Otimização da taxa de conversão (CRO): um guia prático

Otimização da taxa de conversão (CRO) é a prática sistemática de aumentar a parcela de visitantes que realizam uma ação valiosa no seu site, descobrindo por que eles não a realizam e corrigindo isso. Essa é a ideia toda. Todo o resto deste guia é método: como encontrar os verdadeiros motivos, como decidir o que corrigir primeiro, como saber se uma mudança funcionou e como continuar fazendo isso sem se enganar.

Este é um guia geral. Os princípios valem tanto para uma loja online quanto para uma empresa de software B2B, mas dedicamos atenção extra à situação que a maioria dos guias ignora: sites com tráfego modesto, ciclos de vendas longos e conversões de valor muito desigual. Seja qual for o nome que você usa, otimização da taxa de conversão ou CRO, a disciplina é a mesma.

O que a otimização da taxa de conversão realmente é

Uma conversão é qualquer ação que você quer que um visitante realize: uma compra, uma solicitação de demo, um cadastro em trial, uma inscrição na newsletter. A taxa de conversão é a parcela de visitantes (ou sessões) que a concluem:

Taxa de conversão = conversões / visitantes × 100

Exemplo: uma landing page recebe 18.400 sessões em um mês e gera 460 cadastros. 460 / 18.400 = 0,025, então a taxa de conversão é de 2,5%. Se uma mudança elevar isso para 3,0% com o mesmo tráfego, você tem 552 cadastros: 92 a mais por mês sem comprar um único clique extra. Isso é um ganho relativo de 20%, ou um ganho absoluto de 0,5 ponto percentual. Sempre diga qual dos dois você quer dizer; confundi-los é o erro de relatório mais comum em CRO. Você pode testar seus próprios números na calculadora de taxa de conversão.

Duas decisões se escondem nessa fórmula. Primeiro, o denominador: sessões inflam a base em sites com muitos visitantes recorrentes, e usuários a subestimam se o seu tracking não consegue eliminar duplicidades entre dispositivos. Escolha um e mantenha. Segundo, o numerador: qual conversão conta.

Macro e microconversões

• Macroconversões são as ações para as quais o negócio existe: um pedido, um pedido de demo, um plano pago.
• Microconversões são as etapas que levam até lá: adicionar ao carrinho, começar um formulário, ver os preços, assistir a um vídeo do produto, clicar em um CTA.

Microconversões importam por dois motivos. Elas localizam o vazamento (visitantes veem os preços, mas nunca clicam em “Começar”) e acontecem com muito mais frequência do que as macroconversões, o que permite testá-las em sites onde a macroconversão é rara demais para ser medida. Mais sobre isso na seção sobre baixo tráfego.

O que CRO não é

• Não é testar a cor do botão. Testes cosméticos raramente mudam alguma coisa, porque não tratam do motivo pelo qual as pessoas hesitam. Um bom CRO muda o que o visitante entende, acredita ou precisa fazer.
• Não é só teste A/B. O teste é a etapa de validação. A maior parte do valor vem da pesquisa que diz o que mudar. Muitas melhorias (um formulário quebrado no Safari, um preço que falta) devem simplesmente ser corrigidas, não testadas.
• Não é um saco de boas práticas. "Adicione urgência" ou "encurte o formulário" podem ajudar ou atrapalhar, dependendo do seu público. Uma prática é uma hipótese até que seus próprios dados a confirmem.
• Não é aquisição de tráfego. CRO atua sobre o que acontece depois que a visita começa. Torna todos os canais de aquisição mais eficientes, mas não substitui nenhum deles.

O processo de CRO, passo a passo

Todo programa de CRO confiável roda alguma versão do mesmo ciclo. Os nomes variam; a ordem, não.

1. Pesquisa: descubra onde e por que os visitantes deixam de converter.
2. Hipóteses: transforme cada achado em uma afirmação testável.
3. Priorização: classifique as hipóteses para que o tráfego escasso e o tempo de desenvolvimento vão para as melhores apostas.
4. Testes: rode um experimento controlado (ou, quando isso for impossível, o melhor método possível depois dele).
5. Análise: leia o resultado com honestidade, incluindo segmentos e métricas de proteção.
6. Implementação e aprendizado: coloque os vencedores no ar, registre todos os resultados e leve os aprendizados de volta para a pesquisa.

