Cinco maneiras pelas quais a equipe de ciclo de vida da Square usa coortes

Para o "Como eu uso a Amplitude" de hoje, temos a empresa deAnas Farah, cientista de dados de ciclo de vida daSquare. Na Square, com mais de 70 produtos em seu portfólio, as oportunidades de venda cruzada são uma incrível alavanca de crescimento para a equipe.

Mas, como em qualquer oferta baseada em contexto, o momento e o público são fatores cruciais.

Neste "Como eu uso a Amplitude", Anas nos apresenta cinco exemplos reais que demonstram como a transição da equipe de ciclo de vida da Square para a análise de uso independente potencializou a segmentação de vendas cruzadas.

Sua equipe trabalha em estreita colaboração com a equipe de marketing de produto para identificar com quais públicos testar ofertas específicas, desde o momento em que eles têm apenas dados qualitativos até a forma como alimentam seus modelos de ML e coortes preditivas.

Nosso objetivo: dar autonomia aos PMMs

Entrei na Square em 2022 com um objetivo claro: ajudar a equipe que continha mais de 100 gerentes de marketing de produto e seguia em crescimento a se tornar autossuficiente na segmentação de público.

O objetivo

Nossa equipe de PMM trabalha para orientar os vendedores sobre todos os diversos produtos do portfólio da Square que podem atender às suas necessidades específicas, desde o principal produto de ponto de venda até o agendamento de encontros, o gerenciamento de folha de pagamento, serviços bancários e muito mais. Oferecer ao cliente certo a oferta certa no momento certo cria uma segmentação responsiva.

O estado (e como isso dificultou tudo)

Na época, os PMMs dependiam muito dos cientistas de dados para criar segmentos de público: um processo lento e que consumia muitos recursos, o que não era ideal para nenhum dos envolvidos. Isso certamente atrapalhou a realização de testes rápidos e a criação de ciclos de feedback.

A solução

Passei cerca de um ano trabalhando em colaboração direta com os PMMs em suas necessidades de criação de público e divulgando as coortes da Amplitude. Eu os instruí sobre nossa pilha de martech, dicionário de eventos e processos de instrumentação para ajudar a fazer a ponte entre eles e as equipes de engenharia.

Funcionou?

Resposta curta: sim. Os PMMs da Square deixaram de depender da equipe de dados e se tornaram usuários avançados, autossuficientes e confiantes, que criam coortes de público para várias campanhas de marketing com facilidade.

Resposta longa: sim E os exemplos apresentados aqui demonstram nossa abordagem de autoatendimento em ação, desde simples campanhas de anúncio até segmentação comportamental sofisticada que combina ML com a experiência do PMM.

Caso 1: envio de um anúncio rápido

Quando lançamos o Square Card no Reino Unido, nossos PMMs queriam enviar mensagens a todos os vendedores ativos na Grã-Bretanha para anunciar o lançamento.

Antes da Amplitude, os anúncios gerais em massa exigiam suporte de ciência de dados para escrever consultas SQL que sincronizariam os públicos por meio da nossa ferramenta interna de ETL reverso. Embora essas solicitações exigissem um esforço mínimo da equipe de dados, elas geralmente eram de baixa prioridade e podiam levar de uma a duas semanas para serem concluídas.

Com a Amplitude, os PMMs conseguiram criar esses públicos de forma independente em minutos, definindo uma coorte de público como:

• propriedades básicas do usuário (country_code = GB) e
• Critérios padrão de vendedor ativo da Square:
  • pelo menos um pagamento concluído nos últimos 91 dias e
  • sem status paralisado ou desativado

Sincronizamos a coorte diretamente com a nossa plataforma de campanha e a publicamos!

Ainda que seja simples, esse recurso de autoatendimento reduziu o tempo de atraso para os anúncios e ajudou os PMMs a se acostumarem a usar as coortes da Amplitude de forma independente. Mais importante ainda, a equipe de PMM teve muito mais liberdade para executar mais testes e aumentar sua própria velocidade de experimentação.

