MediaMarkt
Trabajo interno durante mi etapa en MediaMarkt
10% de aumento en la tasa de conversión del checkout
El reto
En MediaMarkt, el checkout era una de las páginas con más tráfico de todo el sitio, lo que la convertía en uno de los lugares más importantes a cuidar. Una parte considerable de los visitantes que llegaban al checkout no completaban su compra, y debido al gran volumen que pasaba por esa página, incluso una pequeña mejora en la tasa de finalización suponía una diferencia real en los ingresos. Esa cifra ya se había revisado antes, pero siempre como parte de un dashboard más amplio, nunca como un proyecto dedicado con su propia fase de investigación. Eso dificultaba saber si la caída se debía a un problema concreto o a varios problemas menores que se sumaban, que es exactamente el tipo de pregunta que una auditoría enfocada está pensada para responder, en lugar de un vistazo rápido a un KPI.
Investigación
Usé GA4 para construir una vista paso a paso del funnel de checkout, desglosándolo etapa por etapa en lugar de tratar el checkout como un único número de aprobado o suspenso. Eso permitió ver con precisión cuánta gente abandonaba en cada paso concreto, en lugar de conocer solo la tasa de finalización general. Junto con los datos del funnel, Content Square ofreció una mirada mucho más cercana a lo que realmente ocurría en pantalla en esos pasos: mapas de calor que mostraban dónde se concentraban la atención y los clics, y grabaciones de sesiones que mostraban a visitantes reales dudando, volviendo atrás para revisar algo, o abandonando a mitad de rellenar un campo. Observar juntos los datos cuantitativos del funnel y el comportamiento cualitativo de las sesiones, en lugar de depender de uno solo de los dos, fue lo que convirtió el diagnóstico de una suposición en algo concreto.
El hallazgo
Al observar juntos el funnel y los datos de sesión, la caída no se repartía de forma uniforme por todo el checkout, lo que descartaba un problema general de confianza o de precio que afectara a todo el flujo. Se concentraba en pasos concretos, y el comportamiento en pantalla en esos pasos exactos (la duda, el volver atrás, el rellenar el formulario a medias) apuntaba a fricción en cómo estaba estructurado el flujo, no a lo que se le pedía pagar a la gente. En otras palabras, la gente no se iba porque el precio les echara atrás. Se iban porque completar el checkout era más difícil de lo necesario en unos pocos puntos concretos e identificables.
Qué probamos
A partir de ahí, se simplificó el flujo de checkout teniendo en cuenta los puntos de fricción concretos que habían señalado los datos, en lugar de aplicar un rediseño general. Eso significó reducir pasos innecesarios donde los había, aclarar qué se pedía exactamente en cada etapa para que los visitantes no se quedaran adivinando, y eliminar los puntos de fricción concretos que tanto el funnel como los datos de sesión habían señalado de forma independiente. Los cambios se enfocaron deliberadamente en esos pasos, en lugar de una reconstrucción completa de la experiencia de checkout, ya que los datos ya habían acotado dónde estaba el problema real.
Resultados
La tasa de conversión del checkout aumentó un 10% tras implementar los cambios, medido sobre los mismos pasos del funnel que se habían analizado durante la fase de investigación, de modo que la mejora pudo vincularse directamente a las áreas identificadas como problemáticas, en lugar de atribuirse a cambios generales en el tráfico del sitio.
Aprendizaje clave
Con una página de tanto tráfico como el checkout, es tentador suponer qué puede estar mal y testear en general, esperando que algo funcione. Combinar los datos del funnel con el comportamiento a nivel de sesión permitió ser específico sobre dónde estaba realmente el problema antes de hacer ningún cambio, lo que hizo que la solución fuera mucho más precisa, el testeo mucho más eficiente, y el resultado mucho más predecible que una serie de ajustes amplios y sin foco.