1. Pesquisa: onde e por quê

A pesquisa tem duas metades. Os dados quantitativos mostram onde está o problema. Os dados qualitativos mostram por quê. Você precisa dos dois: um relatório de funil mostra que 70% dos visitantes abandonam a página de preços, mas não consegue dizer que eles saíram porque o plano enterprise diz “Fale conosco” sem nenhuma faixa de preço.

Comece pelo analytics para escolher as duas ou três páginas que mais importam (tráfego alto, perto da receita, abandono acentuado) e só então dedique o esforço qualitativo a elas. Um sprint de pesquisa de duas a três semanas costuma render mais ideias de teste do que você consegue rodar em seis meses.

Antes de confiar em qualquer número, verifique a estrutura de dados. Confirme que os eventos de conversão disparam uma vez por conversão, que as etapas do funil são rastreadas em todos os dispositivos e que o tráfego interno é filtrado. Uma parcela surpreendente dos "problemas de conversão" acaba sendo problema de mensuração.

2. Hipóteses: torne cada ideia falseável

Uma hipótese liga uma observação a uma mudança e a um resultado mensurável. Use este modelo:

"Como observamos" o que os dados mostraram, "acreditamos que mudar" um elemento "para" um público "vai causar" o resultado esperado, "medido por" uma métrica principal.

Exemplo: “Como observamos em gravações de sessão e em uma pesquisa de saída que os visitantes mobile da página de preços não conseguem identificar qual plano inclui SSO, acreditamos que adicionar um seletor de comparação de funcionalidades acima dos cards de planos para visitantes mobile vai gerar mais seleções de plano, medidas pelos cliques em qualquer botão ‘Escolher plano’ por visitante da página de preços.”

O template cumpre três funções. Ele exige evidências (nada de "porque o CEO gosta"). Ele nomeia o público, para que você teste onde o problema está. E fixa a métrica principal antes de o teste começar, o que evita escolher uma métrica lisonjeira depois. Uma versão para copiar está no nosso template de plano de teste A/B.

3. Priorização: PIE, ICE ou PXL

Você sempre vai ter mais ideias do que capacidade. Três frameworks de pontuação dominam:

• PIE (Potencial, Importância, Facilidade), popularizado pela WiderFunnel: dê uma nota de 1 a 10 para cada critério e tire a média. “Importância” se refere a quanto vale o tráfego da página.
• ICE (Impacto, Confiança, Facilidade), do growth marketing: dê uma nota de 1 a 10 a cada um e tire a média. A "Confiança" é a força das suas evidências.
• PXL, da CXL: um checklist com perguntas em sua maioria de sim/não e pontuação fixa, como se a mudança está acima da dobra, se é perceptível em cinco segundos, se adiciona ou remove um elemento, se roda em uma página de alto tráfego e se resolve um problema identificado em testes com usuários, feedback qualitativo ou analytics. A facilidade é pontuada pelo esforço estimado. A CXL o criou para eliminar o “chute” que PIE e ICE deixam no critério “impacto”.

Exemplo (notas ilustrativas para um backlog, com o PXL simplificado para sete perguntas):

Os três frameworks concordam que A vem primeiro e D por último. Eles discordam sobre C: o PIE o coloca perto do nível de B porque o “potencial” é generoso, enquanto ICE e PXL penalizam a falta de evidências. Essa divergência é justamente o motivo para escolher um framework de forma deliberada.

Nossa visão: use o ICE em um time pequeno que precisa ranquear 20 ideias em uma tarde. Mude para o PXL quando mais de uma pessoa pontuar ideias, porque perguntas de sim/não geram pontuações consistentes entre pessoas e impedem que a voz mais alta infle o “impacto”. O PIE é útil para decidir em qual página trabalhar, menos para ideias individuais. Seja qual for a escolha, dê muito peso às evidências: o principal preditor de um teste vencedor é uma hipótese baseada em pesquisa.

4. Testes

Construa a variante, faça QA em todos os principais navegadores e dispositivos e rode um experimento controlado quando o tráfego permitir (veja a seção de estatística abaixo). Antes do lançamento, anote: a métrica principal, as métricas de proteção, o tamanho da amostra, a duração planejada e a regra de parada. Se você não consegue preencher esses cinco itens, não está pronto para lançar.

