Quando o tráfego começa a parecer estranho

Por vezes, o problema não começa quando o tráfego diminui. Começa quando há demasiado.

Foi o que aconteceu ao analisar os dados do site de um cliente com uma audiência bastante definida. O volume era bom, até demasiado bom em alguns momentos, mas havia elementos que não encaixavam totalmente.

Uma parte importante do tráfego surgia como Direct. Ao mesmo tempo, alguns países tinham um peso difícil de justificar tendo em conta o contexto do projeto. Singapura e China, por exemplo, surgiam com uma presença muito maior do que seria de esperar pela língua, atividade ou público-alvo.

Nada disso demonstrava, por si só, que houvesse um problema.

O tráfego direto não é necessariamente suspeito. Nem o é receber visitas de países inesperados. A Internet não respeita muito bem as nossas previsões geográficas e, além disso, o Analytics nem sempre consegue identificar com precisão de onde vem uma sessão.

Mas, quando vários sinais estranhos coincidem, convém deixar de olhar apenas para o número total.

Havia demasiadas visitas para não começar a fazer perguntas.

De onde vinham realmente? Porque é que uma parte tão importante acabava classificada como Direct? Aquela distribuição geográfica fazia sentido? Estávamos a ver pessoas interessadas no conteúdo ou simplesmente atividade que o Analytics estava a incorporar nas estatísticas?

E, acima de tudo, surgiu uma pergunta anterior a todas as outras:

estávamos a medir corretamente?

O banner estava lá, mas ninguém tinha de decidir

A primeira pista não surgiu no Analytics, mas no próprio site.

O banner de cookies estava implementado. Tecnicamente, estava lá. Mas havia uma diferença importante entre apresentar um aviso e levar o utilizador a tomar uma decisão.

No nosso caso, era possível continuar a navegar sem aceitar nem recusar explicitamente. E isso levantou uma dúvida bastante mais relevante do que a posição ou o design do banner: o que estava a acontecer com a medição enquanto o utilizador não tomava qualquer decisão?

Este ponto também ajuda a compreender porque é que muitos sites de grande dimensão apresentam o consentimento de uma forma especialmente visível assim que se entra. Muitas vezes surge ao centro, com bastante destaque visual e chegando mesmo a ocupar grande parte do ecrã. Não é apenas uma decisão estética. É uma forma de transformar o consentimento numa ação explícita, difícil de ignorar, e de reduzir o tempo durante o qual o utilizador continua a navegar sem ter tomado qualquer decisão.

No nosso caso, a partir dessa suspeita não alterámos apenas uma coisa.

Revimos a configuração do consentimento, a posição e a visibilidade do banner, a clareza das opções disponíveis e a implementação do Google Consent Mode, para verificar que sinais eram enviados para a Google antes e depois de o utilizador tomar uma decisão. Revimos também o comportamento do Analytics e a própria implementação da medição.

Não se tratava simplesmente de “corrigir os cookies”. Estávamos a rever toda a cadeia que liga uma visita ao dado que acaba por surgir no Analytics: desde a interação do utilizador com o consentimento até à forma como essa decisão se traduz em sinais e acaba por condicionar o que pode ser medido e como.

Esta foi a nossa resposta ao problema que tínhamos perante nós, mas não significa que o consentimento seja a única ferramenta para investigar tráfego estranho.

O Google Analytics também permite trabalhar com filtros para determinados tipos de tráfego, excluir tráfego interno e de desenvolvimento e apoiar-se nos seus próprios mecanismos de filtragem de bots conhecidos. Consoante o caso, pode também ser necessário rever a etiquetagem, as fontes de aquisição, as referências, os eventos, as campanhas ou até a infraestrutura a partir da qual chegam determinadas visitas.

Por isso, também não queríamos transformar uma correlação numa explicação demasiado cómoda.

O facto de o tráfego ter mudado depois de revermos o consentimento não demonstrava que todo aquele tráfego estranho tivesse uma única causa. Também não significava que qualquer descida posterior pudesse ser atribuída automaticamente ao novo banner ou ao Consent Mode.

O importante era outra coisa: antes de interpretar um dado, precisávamos de compreender como estava a ser gerado.

No nosso caso, o consentimento e o Consent Mode eram elementos suficientemente importantes para começarmos por aí.

E, depois de os alterarmos, os números também mudaram.

Quando menos tráfego parece ser melhor tráfego

Depois das alterações, o Analytics começou a mostrar menos tráfego. Mas, ao mesmo tempo, algumas das métricas que usamos para compreender a qualidade dessas visitas melhoraram de forma bastante evidente.

A diferença já não estava apenas em quantos utilizadores chegavam ao site, mas em como se comportavam uma vez lá dentro.

A taxa de interação aumentou, a taxa de rejeição diminuiu e o tempo de envolvimento começou a ser mais consistente. Também surgiram diferenças mais razoáveis entre utilizadores novos e utilizadores recorrentes.

Este último ponto era especialmente interessante.

Antes da alteração, o Analytics tendia a mostrar uma relação quase idêntica entre utilizadores totais e utilizadores novos. Não era impossível, mas era estranho quando se repetia de forma sistemática: parecia que praticamente toda a gente chegava pela primeira vez.

Depois de revermos o consentimento e a medição, esse retrato começou a mudar. Os utilizadores novos continuavam a ter um peso muito elevado, mas já não coincidiam praticamente com o total, e a proporção de utilizadores recorrentes começou a ser visível.

Não é uma prova definitiva de que antes tudo estivesse mal medido, mas é um sinal importante: a audiência começou a comportar-se no Analytics de uma forma mais reconhecível e coerente.

