top of page
Homem que conduz no carro

Criando conexão com os clientes de seguro auto da Youse

Como criar personas que não se tornem obsoleta conforme a empresa escala?

 

Essa é a história de como usamos Machine Learning para criar personas de Produto e aumentamos a performance de anúncios de Marketing em 300%.

Visão Geral do Projeto

Contexto

A equipe de marketing da Youse Seguros enfrentava dificuldades para desenvolver a estratégia de comunicação devido à dificuldade em uma visão clara e atualizada de nosso público-alvo. Como estávamos escalando, as personas tradicionais se tornavam obsoletas muito mais rápido.

Objetivo

Nosso objetivo neste projeto era compreender o perfil e comportamento de nossos usuários, a fim de criar estratégias de marketing e comunicação personalizadas, alinhadas com as necessidades dos usuários.

Tudo isso, sem comprometer a relevância das informações conforme a empresa escalasse.

Resultados

Utilizando Machine Learning, desenvolvemos Data Personas, utilizando modelagem matemática para clusterizar nossos usuários. Testamos anúncios personalizados, adaptados às características dos clusters, e conseguimos uma melhoria de performance 300% em comparação aos anúncios gerais que costumávamos utilizar.

Aliando UX Design e Machine Learning para criar personas

Considere o seguinte cenário: o time de marketing precisa inovar na maneira de se comunicar com os clientes para impulsionar a aquisição, mas a empresa não possui uma compreensão clara do perfil dos usuários.

 

Um estudo de personas poderia ser uma alternativa para conhecer os usuários, porém, o objetivo da empresa para este ano é escalar. Nesse caso, como criar personas que se mantenham relevantes à medida que a base de usuários cresce?

Esse foi o desafio que enfrentamos na Youse Seguros, pioneira como a primeira seguradora digital do Brasil. Já possuíamos três personas desenvolvidas anteriormente que não se adequavam ao nosso cenário atual por que já haviam se tornado obsoletos.

Dado que a estratégia da empresa para este ano era escalar, era imprescindível criar um mapeamento de personas que pudesse acompanhar o crescimento da nossa base de usuários. Assim, unimos forças com a equipe de Business Intelligence e começamos um projeto de mapeamento de personas baseado em dados e escalável.

Clusterização da base de usuários

A primeira etapa desse projeto consistiu na criação de um modelo matemático de clusterização.

Utilizamos o algoritmo de clusterização k-means, uma técnica de aprendizado não supervisionado, para agrupar os usuários com base em similaridades de perfil e comportamento. O modelo matemático assinalou cada usuário a um grupo (cluster) de forma que os indivíduos dentro de cada grupo fossem semelhantes entre si, porém diferentes dos outros grupos.

Utilizamos variáveis relacionadas à precificação do seguro, como gênero, idade, modelo do carro, ticket médio, entre outras, para treinar o modelo. Ao final, obtivemos 5 grupos de usuários.

Em seguida, analisamos esses grupos para compreender as principais características de cada um e as diferenças que os distinguem dos demais. Através dessa análise, identificamos, por exemplo, que um dos grupos tinha a menor média de idade e usuários com carros mais antigos, o que nos levou a levantar a hipótese de que se tratavam de estudantes universitários com seus primeiros veículos.

Outro grupo reunia usuários com carros zero, modelos mais recentes, renda mais alta e ticket médio mais elevado. Apesar de representarem menos de 5% da nossa base de usuários, esse grupo de "ricos de carros novos" contribuía significativamente para a receita da empresa.

Essa análise nos deu um amplo conhecimento sobre nossos usuários.

 

No entanto, as informações se baseavam em dados que já coletávamos ao longo da jornada do usuário. Ainda havia informações que precisávamos conhecer, mas que não eram capturadas durante o processo. Por isso, seguimos para a etapa de pesquisa quantitativa.

Pesquisa Quantitativa

Optamos pelo método de pesquisa via questionário, pois essa abordagem nos permitiria enriquecer os dados do modelo com novas informações quantitativas. Selecionamos respondentes através de amostragem estratificada considerando cada cluster como uma sub-população.