Caso 2: uso de pistas de contexto para vendas cruzadas

Uma grande parte do nosso trabalho na equipe de ciclo de vida da Square é a venda cruzada de novos produtos e serviços para nossos atuais clientes.

Embora nossos modelos de ML normalmente forneçam os melhores resultados de segmentação para esses esforços, os lançamentos de novos produtos geralmente não têm dados suficientes para criar modelos eficazes. Nesses casos, os PMMs recorrem a duas abordagens alternativas:

• Venda cruzada contextual: usar as informações que já temos sobre um vendedor (como tamanho, localização ou tipo de operação) para determinar se um produto seria uma boa opção
• Venda cruzada comportamental: procurar ações ou padrões específicos na forma como os vendedores usam os produtos existentes que possam indicar que eles se beneficiariam de outro produto

Um exemplo simples de venda cruzada contextual ocorreu quando lançamos o Square Shifts, um conjunto de ferramentas de gestão de força de trabalho para vendedores. Para criar um hype de lançamento antecipadamente, os PMMs queriam enviar uma venda cruzada contextual para vendedores que tivessem dez ou mais funcionários

O desafio era que não tínhamos nenhuma informação registrada sobre o número de funcionários de um vendedor em nenhum dos nossos campos de usuário. No entanto, ao explorar os dados contextuais na Amplitude, a equipe de PMM encontrou uma medida alternativa: uma questão opcional de integração que pergunta aos vendedores quantos funcionários eles têm. Isso era próximo o suficiente dos critérios que eles buscavam e, como estava disponível na Amplitude, eles também podiam realizar a segmentação facilmente com base nisso. Simples assim, eles tinham uma coorte de público para contatar.

Além disso, eles configuraram a campanha para ser lançada 45 dias após um vendedor ter inicialmente ingressado nesse público, para dar a ele tempo para se integrar totalmente ao seu primeiro produto antes de receber a venda cruzada para este novo.

Caso 3: otimização do momento da venda cruzada com dados comportamentais

Os PMMs normalmente avançam ao longo de uma jornada de sofisticação crescente com a Amplitude:

1. Primeiro, eles criam coortes básicas de anúncios
2. Em seguida, eles fazem experimentos com a segmentação contextual usando dados demográficos
3. Por fim, eles passam a criar coortes de comportamento com base em sinais e padrões de uso

Esta última etapa, a criação de coortes comportamentais, tornou-se o uso mais comum e valioso da Amplitude para nossos PMMs.

Veja, por exemplo, o nosso lançamento da Square Checking, um serviço de conta corrente para vendedores nos EUA.

Nossa equipe de ciência de dados bancários descobriu que os vendedores que tentaram fazer três ou mais transferências instantâneas dentro de um período de 30 dias e processaram pelo menos US$ 10.000 em pagamentos totais no último ano mostraram forte propensão a adotar a Square Checking.

A equipe também descobriu que esse comportamento estava mais fortemente associado aos vendedores da nossa categoria de serviços, que mostraram a maior propensão a adotar a Square Checking depois de terem usado o Square Instant Deposit.

Com o uso do criador de coortes da Amplitude, nossos PMMs agora poderiam criar um público altamente segmentado de vendedores que:

• Tiveram sucesso em concluir pelo menos 3 transferências instantâneas nos últimos 30 dias e
• Estavam estabelecidos no mercado dos EUA e
• Pertenciam à categoria de público de serviços e
• Processaram US$ 10 mil ou mais em pagamentos nos últimos 365 dias e
• Atendiam aos critérios padrão de vendedor ativo da Square:
  • Tiveram atividade de pagamento com cartão nos últimos 91 dias e
  • Não estavam paralisados ou desativados no momento

Caso 4: um abordagem híbrida combinando modelos de ML com experiência em PMM

Nossos PMMs geralmente querem sobrepor sua própria lógica de segmentação aos nossos modelos de ML.

Considere nossa campanha de vendas cruzadas do Instant Deposit. Nosso modelo de ML identificou vendedores com probabilidade de adotar o Instant Deposit, mas o PMM do Instant Deposit descobriu por meio de pesquisas que os vendedores que adotaram o Square Card primeiro tendiam a não precisar tanto do Instant Deposit, então ele queria adicionar essa lógica à campanha.

