A maioria das equipas vê gravações de sessão da mesma forma: abre a ferramenta, filtra pela página com a maior taxa de rejeição e clica em reproduzir no que aparecer. Depois de 20 gravações, faz uma mudança. Às vezes funciona. Normalmente não.
O problema não são as gravações. É a amostra. Uma gravação aleatória de um visitante na sua página de preços diz-lhe o que uma pessoa fez. Não lhe diz se esse comportamento é típico, o que o trouxe até lá, ou por que saiu sem converter. Sem esse contexto, está a fazer correspondência de padrões com ruído.
As equipas que consistentemente encontram problemas reais nas gravações de sessão fazem uma coisa de forma diferente antes de clicar em reproduzir: filtram por fonte de tráfego, tipo de dispositivo e resultado de conversão. Essa combinação transforma uma observação anedótica em evidência.
Por que a fonte de tráfego muda tudo o que vê
Um visitante que chegou à sua landing page a partir de uma campanha do Google Ads viu uma promessa específica no anúncio e clicou esperando exatamente isso. Se a página abre numa visão geral genérica do produto em vez de confirmar imediatamente essa promessa, sai em segundos.
Um visitante que chegou à mesma página a partir de pesquisa orgânica encontrou-o através de conteúdo, leu sobre o espaço do problema e está num modo de avaliação mais lento. Vai fazer mais scroll, ler mais e sair por razões diferentes do visitante pago.
Se misturar gravações de ambas as fontes e as ver juntas, verá um sinal confuso. Os rage-clicks do visitante pago, frustrado por uma incompatibilidade entre a promessa do anúncio e o conteúdo da página, vão diluir-se contra o comportamento mais lento e exploratório do visitante orgânico. Vai tirar conclusões que não se aplicam a nenhum dos dois.
Segmente primeiro. Veja depois.
As três dimensões que definem um segmento útil
Antes de abrir uma única gravação, defina a combinação que quer investigar. Três dimensões são suficientes:
- Fonte de tráfego: Pesquisa paga, orgânica, direta, e-mail, social. Cada uma traz um visitante com expectativas e intenção diferentes. A mesma página terá desempenho diferente para cada uma.
- Tipo de dispositivo: Móvel e desktop são produtos diferentes. Um problema de conversão que só aparece em móvel é uma correção diferente de um que aparece em todo o lado.
- Resultado de conversão: Rejeitou, converteu, ou abandonou a meio do funil. Isto separa as sessões que vale a pena diagnosticar das que funcionaram como pretendido.
Um segmento definido pelas três é suficientemente específico para ser acionável. "Pesquisa paga, móvel, rejeitou" é um enunciado de problema. "Todos os visitantes da minha página de preços" não é.
O que cada combinação lhe diz antes de ver uma única gravação
Nem todas as combinações apontam para o mesmo tipo de problema. Ler o sinal com antecedência foca a sua atenção e impede-o de encaixar uma explicação depois do facto.
| Fonte | Dispositivo | Resultado | Problema mais provável |
|---|---|---|---|
| Pago | Qualquer | Rejeitou | Incompatibilidade anúncio-página: a promessa no anúncio não corresponde ao que a página entrega above-the-fold |
| Orgânico | Qualquer | Rejeitou | Incompatibilidade de intenção de pesquisa: o conteúdo não responde ao que a palavra-chave implicava |
| Qualquer | Móvel | Rejeitou | Falha na experiência móvel: layout, velocidade de carregamento, ou um CTA que não é tocável |
| Qualquer | Qualquer | Abandonou a meio do funil | Fricção num passo específico: um campo de formulário, uma opção de pagamento em falta, ou um sinal de confiança ausente |
| Direto | Qualquer | Rejeitou | Incompatibilidade de expectativa do visitante recorrente: algo mudou que quebrou um fluxo familiar |
| Qualquer | Rejeitou | Desalinhamento público-página: a landing page não corresponde ao segmento de e-mail ou à oferta |
Este diagnóstico acontece antes de abrir uma gravação, não depois. Não está à procura de uma surpresa. Está à procura de confirmação de uma hipótese específica.
O protocolo das 20 gravações
Depois de ter o seu segmento e a sua hipótese, veja 20 gravações. Não 5 (demasiado poucas para encontrar um padrão). Não 50 (uma tarde inteira para retornos decrescentes). Vinte é suficiente.
O que procurar, por ordem de peso diagnóstico:
Registe o que observa nas 20 gravações com uma contagem simples. Está à procura de padrões que aparecem em pelo menos 30 a 40 por cento das sessões do seu segmento. Um padrão em 2 de 20 gravações é ruído. Um padrão em 10 de 20 é uma descoberta.
Um exemplo concreto: uma landing page de campanha paga com 1,8% de taxa de conversão
A sua campanha de pesquisa paga envia tráfego para uma landing page específica. A taxa de conversão é de 1,8%. O benchmark do setor para páginas semelhantes situa-se em torno de 3 a 4%. Algo está com desempenho abaixo do esperado, mas o relatório do GA4 mostra apenas uma alta taxa de rejeição e baixa duração de sessão. Não lhe diz porquê.
