Analista de Conversões

Analista de Conversões

A conversão não é apenas um «número dividido por número». É um sistema controlado: definições claras e esquema de evento denominador correto e janela de tempo segmentação e atribuição de conexão com valor (LTV/ROMI) monitoramento e experimentação. Abaixo, um esqueleto que pode ser escalado de ativação de alimentos a corvos de pagamento e marketing.

1) Definições e fórmula básica

Eventos de vórtice: etapas sequenciais (visualização clique inscrição comprovação depósito).

Conversão do Passo: (\text

A conversão é interativa: (\text\CR 03\0\to k f. =\prod\s = 0\\k-1\\text\CR

Unidade de contabilidade: usuário/sessão/dispositivo/pedido - capture explicitamente.
Janela de tempo: limite entre os passos (por exemplo, registro → depósito ≤ 7 dias).

2) Passaportes de métricas (template)

METRIC: `CR_REG2DEP_7D_v2`

Definição: proporção de usuários cadastrados que efetuaram um depósito ≥1 de 7 dias.
Unidade: usuário (user _ id, master _ id).
Janela: 7 x 24 h de 'ts _ registration'.
Exceções: bots/frod/contas de teste/duplicados.
Os segmentos padrão são país, plataforma, canal de atração.
Fontes: 'event _ register', 'event _ deposit'.
Guardrails: fresh≤1ch, coverage≥99%, FPR antifroda≤Kh.
Versão/proprietários/dicionário Dataim.

3) Esquema de eventos e qualidade de dados

Padrão canônico: 'event _ id', 'user _ id', 'device _ id', 'direction _ id', 'ts', 'tipo', 'payload', 'fonte', 'version'.
Idempotidade: dedução por '(fonte _ id, checksum)'; Diário de Correções.
Limpeza: filtros de bots (velocidade, headless, known-ASN), bandeiras de frod, contas de teste.
Identidades: ponte 'user _ id ↔ device/email/phone', ajuda de usuário split/merge.

4) Denominadores corretos: armadilhas frequentes

«Em um denominador apenas ativo ontem» → superestimação de CR.
Survivorship: Excluiu os que foram para o passo - CR está crescendo artificialmente.
Mistura de unidades: denominador - sessões, numerador - usuários.
Duplo atribuição: um sucesso atribuído a vários canais.
Média média: CR médio por segmento em vez de agregação de números/denominadores.

5) Pseudo-SQL: vórtice com janelas e singularidades

sql
WITH regs AS (
SELECT user_id, MIN(ts) AS ts_reg
FROM event_register
WHERE ts BETWEEN:from AND:to
GROUP BY user_id
),
deps AS (
SELECT user_id, MIN(ts) AS ts_dep
FROM event_deposit
GROUP BY user_id
),
eligible AS (
SELECT r.user_id, r.ts_reg, d.ts_dep
FROM regs r
LEFT JOIN deps d
ON d.user_id = r.user_id
AND d.ts_dep BETWEEN r.ts_reg AND r.ts_reg + INTERVAL '7 day'
)
SELECT
COUNT()                AS users_reg,
COUNT(ts_dep)              AS users_dep_7d,
COUNT(ts_dep)::decimal / COUNT()    AS cr_reg2dep_7d
FROM eligible;

Drop-off por passo

sql
-- Пример: просмотр → регистрация → депозит (7d)
WITH base AS (...), -- ваш источник views AS (...), regs AS (...), deps AS (...)
SELECT
COUNT(DISTINCT views.user_id)                           AS step0_view,
COUNT(DISTINCT regs.user_id)                            AS step1_reg,
COUNT(DISTINCT CASE WHEN regs.ts BETWEEN views.ts AND views.ts + INTERVAL '24 h'
THEN regs.user_id END)                     AS view2reg_24h,
COUNT(DISTINCT CASE WHEN deps.ts BETWEEN regs.ts AND regs.ts + INTERVAL '7 day'
THEN deps.user_id END)                     AS reg2dep_7d;

6) Cômodos e segmentação

Côrtes: comprove a data do primeiro evento (inscrição/primeira visita) → compare as curvas de conversão.
Segmentos: país/canal/plataforma/OS/dispositivo/conteúdo/preço/parceiro.
Vórtice por segmento: CR e drop-off antes/depois de promoções, lançamentos, alterações UX.
Justiça: verifique a diferença de erro/CR em segmentos sensíveis (ética/complacência).

7) Atribuição: quem «mereceu» a conversão

Single-touch: last/first click - simples, mas distorce longos ciclos.
Posição-based: desintegração em U/linha/tempo.
Data-driven (Shapley/Markov): avalia a contribuição dos canais por seqüência.
Controle de duplicação: um sucesso = um crédito (ou participativo) e a versão do algoritmo está registrada.

