Análisis CRO con Piano Analytics & Microsoft Clarity

Introducción: ¿qué es el CRO?

El CRO, por Conversion Rate Optimization, designa el conjunto de métodos que buscan mejorar las tasas de conversión de un sitio web o una aplicación. Puede tratarse de aumentar el número de solicitudes de presupuesto, de altas en una newsletter, de descargas o de ventas, según los objetivos del recorrido.

Optimizar una tasa de conversión no consiste simplemente en «hacerlo mejor»: consiste en entender dónde, por qué y cómo los usuarios abandonan un recorrido antes de alcanzar el objetivo. Este proceso se basa en un enfoque analítico estructurado, que combina:

• la medición del comportamiento de los usuarios, a través de los datos de navegación,
• el análisis de los puntos de fricción, visibles en los recorridos o en los contenidos,
• y la identificación de palancas concretas de mejora, que se pueden testar o corregir.

En este artículo proponemos un método completo para llevar a cabo un análisis CRO a partir de un embudo de generación de leads en varios pasos. Objetivo: mostrar cómo pasar de una simple constatación de «caída de la conversión» a un análisis en profundidad, que combina lo cuantitativo y lo cualitativo y, sobre todo, desemboca en recomendaciones concretas de optimización.

Caso de uso: análisis de un formulario de solicitud de presupuesto en varios pasos con las herramientas Piano Analytics y Microsoft Clarity

Definición del análisis: alcance, embudo e hipótesis

El estudio se centra en un recorrido de conversión de tipo «solicitud de presupuesto» accesible desde un sitio web B2B. Este formulario se estructura en cuatro pasos sucesivos más el paso final: la confirmación de la solicitud.

En este recorrido se implementó un plan de etiquetado avanzado. Permite identificar la visualización de cada paso y la validación final del formulario, y enviar las variables que indica el usuario.

Todos los datos se recogen a través de un data layer estructurado y después se envían a Piano Analytics, lo que permite una lectura completa del embudo y un análisis de comportamiento segmentado.

El estudio tiene un doble objetivo:

• Medir el rendimiento de cada paso (tasa de avance, abandono),
• Identificar las palancas de optimización prioritarias, a través de una serie de preguntas clave:
  • ¿Cuáles son las tasas de conversión por paso?
  • ¿Dónde se sitúan los principales puntos de ruptura?
  • ¿Se pueden aislar perfiles o segmentos más afectados por estos abandonos?
  • ¿Revelan estos comportamientos una fricción de UX o una inadecuación entre la oferta y la necesidad?

Análisis del embudo en Piano Analytics

Piano Analytics permite analizar un recorrido de conversión con varios enfoques: informe de exploración de eventos con filtros, cruces de segmentos con métricas en los informes de data query, o visualizaciones a medida en los boards.

En este caso, optamos por la funcionalidad nativa «Funnel», que ofrece una lectura directa y consolidada de las tasas de avance de un paso a otro.

El embudo se construyó a partir de los eventos de visualización enviados en cada pantalla del formulario. Esta configuración permite seguir con precisión la progresión de los usuarios, paso a paso.

Los primeros resultados ponen de manifiesto rupturas significativas en el recorrido:

• El 57 % de los usuarios abandona el recorrido entre el paso 1 y el paso 2,
• un 34 % más abandona entre el paso 2 y el paso 3,
• el 18 % sale del embudo entre el paso 3 y el paso 4
• La caída más marcada se produce al final: el 70 % de los usuarios que llegan al paso 4 no completa la solicitud.

Identificación de los puntos de fricción

Algunas rupturas son frecuentes, incluso esperables, en este tipo de recorrido:

• El paso 1 suele actuar como un punto de entrada sin filtro, que puede captar usuarios no cualificados o simplemente curiosos,
• Los pasos que contienen una información esperada (como un precio orientativo) pueden provocar un abandono en cuanto se ha obtenido esa información,
• Por último, la introducción de los datos de contacto personales sigue siendo históricamente el paso más sensible, y genera de forma mecánica una tasa de salida elevada.

