CoLab Social Media: métricas, relatórios e dataviz (4/6)

Depois de um breve período de hiato, retomo a série de posts do CoLab Social Media. Se você chegou aqui de primeira, saiba que este é o quarto texto de um total de seis. Já publiquei sobre os módulos de comportamento do consumidor/tendências e planejamento, real-time marketing e mídia online. Na postagem de hoje, abordo os módulos de métricas e dataviz, para na próxima semana finalizar a série com monitoramento, conteúdo e comunidades.

A facilitadora dos módulos de métricas de mídias sociais e relatórios e dataviz é a Julie Teixeira, ex-coordenadora de BI da Revista Trip e agora head de Inteligência na Remix Ideas – cujo trabalho já foi apresentado aqui no blog no ano passado e provavelmente será retomado com ênfase ao chegarmos na segunda parte deste post. Começamos, entretanto, falando sobre a parte de métricas, com um foco especial para a parte de web analytics e métricas para plataformas de vídeos. Segundo Julie, essa estrutura didática nos permite entender os principais conceitos da área que podem – e devem – ser replicados/adaptados em diferentes plataformas, serviços e objetivos de trabalho.

Foi interessante ter logo de início um conteúdo menos voltado para mídias sociais (como é a proposta do curso da Trespontos) e mais voltado para web analytics. Como Julie tem um amplo repertório de BI, pôde oferecer uma visão geral bem completa de alguns conceitos básicos de métricas do Google Analytics – que, como já dito, pode ser replicado e adaptado para outras ferramentas. O GA é a segunda ferramenta mais utilizada por profissionais de inteligência de mídias sociais no Brasil, o que é curioso, já que ele não apresenta dados das próprias plataformas em mídias sociais. No entanto, isso demonstra o quanto as empresas têm investido cada vez mais numa estratégia inbound, integrando o trabalho de mídias sociais com plataformas próprias.

Vale reforçar também que o Google Analytics é uma plataforma freemium, que atende perfeitamente às necessidades das maiorias das empresas em sua versão gratuita. A única diferença relevante é que esta faz uma mensuração por amostragem, enquanto que a versão premium (paga) fornece todos os dados disponíveis e não entrega seus dados para possíveis análises de mercado. Segundo Julie, isso acontece porque o Google oferece alguns benchmarks de segmentos (por exemplo, telefonia móvel) para comparativos de atuação. No curso ela também recomenda outras ferramentas, como a Chartbeat, interessante para clientes de editoria, pois gera um mapa de calor para as páginas do seu site.

Deixando um pouco de lado a plataforma e focando de fato nas métricas, ela apresenta no curso dois “níveis” diferentes: audiência e engajamento – também comum em conteúdos voltados para as mídias sociais. A primeira, como descrita abaixo, tem sua atenção voltada para o público, enquanto a segunda indica o “interesse” do público, ou seja, de que modo ele agiu nas páginas. No Google Analytics essas métricas de engajamento são pautadas no que chamam de “eventos”, que são todas as (inter)ações feitas num site (cliques, scroll, etc.) – e precisa ser pré-configurada para cada conta.

• AUDIÊNCIA – MÉTRICAS DE PÚBLICO
• Usuários únicos – em um período. quantas pessoas entraram no site (GA guarda o cookie por 90 dias ou até limpar o histórico);
• Sessões – uma visita no site (após 30 minutos de inatividade a sessão expira e começa outra) *métrica mais usada do mercado;
• Pageviews – os pageviews dizem quantas páginas foram navegadas no período (maior volume de pageviews contribui para aumentar nossas impressões) *atenção para o URL: alguns sites não mudam a URL conforme a navegação do usuário, neste caso, é preciso “forçar” uma leitura para o GA fazer essa contagem.
• ENGAJAMENTO – MÉTRICAS DE INTERESSE (cruzamento de duas métricas)
• Pageviews por sessão – um dos principais indicadores de interesse dos usuários pelo conteúdo de um site: a cada sessão, quantas páginas o usuário visitou;
• Tempo médio de sessão – quanto tempo a pessoa passa no site em cada sessão (expira até 30 minutos de inatividade e inicia uma nova sessão depois)
• Taxa de rejeição (bounce rate) – indica quantas pessoas entraram em apenas uma página do site (não se interessaram por nenhum outro conteúdo — sessões que visitaram apenas uma página dividido pelo total de sessões) *Ser alta não significa algo ruim: a depender do objetivo, vale verificar se o usuário não está gastando muito tempo no site para achar algo simples (uma taxa baixa, nesse caso, pode ser ruim).