5. Análise

Quando a amostra planejada for atingida, verifique primeiro a qualidade dos dados (proporção da amostra, rastreamento), depois a métrica principal, depois as métricas de proteção e então os segmentos pré-registrados, como dispositivo ou visitantes novos versus recorrentes. Trate descobertas em segmentos que você não planejou como novas hipóteses, não como conclusões: divida qualquer teste de formas suficientes e algo vai parecer significativo por acaso.

6. Implantação e aprendizado

Implemente os vencedores do jeito certo (no código, e não deixados rodando a 100% dentro da ferramenta de testes por meses). Registre cada teste em um log: hipótese, capturas de tela, números, decisão e o que ele ensinou sobre seus visitantes. Um teste perdedor que derruba uma crença amplamente aceita muitas vezes vale mais do que uma pequena vitória, mas só se alguém documentar.

Estatística de testes, do jeito certo

Você não precisa ser estatístico para rodar testes válidos, mas precisa respeitar cinco ideias. A melhor referência única é Kohavi, Tang e Xu, Trustworthy Online Controlled Experiments (2020).

Tamanho da amostra: defina antes de começar

O número de visitantes necessários depende da sua taxa de conversão de base, do menor efeito que você quer detectar (o efeito mínimo detectável, MDE), do seu nível de significância (alfa) e do seu poder estatístico. Para um teste bicaudal comparando duas proporções:

n por variante = [ z_1-α/2 × √(2 p̄(1-p̄)) + z_1-β × √(p₁(1-p₁) + p₂(1-p₂)) ]² / (p₂ - p₁)²

Exemplo prático: base p₁ = 3%, MDE = 20% relativo, então p₂ = 3,6%. Alfa = 0,05 (bicaudal), então z = 1,96. Poder = 0,8, então z ≈ 0,8416. A taxa agrupada p̄ = 3,3%.

1. Primeiro termo: 1,96 × √(2 × 0,033 × 0,967) = 1,96 × √0,06382 = 1,96 × 0,2526 = 0,4951
2. Segundo termo: 0,8416 × √(0,03 × 0,97 + 0,036 × 0,964) = 0,8416 × √(0,02910 + 0,03470) = 0,8416 × 0,2526 = 0,2126
3. Numerador: (0,4951 + 0,2126)² = 0,7077² = 0,5009
4. Denominador: (0,036 - 0,03)² = 0,006² = 0,000036
5. n = 0,5009 / 0,000036 ≈ 13.900 visitantes por variante, cerca de 27.800 no total.

Isso bate com o que a calculadora de tamanho de amostra de Evan Miller retorna para os mesmos dados, e você pode verificar o seu próprio cenário na nossa calculadora de teste A/B. Repare como a matemática é implacável: reduza o MDE para 10% e você vai precisar de cerca de quatro vezes mais tráfego. Nosso post sobre tamanho de amostra de teste A/B tem tabelas de consulta para taxas de base comuns.

Duração: tamanho da amostra dividido pelo tráfego, em semanas completas

Duração do teste = amostra total necessária / visitantes elegíveis por semana, arredondada para cima para semanas inteiras.

Exemplo: a página acima recebe 7.000 visitantes elegíveis por semana. 27.800 / 7.000 = 3,97, então rode o teste por 4 semanas completas. Semanas completas importam porque os visitantes de dias úteis e de fim de semana se comportam de forma diferente; parar numa quarta-feira super-representa parte da semana. Como regra prática, rode pelo menos um ciclo de negócios completo e evite testes com mais de seis a oito semanas, depois das quais a exclusão de cookies e as mudanças sazonais começam a contaminar a amostra.

Não espie (ou use um método feito para isso)

Conferir diariamente um teste padrão de horizonte fixo e interrompê-lo no momento em que atinge p < 0,05 aumenta drasticamente os falsos positivos, como Evan Miller mostra em How Not To Run an A/B Test. Ou você se compromete com o tamanho de amostra planejado e só lê o resultado no final, ou usa uma ferramenta cuja estatística foi feita para monitoramento contínuo (teste sequencial). Olhar um dashboard não tem problema; o problema é agir cedo com base nele.

