Caso de uso: Preveja upgrades de assinaturas com um direcionamento mais inteligente

Este exemplo mostra como uma marca fictícia usa o Braze Predictive Events para definir os resultados que importam para seus negócios - como o upgrade para uma associação profissional - e criar estratégias direcionadas que melhoram os resultados.

Digamos que Jordan seja um estrategista de ciclo de vida na Steppington, um aplicativo de saúde e condicionamento físico com níveis gratuitos e pagos. A equipe de Jordan tem a meta de aumentar os upgrades do plano Pro sem bombardear toda a base de usuários gratuitos com mensagens de desconto. Atualmente, eles enviam uma promoção “Try Pro for 50% off” para todos os usuários de nível gratuito após sete dias. Embora isso gere algumas conversões (cerca de 5% em 7 dias), também resulta em alcance excessivo, incluindo desconto para usuários que provavelmente fariam upgrade de qualquer maneira.

Para melhorar a segmentação e reduzir a fadiga de mensagens, Jordan usa o Predictive Events para modelar a probabilidade de um usuário fazer upgrade para o Pro nos próximos 7 dias. Ele define um evento personalizado: upgraded_to_pro e usa isso para treinar um modelo de previsão e segmentar os usuários em grupos inteligentes e orientados para a ação.

Este tutorial explica como Jordan criou:

• Um modelo preditivo para upgraded_to_pro em 7 dias
• Segmentos que ajudam a aumentar as conversões, enviando menos mensagens no total

Etapa 1: Criar um modelo preditivo para upgrades

Jordan começa definindo o resultado mais importante para sua estratégia de upgrade: um usuário que passa do nível gratuito para o Pro. Em vez de confiar em acionadores genéricos, como “tempo desde a inscrição”, ele quer prever quais usuários têm probabilidade real de conversão. Dessa forma, sua equipe pode agir com base em sinais reais, e não apenas em suposições.

1. No painel do Braze, Jordan vai para Analytics > Predictive Events.
2. Ele cria uma nova previsão de evento e a nomeia como “Upgrade to Pro in 7 days”
3. Como evento de destino, ele seleciona seu evento personalizado: upgraded_to_pro.
4. Jordan define a janela de previsão para 7 dias, define um cronograma de atualização e cria a previsão.

!Configurações de previsão que mostram a definição, a janela, o público e o cronograma de atualização da previsão.

Etapa 2: Segmentar usuários com base na probabilidade de upgrade

Após a conclusão do treinamento, o Braze atribui um Event Likelihood Score (0-100) a cada usuário qualificado. Jordan usa essa pontuação para criar segmentos acionáveis - um para usuários de alta intenção que talvez não precisem de um desconto e outro para usuários que provavelmente não se converterão sem suporte.

1. Jordan navega até Segmentos no Braze.
2. Ele cria dois segmentos usando o filtro Event Likelihood Score e seleciona a previsão que criou. Os dois segmentos são:
   • É provável que faça upgrade: Pontuação superior a 70
   • Precisa de um empurrãozinho para ser atualizado: Pontuação maior que 40 e menor que 70

Criador de segmentos com dois filtros para Event Likelihood Score.](/docs/pt-br/assets/img/ai_use_cases/event_likelihood_score.png?9a612fc84d7aa2ed4b3d53621ebda129)

Etapa 3: Personalize as mensagens por nível de intenção

Agora que Jordan tem sinais claros de intenção de upgrade - e subgrupos refinados com base no comportamento do usuário - ele cria uma estratégia de mensagens que se adapta às necessidades de cada usuário. Não há mais blasts de tamanho único.

Ele escolhe o e-mail como o principal canal para essa campanha. Por quê? Porque Jordan quer explicar o valor do Pro para os usuários de alta intenção e apresentar um caso convincente para os usuários mais hesitantes, o que exige espaço, recursos visuais e uma CTA forte. O e-mail dá a ele a flexibilidade de fazer isso bem, sem pressionar os usuários, e permite que ele acompanhe o desempenho por meio do comportamento dos cliques.

Jordan cria um Canvas que divide a experiência com base nos segmentos que ele acabou de criar. Ele adiciona uma etapa de Caminhos do Público ao alvo:

• Usuários com alta intenção e foco em condicionamento físico
• Alta intenção, outros usuários
• Usuários de baixa intenção e focados em condicionamento físico
• Baixa intenção, outros usuários

Caminho do público-alvo do Canvas com quatro caminhos para cada tipo de intenção.](/docs/pt-br/assets/img/ai_use_cases/canvas_paths_by_intent.png?39543b753a83b24c70579e2cbbec73d3)

Ele também define o evento de conversão do Canvas para o evento personalizado upgraded_to_pro, para que o Braze rastreie automaticamente as conversões de upgrade à medida que os usuários progridem no fluxo.

Exemplo de mensagens por caminho

• high intent, fitness
• high intent, other
• low intent, fitness
• low intent, other

Etapa 4: Meça os resultados e otimize sua estratégia

Após a execução da campanha, Jordan analisa o desempenho no Canvas Analytics para entender o desempenho dos caminhos personalizados e se a combinação da intenção preditiva com sinais comportamentais melhorou as taxas de upgrade.

Desempenho de e-mail por caminho:

• Alta intenção, condicionamento físico
  • Taxa de abertura: 34%
  • Taxa de cliques: 20%
  • Taxa de conversão: 13%
  • Nenhum desconto utilizado
• Alta intenção, outros
  • Taxa de abertura: 30%
  • Taxa de cliques: 17%
  • Taxa de conversão: 11%
  • Nenhum desconto utilizado
• Baixa intenção, condicionamento físico
  • Taxa de abertura: 27%
  • Taxa de cliques: 12%
  • Taxa de conversão: 8%
  • Oferta de 50% de desconto incluída
• Baixa intenção, outros
  • Taxa de abertura: 23%
  • Taxa de cliques: 9%
  • Taxa de conversão: 6%
  • Oferta de 50% de desconto incluída

Em comparação com a campanha anterior de tamanho único da equipe (em que um desconto geral após 7 dias resultou em apenas 5% de conversões e excesso de mensagens), a abordagem direcionada mostra um aumento significativo em todos os grupos, com maior eficiência e menos descontos desnecessários.

O relatório do funil também mostra uma clara redução no abandono das etapas principais, especialmente para usuários de baixa intenção que receberam mensagens personalizadas. Mais usuários estão abrindo, clicando e fazendo upgrades - o que comprova o valor da segmentação baseada em intenção.

Jordan usa essas percepções para:

• Explore testes A/B em linhas de assunto e frases de CTA
• Reavaliar o limite de desconto para usuários de intenção intermediária
• Continue refinando os segmentos com base em comportamentos adicionais, como visualizações de conteúdo ou uso de recursos do aplicativo

Com o Predictive Events e a segmentação em camadas, sua equipe agora tem uma estratégia dimensionável que adapta as mensagens com base na intenção e no comportamento do usuário, gerando mais upgrades e preservando a confiança na marca.