Com o uso das coortes da Amplitude, o PMM conseguiu criar um público que combinava:

1. A previsão do modelo de ML para a adoção do Depósito Instantâneo e
2. Sua própria regra para excluir vendedores que haviam interagido com o Square Card e
3. Critérios padrão, como restrições de país e status de vendedor ativo

Ao combinar o amplo reconhecimento de padrões dos nossos modelos de ML com o conhecimento específico do produto dos nossos PMMs, conseguimos realizar uma campanha de adoção bem-sucedida que não desperdiçou recursos em um subsegmento de público que sabíamos que não seria produtivo.

A abordagem híbrida não é boa apenas para os resultados, mas também tem sido uma grande vitória para aumentar a confiança do PMM em nossos modelos de ML. O ML pode identificar com eficiência grandes quantidades de possíveis interessados na adoção, mas o PMM se mostrava cético, o que é compreensível, em relação aos modelos superarem a qualidade da sua segmentação manual. Ao permitir que os PMMs adicionem seus próprios critérios de segmentação, isso facilita a visualização dos pontos fortes do ML, e agora eles sentem que a abordagem híbrida proporciona a eles o melhor dos dois mundos.

Antes de permitir que os PMMs adicionem seus próprios critérios às previsões de ML, validamos que isso não prejudicará o desempenho. Mas, se não notarmos nenhuma queda no desempenho, ficaremos felizes em permitir que eles refinem a segmentação dessa forma. É outro exemplo de como tentamos capacitar nossos PMMs sem prejudicar nossos próprios modelos de ML.

O principal elemento técnico que torna isso possível é a forma como estruturamos nossas pontuações de ML na Amplitude. Para simplificar para os PMMs, não mostramos a eles as pontuações brutas. Em vez disso, usamos um limite dinâmico que é alterado diariamente. Qualquer vendedor que ultrapasse esse limite é marcado com um número "1" para indicar que é provável que ele adote o produto.

Em seguida, sincronizamos esse valor na Amplitude como propriedade do usuário, que os PMMs podem usar facilmente. Não é necessário que eles entendam a complexidade do modelo de ML, eles apenas o veem como mais uma opção que podem usar no desenvolvimento do seu público.

Caso 5: conectar dados públicos da web com marketing de ciclo de vida

As coortes de público também ajudam nossos PMMs a realizar seus próprios experimentos.

A equipe do Square Appointments almejava fazer um teste A/B oferecendo um desconto de 20% em hardware como uma forma de fazer com que novos usuários se inscrevessem no Appointments. Metade das pessoas que visitassem a página de destino do Appointments veria a oferta de desconto, enquanto a outra metade não, e mais tarde receberia o código de desconto por e-mail caso se inscrevesse.

O desafio aqui era instrumentar um evento que combinasse nossos dados do experimento do Optimizely (que dividiria o público em duas partes) com nosso rastreamento público na web para inscrições. Fazer tudo isso funcionar em conjunto exigiria um tempo significativo de engenharia que simplesmente não tínhamos.

Mas encontramos uma solução criativa usando a Amplitude. Todos os nossos dados do Optimizely já fluem para a nossa instância da Amplitude, então criamos uma coorte que fez o seguinte:

1. Primeiro, identificamos todos que visualizaram este experimento (usando o ID do experimento e o ID da variação do Optimizely)
2. Em seguida, filtramos as pessoas que criaram especificamente uma conta por meio da variante do Appointments dentro de 14 dias após ver o experimento
3. Por fim, essa coorte receberia um e-mail com um código para resgatar seu desconto de 20% em hardware

O valor dessa abordagem está em não precisarmos criar novos eventos personalizados ou esperar por recursos de engenharia. Conseguimos aproveitar os dados de eventos existentes de uma nova forma para possibilitar essa abordagem experimental. Este é um ótimo exemplo de como muitas vezes trabalhamos com nossas equipes públicas da web para relacionar seus experimentos com nossos esforços de marketing de ciclo de vida.

