Cómo KINTO Join encontró el verdadero punto de abandono en su flujo de carpool
KINTO Join es una app móvil para trayectos sostenibles al trabajo. Su funcionalidad Booked Carpool permite a los conductores planificar un carpool con anticipación y registrar el viaje el día del trayecto para que cuente.
91%
de los conductores que abrieron su reserva el día del viaje registraron el trayecto
1 de cada 3
conductores nunca volvió a la app el día de salida
1 tarde
desde la configuración hasta identificar el punto de abandono
El reto
Cuando se lanzó Booked Carpool, la demo salió bien y el equipo pasó al siguiente punto del roadmap. Semanas después, surgió una pregunta sencilla. ¿Alguien la está usando de verdad?
El equipo podía ver cuántas personas abrían la pantalla y cuántos taps recibía. Pero esos números no mostraban si los conductores obtenían lo que la funcionalidad les prometía. Esa promesa era la certeza, un viaje asegurado con anticipación y un trayecto registrado sin esfuerzo adicional.
Además, el flujo no ocurre de una sola vez. Un conductor puede reservar el lunes por la noche y registrar el viaje el martes por la mañana. Para ver el panorama completo, el equipo necesitaba una medición que siguiera a los conductores a lo largo de varias sesiones y días.
Normalmente podemos decir cuántas personas abrieron la pantalla. Podemos sacar un gráfico de taps. Pero esos números rara vez nos dicen lo que realmente nos importa: si la funcionalidad está resolviendo el problema que debía resolver, para la persona a la que debía ayudar.
La solución
Sima Ercevic, UX Lead Designer en KINTO Join, aplicó tres herramientas de UXCam al mismo flujo. Los embudos mostraron dónde abandonaban los conductores. Las grabaciones de sesión mostraron por qué. Los mapas de calor mostraron qué captaba su atención en la pantalla.
Configuró un embudo de tres pasos. Los conductores creaban una reserva, la abrían el día de salida y empezaban a registrar el trayecto. En un mes, alrededor del 64% de los conductores que reservaron un carpool llegaron a registrarlo.
El embudo mostró dónde se producía la pérdida. Alrededor del 91% de los conductores que abrieron su reserva ese día registraron el trayecto, así que el último paso funcionaba. El verdadero problema estaba antes. Casi un tercio de los conductores nunca volvió a la app ese día.
Las grabaciones de sesión aportaron el porqué. En una sesión, un conductor abrió los detalles del viaje, deslizó y volvió a revisar antes de iniciar el trayecto. Esa pequeña doble verificación es invisible en un embudo, pero muestra a una persona asegurándose de haber elegido el viaje correcto.
El mapa de calor de la pantalla de reservas confirmó el resto. Los taps se concentraban en las tarjetas de reserva, las visitas duraban solo unos segundos y los rage taps aparecieron en menos del 1% de las visitas. Una vez que los conductores llegaban a la pantalla, la experiencia funcionaba.
La configuración fue sencilla. Sima marcó algunos momentos clave del flujo y pasó de una pregunta a una respuesta clara en la misma tarde.
Lo que hizo que todo encajara para mí no fue una funcionalidad en particular, sino esa conexión: los números y el comportamiento humano detrás de ellos están a un clic de distancia.
¿Qué sigue?
Los datos alejaron al equipo de rediseñar la pantalla de reservas. La oportunidad está antes de que los conductores abran la app, en el momento en que necesitan un empujón para volver el día del viaje.
Sima también quiere que la medición se convierta en un hábito. En lugar de reservar la analítica para los grandes lanzamientos, el objetivo es definir algunos momentos clave para casi cada funcionalidad que lanza el equipo.
Puedes conocer más sobre la app en la página de producto de KINTO Join.
Lee el artículo completo de Sima, Measuring Feature Success Without Losing Sight of the User, en Medium (en inglés).
Si definir algunos momentos clave es fácil, la pregunta deja de ser “¿esta funcionalidad es lo bastante importante para medirla?”. Pasa a ser “¿por qué lanzaríamos algo sin saber si funcionó?”.