La mayoría de los procesos de onboarding están diseñados para el usuario promedio, lo que significa que son incorrectos para casi todos. El usuario que se registró para resolver un problema específico es guiado a través de un flujo genérico diseñado para alguien que quiere explorar todo. No encuentran lo que buscan lo suficientemente rápido, no ven valor en la primera sesión y, silenciosamente, dejan de usar el producto. En conjunto, esto se traduce en una tasa de activación del 30%. En realidad, se trata de cuatro fallas de activación diferentes para cuatro tipos diferentes de usuarios, y el flujo único que construyó no está resolviendo ninguna de ellas.
El mejor flujo de trabajo de IA para activación y onboarding comienza identificando dónde abandona realmente cada tipo de usuario —no donde usted cree que lo hace— y luego diseña la ruta más corta posible desde el registro hasta el primer resultado real para cada uno de ellos. La telemetría y medición se integran desde el primer día para saber si funcionó.
Por qué mienten las tasas de activación agregadas
Una tasa de activación del 30% es el promedio de varios números distintos. Una persona se activa al 55%; otra al 18%; una tercera casi nunca lo hace. El agregado oculta todo esto. Si diseña una solución para el promedio, podría mover el promedio unos pocos puntos mientras deja el perfil más afectado exactamente tan dañado como estaba. La primera tarea del flujo de trabajo de IA es separar el agregado en segmentos —por el trabajo a realizar (job-to-be-done) por el que se registró cada usuario, por el camino que tomó, por dónde se detuvo— para que el problema sea visible al nivel en el que realmente se puede solucionar.
Encontrar dónde abandona cada persona
El análisis de embudo por persona se ve diferente al análisis de embudo estándar. En lugar de preguntar \"qué porcentaje de usuarios completa el paso 3\", pregunta \"qué porcentaje de usuarios que se registraron para hacer X completa el paso 3, y qué porcentaje de usuarios que se registraron para hacer Y lo completa\". Los puntos de abandono casi siempre son diferentes. La persona que se registra para obtener un resultado específico a menudo se estanca en el momento en que el producto le pide que haga algo para lo que no vino. Ese es un problema de diseño, no de mensajes, y la solución es eliminar ese paso para ellos.
El onboarding de talla única no es neutral. Es activamente incorrecto para todos los que no son el usuario promedio.
Diseñar flujos basados en personas
Un flujo de onboarding basado en personas no agrega pasos; los elimina para los usuarios que no los necesitan y reordena los que quedan para que la ruta de obtención de valor sea lo más corta posible. Para el usuario que vino a resolver el problema A, el flujo va directamente a la función o acción que lo resuelve. Para el usuario que vino a resolver el problema B, el flujo comienza en un lugar diferente. Esto suena obvio, pero la mayoría de los procesos de onboarding se construyen a partir de una única narrativa de lo que hace el producto, en lugar de un mapa de lo que cada usuario vino a buscar.
Medir para que el incremento sea visible
Los nuevos flujos de onboarding deben lanzarse con la medición integrada de origen, no añadida después. La activación a nivel de persona —no general— debe ser visible desde el primer día: el porcentaje de cada persona que alcanza su primer resultado real, dónde los pierde el nuevo flujo en comparación con el antiguo y si el cambio en el flujo realmente movió la métrica. Sin esta medición, la siguiente iteración comenzará a partir de otro conjunto de suposiciones en lugar de evidencias, y el ciclo continuará.
Iterar sobre el comportamiento, no sobre suposiciones
Las mejores mejoras de activación se acumulan porque cada iteración se basa en lo que reveló la versión anterior, en lugar de en lo que alguien cree que quieren los usuarios. El flujo de trabajo produce una imagen estructurada de lo que hicieron los usuarios y dónde se detuvieron, no de lo que dijeron en una encuesta. Esa evidencia de comportamiento es lo que hace que cada iteración sea más precisa: el punto de abandono se mueve, la siguiente mejora se dirige al nuevo punto de abandono y la activación avanza hacia el techo definido por el valor real del producto.
¿Por qué falla el onboarding de talla única?+
Porque diferentes usuarios llegan al producto por diferentes razones y necesitan un camino distinto para alcanzar su primer resultado. Un único flujo optimizado para un usuario promedio asumido es incorrecto para todos los que no son ese promedio, es decir, la mayoría de los usuarios. La solución es identificar las rutas específicas que necesitan los diferentes usuarios y diseñar cada una por separado.
¿Qué es la activación y cómo la medimos?+
La activación es el momento en que un nuevo usuario alcanza su primer resultado real, no cuando completa un tutorial o llena su perfil, sino aquello que se registró para resolver. Medirla requiere definir ese momento para cada arquetipo de usuario (persona) e implementar telemetría en el producto para registrar cuándo llegan allí.
¿Cómo encontramos dónde abandonan los usuarios sin investigación cualitativa?+
Los datos de comportamiento (lo que los usuarios realmente hicieron, paso a paso, antes de detenerse) son más confiables que las entrevistas para encontrar puntos de abandono. Los usuarios a menudo no pueden articular dónde se atascaron; el comportamiento es mejor señal que la explicación. El flujo de trabajo analiza el rastro de comportamiento en lugar de confiar en lo que dicen los usuarios cuando se les pregunta.
¿Necesitamos reconstruir el onboarding desde cero?+
No. El análisis detecta los puntos específicos donde cada persona diverge y donde el flujo actual les falla. A menudo la solución es dirigida: eliminar estos tres pasos para la persona A, reordenar estos dos para la persona B, agregar este mensaje para la persona C. Una reconstrucción completa rara vez es lo que los datos exigen.
¿Cómo empezamos?+
La prueba más rápida es segmentar sus datos de activación existentes por la tarea específica (job-to-be-done) que cada usuario se registró para realizar y ver dónde difieren los puntos de abandono según la persona. Reserve una breve llamada y analizaremos cómo se ve esto con sus datos reales.
Servicio relacionado
¿Quieres que implementemos este flujo de trabajo para ti?