Verifique se há divergência na proporção da amostra (SRM)

Se você divide o tráfego 50/50 e recebe 10.000 visitantes no controle e 9.400 na variante, algo está quebrado: um redirecionamento perdendo usuários, um filtro de bots atingindo um braço, uma variante que trava em alguns navegadores. Um teste qui-quadrado sobre as contagens de visitantes sinaliza isso. Kohavi e colegas tratam o desequilíbrio na proporção da amostra como uma das verificações de confiança mais importantes; quando ela falha, não interprete o resultado, encontre o bug.

Efeito novidade, uma métrica principal e métricas de proteção

• Efeitos de novidade e de primazia: visitantes recorrentes podem clicar em um elemento novo por ser novo, ou ignorá-lo porque estão acostumados ao layout antigo. Compare a primeira semana com as seguintes; se o efeito diminuir, desconfie.
• Uma métrica principal: declarada de antemão, idealmente a métrica mais próxima da receita que você consegue medir com volume suficiente. Dez métricas "principais" garantem um falso vencedor em algum lugar.
• Métricas de proteção: coisas que não podem piorar, como receita por visitante, qualidade dos leads, taxa de reembolso e tempo de carregamento da página. Uma variante que aumenta os cadastros em 10% mas reduz o ticket médio em 15% não é vencedora.

E teste uma única mudança coerente por variante, a menos que você tenha muito tráfego. Nossa comparação entre teste A/B e teste multivariado explica quando o caminho multivariado compensa o custo em tráfego (raramente, abaixo de seis dígitos de visitantes mensais).

CRO para sites B2B e de baixo tráfego

A maioria dos conselhos de CRO foi escrita por pessoas que otimizam sites de consumo com alto volume. Sites B2B, e sites de consumo pequenos, enfrentam três problemas estruturais:

1. Pouco tráfego. O exemplo prático acima precisa de cerca de 27.800 visitantes para um único teste. Uma página com 5.000 visitantes por mês levaria de cinco a seis meses, e até lá o mercado, os anúncios e a própria página já terão mudado.
2. Ciclos de vendas longos. Um teste consegue contar formulários preenchidos em semanas, mas saber se esses leads viraram pipeline leva meses. A variante que vence em solicitações de demo em fevereiro pode perder em receita em junho se atraiu empresas com fit ruim.
3. Valor de conversão desigual. Um pedido de demo pode vir de uma empresa que pode se tornar o seu maior cliente; outro, de um estudante. A taxa de conversão trata os dois como iguais, e métricas ponderadas por receita são muito mais ruidosas, então precisam de ainda mais dados.

Nada disso significa “não faça CRO”. Significa mudar o método.

O que testar primeiro

Quando você só consegue rodar um punhado de testes por ano, rode os que têm grandes efeitos esperados em páginas próximas da receita. Uma ordem sensata:

1. Títulos e proposta de valor nas suas páginas comerciais com mais tráfego: focados em resultado versus focados em funcionalidade, específicos para o público versus genéricos, focados no problema versus focados na solução.
2. A oferta e o CTA: não só o texto do botão, mas o que você oferece (demo, tour do produto, avaliação, conversa sobre preços) e onde isso aparece.
3. Formulários: campos, perguntas de qualificação, etapa única versus várias etapas. Meça a qualidade dos leads, não só o preenchimento.
4. Layout e estrutura da página por último: o mais caro de construir e, em média, o menor efeito e o mais lento de medir.

Faça apostas maiores

O tamanho de amostra necessário varia com o inverso do quadrado do efeito. Detectar um aumento de 40% exige cerca de um quarto do tráfego necessário para um aumento de 20%. Pequenos ajustes não são testáveis com pouco tráfego; mudanças ousadas e embasadas em pesquisa (um argumento de título completamente diferente, outra oferta) são. Elas também ensinam mais sobre os seus compradores, enquanto pequenos ajustes só ensinam sobre a página.

Teste microconversões anteriores no funil

Se os pedidos de demo forem raros demais, escolha uma métrica principal mais acima no funil que tenha uma ligação plausível com eles: cliques para a página de demo, inícios de formulário, visitas à página de preços a partir da home. Uma métrica que ocorre dez vezes mais torna os testes cerca de dez vezes mais rápidos de atingir o poder necessário. A contrapartida é que você ainda precisa acompanhar a macroconversão como métrica de proteção, porque uma microconversão pode subir enquanto as conversões reais ficam estáveis.