O trabalho no GA é bastante investigativo. A pensar pelas métricas de dados do usuário, por exemplo, é possível ter em mãos: fonte de tráfego – de onde ele veio?, busca orgânica ou alguma campanha? (a URL parametrizada pode indicar a resposta); tipo de dispositivo – qual plataforma está sendo usada para consumir meu conteúdo?, mobile ou desktop? (a taxa de rejeição de um dispositivo específico pode indicar soluções específicas para melhor atender uma parcela dos usuários); fluxo de navegação – qual é o trajeto que o usuário faz desde a entrada até a saída do meu site?; palavras-chave busca paga – qual foi o termo de busca que levou o usuário ao meu site?; assuntos mais lidos – o que gera mais interesse?; localização – onde está meu usuário?.

Como já mencionei anteriormente, foi interessante ter uma estrutura didática que começasse pelos conceitos básicos de web analytics para então seguir com o tema de métricas para mídias sociais. Embora reconheça que (principalmente grandes marcas) usem as mídias sociais apenas como “ponte de divulgação”, acho que, pelo menos para quem está começando a estudar sobre o tema, talvez seja melhor começar pelo básico – neste post você confere meu texto sobre os dois primeiros cursos que fiz na área, sobre métricas de mídia sociais. Isso porque considero este assunto mais fácil, enquanto o tema de web analytics – que é também anterior às mídias sociais – exige um pouco mais de refinamento no conhecimento.

A proposta de Julie para métricas de mídias sociais, aliás, é diferente da que é mais comum nos cursos e materiais do mercado. Explico: os “níveis” de categorias mais conhecidos são dimensão/base (público) e interação/engajamento (ação), onde a primeira é referente ao universo de análise e a segunda correspondem às respostas aos usuários. No conteúdo do curso, a métrica de engajamento é vista como métrica de audiência (ou dimensão/base); como métrica de engajamento, Julie considera a ação dos usuários sobre o universo alcançado (ou seja, engajamento dividido por impressões). Para alguns profissionais, isso já deixaria de ser métrica e passaria a ser um KPI (key-performance indicator).

Não estou aqui para julgar (nem me vejo capaz ou com propriedade para isso), mas achei curioso contrapor esses diferentes métodos porque de fato “engajamento” é um termo bastante complexo ainda nos dias de hoje quando falamos de marcas na internet. A conclusão que cheguei numa breve reflexão é que não importa o meio, mas o destino, ou seja, tudo – como sempre – depende do objetivo. O importante é mostrar de onde veio e para onde vai (ou pretende ir). Como Julie menciona no curso, não há padrões ou parâmetros (comparativos) fixos, o ideal é contrapor com resultados antigos – dados internos: histórico, investimento, frequência de postagem, conteúdo, horários de postagem, percentual ativo da base, etc.

A mensagem passada é que, entendendo esses conceitos gerais de métricas de audiência (volume, alcance) e de engajamento (público, interesse), é possível aplicá-los em outras métricas de várias plataformas. No curso, por exemplo, ela apresenta um cenário geral de algumas métricas para plataformas de vídeo – mais especificamente Facebook e YouTube. Com o aumento da produção de vídeos para a web, houve certa discussão e debate sobre qual seria a melhor plataforma para divulgação. Como tudo na comunicação: depende (do objetivo). Abaixo, uma tabelinha que fiz com as métricas e atribuições para cada plataforma passada no material do curso. Em suma, no entanto, cada uma serve melhor aos propósitos:

• Facebook: vídeos pontuais com necessidade de alto alcance ou conversão fora da plataforma; menor qualidade de retenção do usuário/conteúdo; sem possibilidade de merchan/product placement/pre-roll;
• YouTube: fomentar comunidade, projetos de frequência/formato e temática específica, construção de marca; Usuário mais caro (distribuição e produção); monetização, merchan e product placement permitidos.