O mesmo acontecia com outras métricas. À medida que parte do tráfego suspeito diminuía, as sessões com interação ganhavam peso e os tempos de envolvimento melhoravam. O conjunto começou a parecer menos ruidoso.

E isto importa porque o tráfego de baixa qualidade não só infla o número de utilizadores. Também pode deteriorar as métricas que usamos depois para avaliar o desempenho de um site.

Se entram muitas sessões que duram apenas alguns segundos, não interagem e vêm de origens difíceis de explicar, o problema não é apenas o tráfego total estar sobredimensionado. Também podem piorar a taxa de rejeição, o tempo de envolvimento, a recorrência e outros sinais que depois usamos para tomar decisões.

Por isso, quando, após uma revisão da medição, o volume cai mas várias métricas de comportamento melhoram em simultâneo, a interpretação não se deveria limitar a “perdemos tráfego”.

A pergunta certa é outra:

estamos a ver menos utilizadores ou estamos a ver melhor os utilizadores que realmente importam?

Não podemos afirmar que tudo o que desapareceu fosse spam, bots ou tráfego automatizado. Mas, quando certas anomalias diminuem e, ao mesmo tempo, melhoram indicadores como a interação, a taxa de rejeição, o tempo de envolvimento ou a recorrência, é razoável considerar que parte do volume anterior estava a introduzir ruído.

E aqui surge uma paradoxo interessante: um site pode mostrar menos tráfego no Analytics e, ainda assim, oferecer uma leitura muito mais útil da sua audiência.

Por vezes, medir menos não significa saber menos.

Pode significar exatamente o contrário.

Dois períodos que já não significam o mesmo

Quando a forma de medir muda, comparar dois períodos como se fossem equivalentes pode ser enganador.

A percentagem pode estar bem calculada e, ainda assim, a conclusão ser incorreta.

Se antes uma visita podia ficar registada sob determinadas condições e, depois, essas condições mudam, já não estamos a comparar exatamente a mesma realidade observada. O nome da métrica pode manter-se — utilizadores, sessões, tráfego Direct, taxa de interação —, mas a forma como esses dados chegam ao Analytics já não é idêntica.

Isso obriga a introduzir uma espécie de ponto de quebra na leitura histórica.

Não significa que devamos deixar de comparar. Significa que devemos comparar com contexto.

Uma descida do tráfego depois de rever o consentimento, o Consent Mode ou a implementação não pode ser interpretada automaticamente como uma perda equivalente de audiência. Da mesma forma, uma melhoria no tempo de envolvimento ou na taxa de rejeição não deveria ser apresentada como se toda a melhoria viesse apenas do conteúdo ou da experiência do utilizador.

Parte da mudança pode estar no comportamento real da audiência.

E parte pode estar em quem entra agora na amostra e em que condições.

Aqui, a UX do consentimento volta a ser importante.

A forma como apresentamos o banner, a sua visibilidade, a clareza das opções e a facilidade de aceitar ou recusar podem influenciar quantos utilizadores tomam uma decisão e em que momento o fazem. Essa decisão acaba também por afetar os dados disponíveis para medir a sessão.

Por isso, o design do consentimento não vive apenas no domínio da privacidade ou da conformidade legal. Também faz parte da arquitetura de medição.

Uma pequena alteração numa interface pode acabar por ter consequências bastante distantes dessa interface: nos relatórios, nas comparações mensais e, por fim, nas decisões que tomamos a partir delas.

Talvez uma das coisas mais úteis que podemos fazer quando alteramos uma implementação deste tipo seja precisamente reconhecê-lo nos nossos próprios relatórios.

Não esconder a quebra.

Assinalá-la.

Porque, a partir desse momento, o “antes” e o “depois” continuam a ser úteis, mas já não significam exatamente o mesmo.

Conclusão

Durante muito tempo, associámos uma boa medição a ter mais dados.

Mais utilizadores. Mais sessões. Mais eventos. Mais páginas vistas. Mais informação para analisar.

Mas mais nem sempre significa melhor.

Se uma parte do tráfego que registamos introduz ruído, distorce a origem das visitas, piora artificialmente as métricas de comportamento ou faz parecer homogénea uma audiência que, na realidade, não o é, então acumular mais dados pode afastar-nos da realidade em vez de nos aproximar dela.

Isso é provavelmente o mais interessante de todo este processo.

A descida inicial pareceu uma má notícia porque estávamos a olhar para o volume. Mas, quando começámos a observar o que tinha realmente mudado, a interpretação foi diferente: menos tráfego Direct difícil de explicar, menos geografias improváveis, melhores sinais de interação e uma audiência que começava a comportar-se de forma mais coerente.

Não significa que tenhamos encontrado uma medição perfeita.

Também não significa que tudo o que desapareceu fosse tráfego inválido.

Significa algo mais útil: a qualidade de uma métrica depende tanto do dado que recolhe como das condições em que o recolhe.

E isso obriga a mudar um hábito bastante generalizado.

Quando um número sobe, não devíamos celebrá-lo automaticamente.

Quando desce, também não devíamos assumir que algo piorou.

Antes, convém perguntar o que estamos a medir, como o estamos a medir e se a amostra que temos perante nós continua a significar o mesmo que significava antes.

Porque uma descida pode ser uma perda.

Mas também pode ser uma limpeza.

Pode ser uma quebra de série.

Pode ser uma implementação mais correta.

Ou pode ser a primeira vez que o dado começa a parecer-se um pouco mais com a realidade.

No fim, medir melhor não consiste em recolher tudo o que for possível.

Consiste em compreender melhor o que estamos a ver.

Estamos a tomar decisões com base no que os nossos utilizadores fazem ou no que a nossa ferramenta consegue registar sobre eles?