Estos elementos deben tenerse en cuenta para plantear hipótesis sólidas y centrarse en los pasos que justifican una investigación en profundidad.

A la luz de estas constataciones, la atención se centra en la pérdida observada entre el paso 2 y el paso 3, donde el 34 % de los usuarios abandona el recorrido. El usuario ha manifestado una intención clara, pero no continúa hacia los pasos siguientes.

• Inadecuación entre las necesidades del usuario y el contenido del paso: las opciones mostradas no corresponden a las expectativas o a las necesidades.
• Problemas técnicos ligados a ciertos entornos de navegación: errores de visualización en móvil, incompatibilidades con ciertos sistemas operativos o navegadores, elementos no interactivos.
• Fricciones de UX invisibles: carga lenta, jerarquía visual confusa, demasiadas opciones o ausencia aparente de resultados.
• Expectativa no satisfecha: el usuario esperaba obtener una información inmediata (precio, condiciones, plazo) que no se le presenta en este paso.
• Falta de personalización percibida: las sugerencias de necesidades parecen genéricas o poco adaptadas, lo que puede provocar una desconexión rápida.
• Efecto de disonancia: el usuario se da cuenta, en este paso, de que la oferta no responde a su necesidad inicial (conflicto entre la necesidad expresada y los productos disponibles).
• Repetición o redundancia percibida en los campos o las preguntas planteadas, que puede generar una sensación de pesadez o de paso inútil.

El análisis segmentado que sigue busca poner a prueba algunas de estas hipótesis aislando a los usuarios afectados, para después caracterizarlas mediante la observación del comportamiento.

Creación y análisis de un segmento específico

Para caracterizar con más detalle la ruptura identificada entre el paso 2 y el paso 3, se construyó un segmento específico en Piano Analytics. Se basa en la siguiente definición:

• Inclusión: las visitas que activaron el evento de visualización del paso 1 y después del paso 2
• Exclusión: las visitas que continuaron hasta la visualización del paso 3

Este segmento permite aislar a los usuarios que abandonan el recorrido después de expresar una necesidad, sin consultar los productos. Constituye la base de un análisis más cualitativo y contextual.

Se hace una primera serie de cruces para identificar posibles sobrerrepresentaciones o anomalías, en comparación con la población global del embudo:

• Fuente de tráfico: una diferencia significativa puede apuntar a una promesa mal alineada en origen (p. ej., sobrerrepresentación de campañas de captación poco cualificadas, o de un canal en particular).
• Entorno técnico: una concentración en ciertos navegadores, sistemas operativos o dispositivos puede revelar problemas de visualización o de compatibilidad en el paso 3.
• Variables de negocio (custom): cruce con los datos recogidos antes (información declarada en el paso 1) para detectar una inadecuación sistemática entre el perfil del usuario y los elementos propuestos en los pasos siguientes.

Este trabajo de segmentación busca identificar patrones recurrentes dentro de la población que abandona. Permite después formular hipótesis específicas, que podrán confirmarse o descartarse con la observación de las sesiones correspondientes en Clarity.

• Los usuarios del Perfil 1 están sobrerrepresentados en el segmento en el que se observa la caída: 37,3 % frente a 26,9 %, es decir, una diferencia de 10,4 puntos, o un +38 %
• Hipótesis: ¿los usuarios del Perfil 1 no encuentran una opción que corresponda a su necesidad y tienen dificultades para pasar al paso 3?

• Ninguna diferencia representativa
• Los usuarios de ordenador parecen más numerosos en nuestro segmento: se identifica una diferencia de 7,1 puntos, es decir, una diferencia del 10 %
• Hipótesis: ¿tienen los usuarios de ordenador dificultades técnicas en el paso de selección de la necesidad?