Aceite uma confiança adequada à decisão

Nem toda decisão precisa de 95% de confiança. Para mudanças de texto facilmente reversíveis, um limite menor (ou uma leitura bayesiana de “probabilidade de ser a melhor”) é um equilíbrio razoável entre velocidade e certeza. Para mudanças estruturais caras de desfazer, como o redesenho de uma página de preços, espere por evidências fortes. Decida o limite antes do teste, não depois de ver os números.

Testes sequenciais e de antes/depois, com ressalvas

Quando um teste dividido é impossível (experiências para contas-alvo com poucas dezenas de visitas, uma mudança de navegação no site inteiro), uma comparação antes/depois é melhor do que nada, mas seja honesto sobre a fraqueza dela: sazonalidade, campanhas, atividades de vendas e notícias do mercado mudam ao mesmo tempo que a sua página. Reduza o risco comparando períodos iguais, verificando uma métrica de controle que a sua mudança não deveria afetar (se ela também se moveu, a variação provavelmente é externa) e repetindo a troca (liga, desliga, liga) quando possível.

Apoie-se em pesquisa qualitativa

Com pouco tráfego, cinco entrevistas com clientes e vinte gravações de ligações de vendas valem mais do que um teste sem poder estatístico. Use o trabalho qualitativo para fazer mudanças de que você tem razoável certeza e reserve os testes para as decisões realmente incertas e de alto impacto.

Meça o pipeline, não os preenchimentos de formulário

Exemplo: a variante A gera 20 leads, dos quais 25% viram oportunidades (5 oportunidades). A variante B gera 30 leads, dos quais 10% viram oportunidades (3). A B "venceu" na taxa de conversão e perdeu na métrica que importa. Conecte a sua ferramenta de testes ou o seu analytics ao CRM para que cada lead carregue a sua variante e revise os resultados quando os dados de oportunidades amadurecerem. Confira também os resultados por segmento: um agregado estável pode esconder uma vencedora entre visitantes enterprise e uma perdedora entre empresas pequenas que se anulam. Para táticas de CRO específicas do B2B, como formulários de qualificação, prova social enterprise e conteúdo para o comitê de compras, veja nosso guia aprofundado de otimização da taxa de conversão B2B.

Como conduzir uma auditoria de CRO

Uma auditoria de CRO é a etapa de pesquisa condensada em uma revisão pontual, útil quando você herda um site ou precisa de um plano priorizado rapidamente. A versão resumida:

1. Verifique a mensuração: eventos de conversão, etapas do funil, rastreamento entre domínios, tráfego interno filtrado.
2. Mapeie o funil por dispositivo e canal e encontre as duas etapas com a maior perda absoluta.
3. Revise essas páginas de forma heurística: clareza da oferta em cinco segundos, relevância para a origem do tráfego, atrito (campos, etapas, tempo de carregamento), ansiedade (confiança, preço, privacidade) e distração.
4. Reúna evidências qualitativas nas mesmas páginas: gravações, uma pesquisa curta, alguns testes com usuários.
5. Registre as descobertas como "só corrigir" (bugs, fluxos quebrados), "investigar" ou "testar", cada uma com uma hipótese e uma pontuação de prioridade.

Nosso checklist de auditoria de CRO lista todas as verificações, e o passo a passo da auditoria de CRO mostra como transformar as descobertas em um roadmap.

Onde focar, por tipo de página

Vale conhecer dois benchmarks externos. O Baymard Institute, com base na média de 50 estudos, estima o abandono de carrinho online documentado em cerca de 70%; entre os compradores que abandonaram por motivos que não “só estava olhando”, custos extras (40%) e criação obrigatória de conta (18%) aparecem no topo, e a Baymard estima que um checkout ideal precisa de apenas 7–8 campos de formulário, contra uma média de cerca de 15 nos EUA. Para formulários em geral, as recomendações de usabilidade de formulários do Nielsen Norman Group (formulários curtos, em uma coluna, requisitos explicados de antemão, mensagens de erro específicas) são um checklist sólido. Formulários B2B são uma exceção parcial ao “quanto mais curto, melhor”, porque campos de qualificação protegem o tempo de vendas; nosso guia de design de formulários de captura de leads mostra como ajustar o tamanho do formulário à intenção, e otimização de landing pages B2B se aprofunda nas páginas de campanha.