Com esse conteúdo de métricas para plataformas de vídeos chega ao fim o módulo de métricas de mídias sociais do CoLab Social Media – adiante, vamos falar sobre dataviz e relatórios. Essa é uma preocupação crescente no mercado que tem ganhado cada vez mais a atenção de analistas, coordenadores, gerentes e profissionais como um todo, que aprenderam a lidar com os números saindo da área de humanas e agora precisam voltar para um lado mais artístico com a apresentação sobre essa avalanche de dados. Nesse cenário, conhecimentos apenas sobre gráficos são insuficientes – é preciso ir mais a fundo nos estudos de profissões que já lidam com muitos dados há muito tempo.

Não vou me estender neste post sobre o módulo de dataviz porque ele segua a mesma apresentação feita no Social Analytics Summit 2015, sobre qual eu fiz um texto específico em janeiro do ano passado. Em resumo, acho importante lembrar: dataviz não é só parceria com diretores de arte, envolve apresentar padrões, destacar resultados e resumir os números – contar uma história; muita atenção para margem e alinhamento (!), permita que as informações respirem; hierarquia da informação é algo importante para direcionar a leitura (lembre-se que você é quem conduz a narrativa); tenha sempre alguns layouts “prontos” que sigam um padrão de esquematização proporcional à importância das informações, para que você possa apresentá-los com facilidade.

Outro conteúdo importante que vale replicar é a recomendação de quando utilizar cada instrumento de leitura. Tabelas, por exemplo, são mais apropriadas para valores individuais, exatos, mais de uma unidade de medida, enquanto gráficos são ideais para relações e tendências. Colunas empilhada são indicadas para contribuição entre séries, com sua versão totalizante recomendada para contribuição proporcional. Nas colunas, nomes curtos; em barras, nomes longos, duração. Linhas são como setas (indicam de onde veio e para ondem vão), então são bons para tendências/grande volume de dados – e linhas com marcadores, para volume menor (médio) de dados. A área só é indicada para representatividade no todo, com sua versão totalizante para proporção.

Outras dicas importantes (que vale a pena repetir):

• Gráfico de pizza: nunca. Jamais;
• “Isso é bom?”: um dado descontextualizado é apenas um número. Sempre faça comparativos e/ou use um referencial para mostrar ao leitor se o que aconteceu está melhor ou pior;
• Parâmetros: nesse trabalho de fazer comparações, cuidado com a natureza dos dados que serão comparados – eles precisam ser de uma mesma “categoria” (!) para que essa comparação possa ser válida (atenção também à proporcionalidade, principalmente na exibição dos gráficos);
• Resultado-conceito (ou, “iai, neyn, comé ki fica?”): a depender de quem vai ler o relatório, é importante tentar sempre ser bastante claro: “o resultado foi bom/ruim/satisfatório/insatisfatório/nota 7/etc.”;
• Atenção à estética: fontes – é recomendável usar apenas duas fontes (título e corpo do texto, a primeira mais “artística” e a segunda mais “sóbria”); paleta de cores – para dados sequenciais, usar uma mesma cor em diferentes intensidades, para dados divergentes, cores de sentimentos-padrão, para dados categóricos, cores distintas; ícones – “uma imagem vale mais que mil palavras”, neste caso, somente para legenda.

Embora não tenha me estendido muito no material do curso, reforço que gosto muito do conteúdo da Julie. Ele me ajudou bastante na produção do meu primeiro relatório público de monitoramento, assim como esse outro guia feito pelo Júnior Siri. Ambos têm um caráter ainda introdutório sobre o que de fato é dataviz (no levantamento de 100 Fontes sobre Pesquisa e Monitoramento de Mídias Sociais do IBPAD você vê pesquisadores como Judith Donath e Fernanda Viegas – além do mais conhecido, Nathan Yau, do FlowingData – estudando isso a fundo). No entanto, são ótimos conteúdos para o contexto do mercado de mídias sociais. Nesse sentido, também queria indicar esse guia e esse post.

No mais, queria mais uma vez elogiar o conteúdo do CoLab Social Media. Já estamos chegando perto do fim do curso e tenho ficado cada vez mais satisfeito com o conteúdo. Embora o material sobre dataviz esteja público (confira abaixo), é muito diferente vê-lo sendo explicado por quem o desenvolveu. Vale muito a pena! Eu, aliás, já tive meu período de “degustação” expirado e paguei pelo acesso vitalício. 🙂