Para ir más allá de la lectura cuantitativa, las hipótesis que salen del segmento específico deben contrastarse con el análisis del comportamiento real. El objetivo aquí es observar directamente las sesiones de los usuarios que abandonan, para confirmar o descartar algunas causas probables de abandono.

Para ello, se creó un puente entre Piano Analytics y Microsoft Clarity a través del identificador de usuario, y únicamente para los usuarios que dieron su consentimiento.

Los identificadores «User ID» solo pueden recogerse con el consentimiento del usuario. En particular, no pueden recogerse en el régimen de exención (cf. la guía de la exención de la CNIL para Piano Analytics). Por tanto, hay que asegurarse de recoger el Clarity User ID únicamente en el modo de consentimiento Opt-in de Piano Analytics.

Implementación técnica: se hizo una configuración específica en Google Tag Manager para recuperar el valor de la cookie Clarity User ID (almacenada con la clave _clck) que Clarity deposita en el navegador del usuario.

Después, este valor se envía a Piano mediante una propiedad personalizada clarity_user_id, integrada en el setProperties.

Gracias a esta configuración, es posible recuperar directamente los Clarity User IDs asociados a un segmento determinado en Piano y usarlos después para filtrar las grabaciones de sesión en Clarity.

Dada la marcada pérdida observada en el segmento de los usuarios que declararon un Perfil 1, proponemos continuar prioritariamente con esta población. Los Clarity User IDs asociados a este segmento se extraen de Piano, gracias a la configuración descrita más arriba, para permitir una observación cualitativa específica en Clarity.

Una vez identificada la lista reducida de Clarity User IDs (idealmente entre 10 y 30 usuarios), estos valores se usan para filtrar las sesiones en la interfaz de Clarity.

Nota: el identificador de Clarity que llega a Piano está codificado con otros metadatos técnicos, en forma de una cadena de tipo 1050qho%7C2%7Cfx5%7C1%7C2005. Una vez decodificada, da 1050qho|2|fx5|1|2005. Solo los 6 o 7 primeros caracteres corresponden al verdadero Clarity user ID que se usa en la interfaz de búsqueda de Clarity. Este tratamiento debe hacerse antes de usar los identificadores para filtrar las sesiones.

Un volumen de 10 a 30 visitas suele ser un buen compromiso: lo bastante amplio para que emerjan patrones recurrentes, pero lo bastante reducido para permitir un análisis manual en profundidad. Por encima, el riesgo es multiplicar las observaciones anecdóticas o perder eficiencia sin una ganancia significativa de solidez analítica.

Análisis cualitativo en Microsoft Clarity: validación del comportamiento

La fase siguiente consiste en validar o invalidar las hipótesis planteadas a partir de los datos de Piano, observando el comportamiento real de los usuarios afectados en Microsoft Clarity. Aquí queremos responder a la hipótesis: «Los usuarios del Perfil 1 no encuentran una opción que corresponda a su necesidad real»

Selección de las sesiones que observar

Gracias al trabajo previo, basta con filtrar las sesiones en la herramienta Clarity para analizar únicamente las visitas que corresponden a nuestro segmento (a través del Clarity User ID)

Validación de las hipótesis a través del comportamiento

El objetivo de este paso es contrastar las hipótesis formuladas con la realidad de las interacciones. Así, pueden observarse varios comportamientos recurrentes:

• Idas y venidas repetidas entre los pasos 1 y 2, lo que sugiere una incomprensión del camino esperado o una dificultad para hacer corresponder el perfil con la necesidad,
• Modificaciones múltiples de un parámetro en el paso 1, que indican una duda sobre la categoría que seleccionar o una clasificación mal entendida,
• Abandono brusco tras la visualización del paso 2, a veces sin clic, lo que puede sugerir un problema de visualización o una inadecuación percibida de la oferta,
• Tiempo de carga elevado, elementos no interactivos, rage clicks o scrolls rápidos: otras tantas señales débiles de una fricción técnica o ergonómica.