A personalização como alavanca de CRO

Um teste A/B clássico pergunta “qual versão é a melhor para todo mundo?”. Às vezes, a resposta honesta é “nenhuma”: um comprador enterprise e uma startup de cinco pessoas querem provas diferentes, linguagem diferente e um próximo passo diferente, e o resultado médio esconde isso. Personalizar significa entregar experiências diferentes a segmentos definidos e medir cada uma contra um controle daquele segmento.

Ela supera o teste único para todos quando três condições são atendidas: o seu público se divide em segmentos com necessidades realmente diferentes (por setor, porte da empresa, estágio do funil ou origem do tráfego), você consegue reconhecer esses segmentos com confiabilidade na chegada e tem conteúdo que realmente difere para cada um. Se faltar qualquer uma delas, a personalização acrescenta complexidade sem ganho. Ela também divide o seu tráfego, então não é um atalho para escapar da matemática do tamanho de amostra; comece com um ou dois segmentos grandes e uma única página. Se quiser estruturar os segmentos primeiro, o guia de estratégia de segmentação mostra o passo a passo, e nossos recursos de segmentação mostram como a Markettailor exibe variantes específicas por segmento com um grupo de controle.

Erros comuns de CRO (e como corrigi-los)

1. Testar sem pesquisa. Ideias de brainstorm vencem com menos frequência do que ideias baseadas em evidências. Solução: todo teste cita a observação que o motivou.
2. Parar testes antes da hora. Vantagens iniciais são, em sua maioria, ruído, e espiar os resultados infla os falsos positivos. Correção: defina tamanho de amostra e duração com antecedência.
3. Testes sem poder estatístico. Um teste que só detecta um aumento de 50% vai classificar a maioria das melhorias reais como "sem diferença". Solução: calcule o MDE que você consegue detectar antes do lançamento e só rode testes que possam plausivelmente atingi-lo.
4. Otimizar a métrica errada. Mais leads, pipeline pior. Correção: métrica principal o mais próxima possível da receita que o volume permitir, mais salvaguardas de qualidade.
5. Chamar derrotas de fracassos. Os times descartam silenciosamente os testes perdedores e perdem o aprendizado. Correção: registre todo resultado e o que ele refutou.
6. Ignorar os segmentos ou interpretá-los demais. As duas coisas acontecem. Solução: defina previamente dois ou três segmentos (dispositivo, novo versus recorrente, porte da empresa) e trate o resto como hipóteses.
7. Copiar concorrentes ou listas de "boas práticas". Você vê a página deles, não os resultados. Solução: use-os como fonte de hipóteses, nunca como respostas.
8. Pular o QA. Uma variante que quebra em um navegador gera um falso perdedor e um desequilíbrio na proporção da amostra. Solução: teste cada variante nos principais navegadores e dispositivos antes do lançamento.
9. Tratar CRO como projeto. Uma auditoria, cinco correções, pronto. Correção: uma cadência permanente, com um responsável, um backlog e um log.
10. Não corrigir bugs óbvios porque "deveríamos testar". Correção: o que está quebrado é corrigido; o que é incerto é testado.

Ferramentas de CRO por função

Escolha as ferramentas pela função que cumprem e compre a ferramenta de testes por último: a maioria dos times precisa de pesquisa melhor antes de precisar de mais capacidade de testes.

• Analytics: funis, segmentos e eventos. Google Analytics 4, Adobe Analytics ou analytics de produto como Mixpanel e Amplitude.
• Análise de comportamento: mapas de calor e gravações de sessão. Microsoft Clarity, Hotjar, Contentsquare.
• Testes e personalização: experimentação no lado do cliente ou no servidor. Optimizely, VWO, AB Tasty ou plataformas de feature flags para testes no servidor.
• Pesquisas e pesquisa com usuários: enquetes na página e testes com usuários moderados ou não moderados. Pesquisas do Hotjar, Typeform, UserTesting, Maze.