Como colocar em prática

Conseguimos fazer um trabalho incrivelmente sofisticado com a Amplitude na Square, mas nosso trabalho também provou que você não precisa de modelos de ML ou equipes de dados para fazer pesquisas eficazes sobre segmentação de público. Para equipes menores, você pode usar os mesmos princípios de segmentação de público dos meus três primeiros exemplos:

1. Comece com uma segmentação básica, como usuários ativos em uma região específica
2. Adicione informações contextuais, como tipo ou tamanho da empresa
3. Adicione sinais comportamentais, como a frequência de certas ações

Usando coortes, você pode testar diferentes combinações desses critérios para encontrar o que funciona melhor para o seu produto.

Se você quiser mergulhar na análise de uso autônomo, minha recomendação é começar de forma simples com campanhas que já estão em curso.

Em vez de enviar a próxima solicitação de público para sua equipe de dados, tente criá-la você mesmo. Em seguida, adicione gradualmente critérios mais sofisticados à medida que ganha confiança. Observe seus usuários avançados e o que os torna únicos: seus comportamentos comuns, a frequência com que realizam determinadas ações ou quais recursos usam juntos.

Tudo é um experimento, e agora você tem as ferramentas para executá-los por conta própria.

Seção bônus: como é o funcionamento do ciclo de vida da Square por dentro?

Nossa equipe gerencia todas as experiências no aplicativo, por e-mail e por mensagens push que os vendedores recebem a partir do momento em que se juntam à Square.

Além do nosso principal produto de ponto de venda (PDV), agora temos um pacote completo de produtos para nossos vendedores, incluindo agendamento de consultas, gerenciamento de folha de pagamento e serviços bancários.

O objetivo do nosso programa global de marketing de ciclo de vida é orientar nossos vendedores sobre os diversos produtos adicionais que podem beneficiá-los no estágio atual do ciclo de vida.

Nossa plataforma interna de dados do cliente está no centro da nossa operação, é ela que coleta dados de várias fontes, incluindo:

• Aplicativos da Square para iOS e Android
• Atividade no site Squareup.com
• Experiências no painel com login
• Ferramentas de terceiros, como Amplitude, Optimizely e Iterable
• Nosso armazém de dados Snowflake

Uma parte significativa desses dados flui para a Amplitude, onde são organizados em diferentes projetos e combinados em visualizações cruzadas usadas para análise de coortes, criação e sincronização. Em vez de depender de um CDP de terceiros, a Square criou um CDP interno para gerenciar a resolução de identidade, garantir a privacidade de dados e manter controle total sobre o processamento de eventos em escala.

P: Por que a Square criou seu próprio CDP em vez de usar uma solução de terceiros?

Tínhamos necessidades específicas em relação à confiabilidade e à escala e o processamento de bilhões de eventos diariamente requer um controle preciso. Embora nosso CDP seja inspirado na arquitetura do Segment, precisávamos de personalização em relação à privacidade, resolução de identidade e conectores específicos que não estavam disponíveis em ferramentas de terceiros. A decisão de criar nosso CDP se resumiu a três fatores principais:

• Controle sobre conexões e infraestrutura
• Atendimento aos nossos requisitos específicos de acordo de nível de serviço (SLA)
• Eficiência de custos em nossa escala de eventos

Dito isso, as ferramentas de terceiros geralmente têm melhores recursos de governança, o que continua sendo uma lacuna na nossa solução personalizada. É uma compensação que continuamos avaliando.

P: Como a Square lida com o marketing B2B em escala?

Nossa iniciativa de autoatendimento é tecnicamente B2B, já que estamos fazendo marketing para empresas, mas, como enviamos mensagens a milhões de vendedores anualmente, muitas vezes usamos abordagens do tipo B2C na forma como agendamos e estruturamos as comunicações. Segmentamos com base no Volume Bruto de Processamento (GPV). Em certos limites, os vendedores passam para uma iniciativa separada, liderada por vendas, usando outras ferramentas, como o Marketo. Embora isso crie alguma complexidade, é algo que nos permite atender adequadamente tanto as pequenas empresas quanto as maiores. Estamos trabalhando para melhorar as sinergias entre essas duas abordagens.