Para isso, elaboramos um questionário abrangente, com perguntas sobre experiências anteriores com seguros, como os usuários conheceram a Youse, quais tipos de conteúdo eles consumiam e por quais canais.

As respostas obtidas nos ajudaram a a obter dados como histórico de seguros anteriores, como conheceu a Youse, tipos de conteúdo consumido pelos usuários, canais de preferência etc., além de validar algumas hipóteses, descartar outras e enriquecer os dados do modelo com informações comportamentais novas.

Por exemplo, a hipótese do grupo de universitários foi invalidada. Embora fossem usuários mais jovens com carros mais antigos, constatamos que, em sua maioria, já eram pessoas graduadas.

Descobrimos também que um dos grupos tinha uma maior proporção de usuários que adquiriam seu primeiro carro. Além disso, constatamos que cerca de 50% de nossos usuários haviam escolhido a Youse como seu primeiro seguro.

Nesse ponto, já sabíamos quem eram nosso usuários e o que faziam, mas ainda não tínhamos todas as respostas sobre os motivos e a forma como se relacionavam com a empresa. Portanto, a próxima fase do projeto consistiu em um estudo qualitativo para obter essas respostas.

Pesquisa Qualitativa

Para aprofundar nosso conhecimento sobre os perfis, realizamos entrevistas em profundidade com usuários de cada um dos 5 clusters identificados.

Optamos por entrevistar os centróides, ou seja, os indivíduos que estavam mais próximos da média dentro de cada grupo. Essas entrevistas tinham como propósito aprofundar nossa compreensão sobre os clusters, conhecer as motivações e frustrações dos usuários, além de dar vida às personas que estávamos desenvolvendo. Ao todo, foram realizadas 44 entrevistas ao longo de duas semanas.

Sabemos que o carro é um bem de valor considerável no Brasil e que, enquanto para algumas pessoas, ele representa apenas um meio de transporte funcional, para outras pode significar um status social ou a realização de um objetivo de vida.

Para compreender melhor essa relação, o roteiro de entrevista incluía perguntas sobre a conexão emocional dos participantes com o carro, suas percepções sobre o seguro, o envolvimento de outras pessoas nas decisões relacionadas ao veículo, além de questões sobre organização financeira, entre outros aspectos relevantes na decisão de contratação do seguro de automóvel.

Com base nesse novo conhecimento adquirido na entrevistas em profundidade, demos início à fase de elaboração dos entregáveis, com o objetivo de consolidar e comunicar as informações coletadas de forma eficaz.

Impactos e Resultados

Ao final do projeto, obtivemos um retrato detalhado de cada grupo de usuários, criando uma ficha de personas que serviu como um artefato visual para facilitar a compreensão das personas desenvolvidas.

 

No entanto, nosso principal entregável foi a criação de uma série de dashboards em tempo real para acompanhar os clusters. Esses dashboards permitiram que o time de marketing e as squads de produto acompanhassem em tempo real as mudanças nos grupos de usuários à medida que testavam hipóteses de negócio.

Algumas iniciativas foram realizadas em parceria com os times:

Pricing

Calculamos a rentabilidade de cada persona para a empresa e identificamos que o grupo de usuários com carros mais novos e renda mais alta tinha maior unit economics (retorno financeiro para a empresa). No entanto, notamos que nosso preço estava mais alto em comparação com o mercado para esse grupo específico. Ajustamos a régua de precificação para esse cluster e conseguimos atrair mais usuários desse grupo.

Marketing

Com base no conhecimento adquirido sobre os perfis, criamos banners personalizados para anúncios em redes sociais. Utilizamos imagens de carros mais novos nos anúncios direcionados ao grupo de usuários com carros zero, ilustrações para o grupo de usuários mais jovens e fotos de pessoas mais velhas para o grupo com média de idade mais alta. Essa abordagem resultou em um desempenho 300% melhor dos banners personalizados em comparação com os banners genéricos anteriormente utilizados.

Branding

Com base nos aprendizados obtidos, desenvolvemos landing pages com comunicações personalizadas para cada persona, incluindo ilustrações baseadas em características e hábitos comportamentais de clientes reais da Youse. Essas landing pages foram utilizadas em comunicações específicas para cada persona, fortalecendo o branding da empresa.

bottom of page