Cada sesión visualizada en Clarity debe ser objeto de un comentario estructurado, que permita conservar un registro aprovechable de la observación. Este paso es esencial para formalizar las constataciones, facilitar la revisión cruzada y alimentar los intercambios con los equipos de producto o de UX.

Estas son las observaciones de las 4 primeras sesiones analizadas:

Tras una muestra de 20 sesiones seleccionadas, se identificaron varios comportamientos recurrentes:

• Más de la mitad de los usuarios volvió al paso anterior después de la visualización del paso 2.
• Entre ellos, la mayoría modificó su perfil, lo que sugiere una duda o una insatisfacción con el perfil seleccionado inicialmente.
• Al mismo tiempo, cerca del 20 % de los usuarios sale del embudo muy rápidamente (menos de 10 segundos después de la visualización del paso 2)
• Por otro lado, se observa aproximadamente el mismo volumen de usuarios que se quedan entre 30 segundos y 1 minuto, sin interactuar más.

Estos elementos convergen en dos pistas principales:

1. Inadecuación percibida entre el perfil seleccionado y los productos mostrados en el paso siguiente, que lleva a algunos usuarios a volver atrás para «probar» otro perfil.
2. Expectativa no cubierta en el paso 2, posiblemente ligada a la falta de una respuesta inmediata a su necesidad (p. ej., un producto específico esperado), que provoca un abandono rápido.

Próximos pasos recomendados

Estas constataciones podrán servir de base para recomendaciones de UX específicas (p. ej., aclaración de los perfiles en el paso 1, feedback inmediato en el paso 2, microindicadores de continuidad hacia los productos) y/o para tests de variantes sobre el encadenamiento de los pasos.

Estructurar, capitalizar y replicar el enfoque

El valor de este tipo de análisis depende tanto de la pertinencia de las observaciones como de la capacidad de estructurar y capitalizar los aprendizajes. Es esencial documentar con rigor:

• las hipótesis formuladas en cada paso,
• los segmentos analizados en Piano,
• las observaciones del visionado en Clarity.
• las recomendaciones y acciones que se derivan del análisis

Esta estructura facilita el intercambio entre los equipos de producto, de datos y de UX, y permite pasar de un diagnóstico puntual a un proceso replicable.

Recomendamos usar una plantilla única (tipo Google Sheets o Notion) que centralice todos los elementos enumerados más arriba.

Este formato facilita la priorización de los proyectos que testar, al poner de relieve las causas frecuentes, las señales débiles y los casos aislados.

Conclusión: un enfoque sólido y transversal

Un enfoque estructurado y palancas de optimización directamente accionables

Este estudio ilustra el interés de un enfoque que cruza datos analíticos y observación del comportamiento, aplicado a un recorrido de solicitud de presupuesto (lead) en varios pasos.

Permite ir más allá de una simple lectura de las tasas de conversión para entender, de forma concreta, dónde, cómo y por qué los usuarios abandonan.

Al cruzar las funcionalidades de Piano Analytics (funnel, segmentos, propiedades personalizadas) con las grabaciones de Clarity, es posible:

• formular hipótesis tangibles,
• validarlas o descartarlas mediante la observación,
• proponer palancas de optimización directamente accionables.

Una metodología aplicable a otros casos

Este enfoque puede trasladarse:

• a otras herramientas de analítica (p. ej., Google Analytics),
• a otras herramientas de CRO y behavioral analytics (p. ej., Contentsquare, Hotjar, Mouseflow…),
• y a muchos otros recorridos: formularios, embudos de e-commerce, simuladores u onboarding de aplicaciones.

En cuanto un recorrido presenta una pérdida parcial y una segmentación disponible, este tipo de análisis ofrece un marco sólido para identificar los puntos de fricción reales y priorizar las mejoras.