresa lança uma campanha
publicitária que atrai muitas pessoas para as quais o produto não é
particularmente adequado ou quando a campanha dá um grande
desconto inicial para novos clientes, que pulam fora em massa quando o
preço sobe. Outra possibilidade é anunciar em um novo canal para
chamar a atenção de um grupo demográfico específico – no caso da
equipe do serviço de streaming de vídeo, mães que não trabalham fora,
digamos. A campanha publicitária pode ter tido um tremendo sucesso em
fazer o público visado assinar o serviço, mas, depois de verem um ou dois
filmes com os filhos, aquelas mães concluem que a seleção não é lá tão
boa e cancelam a assinatura. Entender a correlação entre a campanha
publicitária e a queda na retenção dá à equipe informações valiosas sobre
testes a fazer. Uma ideia seria incluir no acervo mais filmes que agradem a
essas mães – que são boas candidatas a clientes – antes de voltar a fazer
uma campanha agressiva para conquistá-las. Se o acervo já for bom, talvez
seja o caso de dar mais destaque aos filmes assim que uma dessas usuárias
assinar o serviço. Fora isso, o churn pode ter razões menos aparentes. É
por isso que a equipe precisa sondar as clientes perdidas para saber por
que cancelaram o serviço, com um questionário que teste a hipótese de
que a seleção de filmes disponíveis foi a razão da debandada.
Dividir usuários pelo mês em que foram adquiridos é só o começo da
análise de coorte. O certo é criar vários grupos, com base, por exemplo,
no canal pelo qual chegaram a seu produto (um programa de indicação,
uma campanha publicitária paga etc.). Outro fator distintivo pode ser o
número de visitas ao site ou de compras realizadas. No caso da equipe do
serviço de streaming de vídeo, é possível criar coortes por número de
programas ou séries vistos no primeiro mês, por assinantes que assistiram a
séries específicas ou pelo total de dias que as pessoas usaram o serviço no
mês. Analisar os dados dessa maneira permite que o time busque
correlações entre a frequência de uso do serviço e a taxa de retenção, bem
como se há filmes ou programas específicos que estão produzindo uma
retenção maior.
No caso da equipe do aplicativo da rede de supermercados, cujo
modelo de negócio é outro (o de e-commerce), uma possibilidade é
separar os clientes em coortes de acordo com o número de vezes – uma,