Casos práticos para filtragem de mapas de calor

Neste artigo, compartilharemos exemplos de quando você pode escolher usar filtros de sessão de mapas de calor específicos e como implementá-los.

• Quais filtros posso usar em um mapa de calor?
• Casos práticos para filtragem de mapas de calor

---

Quais filtros posso usar em um mapa de calor?

Abaixo listamos os filtros disponíveis para segmentar dados de sessão em mapas de calor.

Além disso, você pode filtrar mapas de calor por data. Nossos intervalos de datas incluem intervalos relativos e uma opção de intervalo de datas personalizado que são úteis se você deseja comparar dados de mapas de calor antes e depois de alterações feitas em sua página da web.

Voltar ao topo

Casos práticos para filtragem de mapas de calor

Filtrar para comparar como diferentes grupos de usuários interagem com áreas específicas do seu produto pode ajudá-lo a descobrir novas oportunidades ou validar suposições existentes. Abaixo estão alguns casos práticos sugeridos para aplicar filtros aos mapas de calor.

• Comparar novos versus usuários recorrentes

  É possível comparar os dados do mapa de calor de uma página entre novos e usuários recorrentes para ver como os usuários de primeira viagem interagem com seu produto. Por exemplo, você pode comparar visitantes novos e recorrentes na página inicial para ajudar a criar uma experiência específica para cada público. Você pode considerar se os usuários recorrentes estão encontrando facilmente o botão de login.

  Filtrar por:

  • Novos / Usuários recorrentes

• Usar localização e tecnologia para analisar tendências de visitantes e solucionar problemas

  Obtenha uma imagem mais clara do comportamento do usuário com base em seu país, dispositivo, navegador e sistema operacional.

  Filtrar por:

  • País
  • Dispositivo
  • Navegador
  • Sistema operacional

• Focar nos usuários que entram e saem do seu produto em uma página específica

  Obtenha uma melhor compreensão dos usuários que entram no seu produto em uma página específica e saem sem visitar outras páginas. Filtrar por usuários que pousaram e saíram do seu produto na mesma página para aprender mais sobre por que estão saindo.

  Filtrar por:

  • Página de entrada: https://example.com/
  • Página de saída: https://example.com/

• Comparar variantes de teste A/B

  Compare os dados do mapa de calor das páginas em que você está executando um teste A/B e descubra qual delas tem melhor desempenho. Usando nossa API de Eventos, você pode enviar um evento para o Hotjar cada vez que um usuário carrega uma variante específica da página durante um teste A/B. Em seguida, você poderá filtrar por cada variante para ver como os usuários estão interagindo com cada página.

  Configurar evento para variantes para:

  • Variante: AB_checkout_Dec21_variant
  • Controle: AB_checkout_Dec21_control

  Filtrar por:

  • Evento: AB_checkout_Dec21_variant e AB_checkout_Dec21_control

• Compare usuários que fizeram uma compra com aqueles que não fizeram uma compra

  Comparar o comportamento desses grupos de usuários pode revelar insights que podem ajudar a impulsionar melhorias na conversão. Para fazer isso, você precisará configurar Atributos de Usuário no Hotjar para que você possa filtrar por usuários que fizeram e não fizeram uma compra.

  Configurar Atributos de Usuário para:

  • Usuários que fizeram uma compra: made_a_purchase = true
  • Usuários que não fizeram uma compra: made_a_purchase = false

  Filtrar por:

  • Página de entrada: https://example.com/checkout
  • Página de saída: https://example.com/checkout
  • Atributo de usuário: made_a_purchase = true. Compare isso com made_a_purchase = false

• Realize um teste A/B comparando duas versões da página de checkout

  Ao comparar o comportamento entre usuários que fizeram uma compra e aqueles que não fizeram, você pode ter identificado algumas áreas para otimização. É uma boa prática executar um teste A/B para validar se as alterações feitas no checkout impulsionarão mais conversões. Adicione um filtro de feedback para entender melhor o sentimento em torno da página. Aqui vamos combinar os Eventos e Atributos de Usuário que configuramos nos exemplos acima:

  Filtrar por:

  • Evento: AB_checkout_Dec21_variant e AB_checkout_Dec21_control
  • Atributo de usuário: made_a_purchase = true. Compare isso com made_a_purchase = false
  • Feedback: Usuários que deram feedback positivo vs negativo

• Veja onde os usuários ficam frustrados durante as variações do fluxo de checkout

  Ao focar nos usuários que chegaram à sua página de checkout, mas não concluíram a compra, você pode ver se há alguma parte do processo que está causando atrito. Visualizar os cliques de raiva pode ajudá-lo a entender onde os usuários ficam frustrados durante o fluxo de checkout, destacar bugs precocemente e saber como redesenhar uma página para aumentar as conversões.

  Filtrar por:

  • Evento: AB_checkout_Dec21_variant ou AB_checkout_Dec21_control
  • Atributo de usuário: made_a_purchase = false
  • Clique de raiva: URL da página é https://example.com/checkout

• Concentre-se em usuários que visualizam uma página de entrada de uma campanha paga específica

  Usar o filtro de Canal de Tráfego, combinado com o mapa de zonas de engajamento, pode ajudá-lo a entender como usuários específicos interagem com sua página para que você possa fazer ajustes. Por exemplo, você pode ver se os usuários de uma campanha paga estão rolando o suficiente para ver seu botão de Chamada para Ação, ou se outra área está recebendo mais do que o esperado.

  Filtrar por:

  • Canal de Tráfego: Nome da campanha contém "exemplo_campanha"

Voltar ao topo

Net Promoter, Net Promoter System, Net Promoter Score, NPS e os emoticons relacionados ao NPS são marcas registradas da Empresa Bain & Company, Inc., Fred Reichheld e Satmetrix Systems, Inc.