8) Micro-conversão e qualidade dos cliques

Micro-passos: visualização de pricing, adição de cesta, verificação de KYC, preenchimento do formulário de 50%.
Qualidade do tráfego: bounce-rate, engaged-sessions, proporção de visualizações «validas», pattern de botão.
Conexão com o valor: micro-conversões só são úteis se correlacionadas/causais com o efeito empresarial (LTV, GGR, Net).

9) Comunicação de conversão com dinheiro: CAC, LTV, ROMI

CAC: custo de captação por unidade de conversão (registro/depósito/compra).
ROMI: (\frac\\text Por meio de sua Receita Incorporada, se você quiser que a Receita Suplementar Pará-la com a Entrada no Mercado de Automóveis, por exemplo, por exemplo, é um 1).
Conversão ponderada LTV: Priorize segmentos/canais não por CR, mas por valor esperado.
Causalidade: avaliação ROMI - via A/B, DiD, controle sintético; a correlação não é suficiente.

10) Experiências e uplift

Testes A/B: randomização, MDE/power, contabilidade sazonal e interferência.
Métricas: CR + guardrails básico (queixas, latency, FPR antifrode).
Modelos Uplift: O objetivo é aumentar a conversão, não a probabilidade de um evento; avalie Qini/AUUC, uplift @ k.

11) Aspectos e janelas do tempo

Look-back/Look-forward: janela entre a exposição (clique/visualização) e a conversão/depósito.
Histeresis: diferentes liminares de entrada/saída para ativar/desligar os regressores promocionais para não «piscar».
Calendário: feriados, salários, grandes iventos - regravadores obrigatórios/bandeiras.

12) Dispositivos multi e dedução

Cross device: grafo de identificadores (cookies/device/IDFA/email/telefone).
One-to-one: uma ação de destino conta uma vez por usuário (ou por encomenda/pagamento).
Teste/internato: listas filtradas de QA/operadores/bots - fora do denominador e do numerador.

13) Visualizações e relatórios

Step-bars/Sankey: drop-off a passos.
Telas de calor cômicas: CR para 1/3/7/14/30.
Gráficos Bridge: contribuições de fatores para alterar CR (UX, promo, canal-mix).
Dash: fresh-timer, coverage eventos, guardrails, alerts.

14) Monitoramento, SLO e alertas

SLO frescura: liga de atualização ≤ N minutos/relógio.
Protetores de qualidade: aumento de bots/frodes, separação de identidade, queda de coverage.
Alerts: Desvio de CR da previsão sazonal, abalo de eventos, aumento de erros/latency.

15) Pseudo-SQL: atribuição «last non-direction»

sql
WITH touch AS (
SELECT user_id, channel, ts,
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY ts DESC) AS rn
FROM session_touchpoints
WHERE is_direct = false
AND ts <= (SELECT first_conversion_ts FROM conversions WHERE conversions.user_id = session_touchpoints.user_id)
),
credit AS (
SELECT user_id, channel FROM touch WHERE rn = 1
)
SELECT channel, COUNT() AS conv, COUNT()::decimal / SUM(COUNT()) OVER() AS share
FROM credit
GROUP BY channel
ORDER BY conv DESC;

16) Anti-pattern

CR médio por país/canal sem balança.
Mistura de unidades (sessões vs usuários) e áreas temporárias.
Ignorar as definições de fórmulas e versões (a métrica «flutua»).
As janelas não são fixas → CR não comparáveis.
Falta de filtros de bots/frodes → métricas exageradas.
A atribuição «last click» é a única verdade para todas as soluções.

17) Folha de cheque antes de publicar o relatório de conversão

• Passaporte de métrica: definição, unidade, janela, exceções, fontes, versão
• Esquema de eventos canonizado, dedução/idempotação incluídos
• Contas de bots/frod/QA excluídas; identidades combinadas
• Janelas e denominadores estão documentados; Zonas de tempo negociadas
• Os segmentos/cômodos foram testados; invariantes (DAU ≤ MAU, somas diárias = mês) respeitados
• Atribuição selecionada e descrita; crédito duplo excluído
• Conexão com valor: CAC/LTV/ROMI adicionados, avaliação causal planejada
• Dashboard: Frescor, coverage, guardrails; alertas configurados

18) Mini-glossário

CR (Conversion Rate): a parte que terminou a ação de destino.
Drop-off: a parte que caiu entre os passos.
Adaptação: método de distribuição de mérito de conversão por toque.
Cohort: grupo de data do primeiro evento.
ROMI: retorno do investimento de marketing (incorporativamente).
Uplift: aumento da conversão decorrente da intervenção.
Guardrails: limitadores de risco (queixas, FPR, latency).

Resultado

O analista de conversão confiável baseia-se em três baleias: definições corretas (denominadores/janelas/unidades), disciplina de dados (idempotação, dedupo, antibot), ligação com o valor (LTV/CAC/ROMI e causalidade). Construindo vórtices, cômodos, atribuições e monitorização através do esqueleto descrito, você recebe métricas que permitem realmente gerenciar o produto e o marketing, em vez de apenas observar gráficos.