Sem a estrutura de filtragem, vê 20 gravações aleatórias nessa página. Vê uma mistura: alguns visitantes fazem scroll devagar, alguns saem rapidamente, alguns parecem envolvidos mas nunca clicam no CTA. Não consegue distinguir se as saídas rápidas são de tráfego pago ou de visitantes orgânicos que chegaram ao mesmo URL. Não consegue distinguir se as sessões envolvidas-mas-sem-conversão representam um problema diferente das saídas imediatas. Adivinha e muda o título.
Com a estrutura de filtragem, executa três investigações separadas:
Três segmentos, três diagnósticos diferentes, três correções diferentes. O relatório agregado de taxa de rejeição mostrou-lhe que algo estava errado. As gravações filtradas disseram-lhe exatamente o que mudar e onde.
Por que isto é quase impossível com ferramentas desconectadas
A filtragem descrita acima requer dois pedaços de informação em simultâneo: o que a ferramenta de análise sabe (fonte de tráfego, dispositivo, resultado de conversão) e o que a ferramenta comportamental sabe (a própria gravação).
A maioria das equipas usa o Google Analytics para dados de tráfego e uma ferramenta separada (Hotjar, Microsoft Clarity ou similar) para gravações. Os dados não fluem entre elas. Quando abre o Hotjar, vê sessões. Pode filtrar por página, por dispositivo, às vezes por duração. Mas não pode filtrar pela campanha UTM que trouxe o visitante até lá, nem por saber se ele concluiu um objetivo configurado no GA4.
A solução alternativa é manual: exportar IDs de sessão do GA4, cruzar com o Hotjar, encontrar as gravações correspondentes. Na prática, quase nenhuma equipa faz isto. Vê gravações sem contexto, tira conclusões fracas e pergunta-se por que as mudanças que faz não movem a taxa de conversão.
| Capacidade | GA4 + Hotjar (ferramentas separadas) Ver Sublim vs Hotjar → |
Sublim (integrado) Experimentar grátis → |
|---|---|---|
| Filtrar gravações por fonte de tráfego | Apenas referência cruzada manual | Filtro nativo |
| Filtrar por resultado de conversão | Não é possível diretamente | Filtro nativo |
| Filtrar por dispositivo + fonte combinados | Dispositivo no Hotjar, fonte no GA4: sem ligação | Os três combinados numa vista |
| Fonte de tráfego visível na vista de gravação | Não | Sim |
| RGPD: sem banner de consentimento necessário | Não (ambas as ferramentas requerem consentimento na UE) | Sim |
Há um problema de RGPD que se agrava e que vale a pena notar. Em mercados da UE com um banner de consentimento ativo, 30 a 50% dos visitantes recusam o rastreamento. O Hotjar não grava sessões de visitantes que recusaram. As suas gravações já são uma amostra autosselecionada dos visitantes que aceitaram, enviesada para utilizadores envolvidos e familiarizados com a marca. Os visitantes com maior probabilidade de rejeitar rapidamente são também os com maior probabilidade de terem recusado o consentimento e de serem invisíveis na sua ferramenta de gravação. Para mais sobre isto, consulte o nosso artigo sobre análise web sem banner de consentimento.
A regra da hipótese única
No fim do protocolo das 20 gravações, deve ter uma hipótese. Não cinco. Não uma lista de coisas a melhorar. Um enunciado nesta forma: "Se eu mudar X, a taxa de conversão do segmento [fonte, dispositivo, resultado] vai melhorar porque [padrão] apareceu em [N] de 20 gravações."
Esta restrição importa. As equipas que saem de uma sessão de gravações com uma lista de dez coisas a corrigir tendem a implementá-las todas de uma vez, e depois medem o resultado sem saber qual mudança gerou o resultado, ou qual delas causou uma regressão noutro lugar. Uma hipótese, uma mudança, duas semanas de medição.
Se as suas gravações revelarem padrões fortes em vários segmentos, priorize por volume de tráfego multiplicado pela diferença de conversão. Um problema que afeta a sua campanha paga de maior investimento tem precedência sobre um padrão de abandono de formulário numa pequena coorte de tráfego direto.
Conclusão
As gravações de sessão são evidência. Como toda a evidência, o seu valor depende de como as recolhe. Uma amostra aleatória de gravações de uma página com alta taxa de rejeição é anedótica. Uma amostra filtrada por fonte, dispositivo e resultado de conversão é uma observação controlada.
O processo que funciona: defina o segmento antes de abrir uma gravação → formule uma hipótese sobre o que espera ver → veja 20 gravações e conte os padrões → identifique uma descoberta que aparece em pelo menos 30 % das sessões → faça uma mudança → meça durante duas semanas.
O processo que não funciona: abrir uma ferramenta, clicar em reproduzir, notar coisas interessantes, mudar várias coisas, perguntar-se por que a taxa de conversão não se mexeu.
A filtragem é o trabalho. A visualização é apenas confirmação.
Para o diagnóstico do lado do tráfego que complementa este fluxo de trabalho, consulte o nosso guia de diagnóstico de taxa de rejeição. A lógica de segmentação é a mesma: isole a fonte, depois interprete o sinal.