Para uma comparação mais completa por nível de tráfego e orçamento, veja nossa seleção de ferramentas de otimização da taxa de conversão.

Como montar um programa de CRO

O CRO só gera ganhos cumulativos quando funciona como um programa, e não como uma série de correções pontuais. A estrutura mínima:

• Um responsável com tempo reservado para isso, além de acesso a capacidade de design e desenvolvimento. Sem tempo de desenvolvimento, o backlog vira uma lista de desejos.
• Uma cadência: uma sprint de pesquisa a cada trimestre, uma revisão de priorização quinzenal e uma apresentação mensal dos resultados aos stakeholders.
• Um registro de testes em que qualquer pessoa possa pesquisar: hipótese, público, capturas de tela, amostra, resultado, decisão, aprendizado. Depois de um ano, ele é o ativo de CRO mais valioso que você tem.
• Uma meta realista de volume de testes. Um site de consumo com muito tráfego pode rodar vários testes por mês em paralelo em páginas diferentes. Um site B2B com 10.000 visitantes mensais talvez consiga um ou dois por mês, combinados com correções guiadas por pesquisa.

Alinhe as expectativas sobre a taxa de vitórias desde o início. Em Online Experimentation at Microsoft (Kohavi et al., 2009), os autores relatam que só cerca de um terço das ideias melhorou as métricas que deveria melhorar, com aproximadamente um terço neutro e um terço negativo. As ideias da Microsoft não eram ruins; boas ideias simplesmente são difíceis de prever. Se o seu programa "vence" 80% dos testes, a explicação mais provável é estatística frouxa, não ideias excepcionais. Avalie um programa de CRO pelo impacto acumulado validado e pela qualidade do que ele aprendeu, não pela taxa de vitórias.

Perguntas frequentes

O que é uma boa taxa de conversão?

Não existe um número bom universal, porque a taxa de conversão depende do que você conta, do seu mix de tráfego, do preço e do ciclo de compra. Uma inscrição gratuita em newsletter e um pedido de demo enterprise de seis dígitos não podem compartilhar um benchmark. A comparação útil é com a sua própria base para a mesma página, origem de tráfego e dispositivo. Busque melhorá-la de forma consistente e avalie o sucesso pela receita ou pelo pipeline por visitante, não só pela taxa.

Quanto tempo um teste A/B deve durar?

Rode até atingir o tamanho de amostra que você calculou antes do lançamento, arredondado para semanas completas, para que todos os dias da semana estejam representados igualmente. Divida o total de visitantes necessários pelo seu tráfego elegível semanal. Para a maioria dos sites, isso significa de duas a seis semanas. Se as contas indicarem vários meses, teste uma mudança maior ou uma métrica de maior volume em vez de rodar um teste interminável.

Qual é a diferença entre CRO e SEO?

O SEO aumenta quantos visitantes qualificados chegam ao seu site pela busca orgânica. O CRO aumenta a parcela desses visitantes, de qualquer canal, que realiza uma ação valiosa. Um apoia o outro: páginas que respondem com clareza à intenção de quem pesquisa tendem a ranquear e converter melhor. Conflitos são raros, mas evite mudanças de CRO que escondam ou removam conteúdo de que os mecanismos de busca e os visitantes precisam.

CRO vale a pena para sites com pouco tráfego?

Sim, mas o método muda. Com tráfego limitado, apoie-se em pesquisa qualitativa, como entrevistas com clientes, gravações de sessões e testes com usuários, corrija diretamente os problemas óbvios e reserve os testes A/B para mudanças ousadas e de alto impacto, medidas em métricas anteriores e frequentes. Mesmo sem nenhum teste, uma auditoria baseada em pesquisa das suas duas ou três páginas mais importantes costuma encontrar atritos que valem a correção.

O que faz um especialista em CRO?

Um especialista em CRO conduz o ciclo de otimização: analisa funis, faz pesquisa com usuários, escreve hipóteses, prioriza e desenha experimentos, verifica a validade estatística deles e transforma os resultados em recomendações. A função combina analytics, pesquisa de UX, senso de copywriting e estatística suficiente para evitar falsos vencedores. Se você está pensando nessa carreira, nosso panorama de vagas em otimização da taxa de conversão aborda funções, habilidades e como começar.