PostHog session replay con IA: el caso MILA

Mirar grabaciones de sesión una por una sirve para entender a un usuario, pero alcanza para pocos. Con un embudo que pierde gente en varios lugares, lo que hace falta es ver muchas sesiones juntas y saber en qué pantalla se repite cada problema. Eso fue lo que hicimos con MILA Stories usando el agente de IA de PostHog sobre las grabaciones de su embudo de compra, y esta nota cuenta qué encontramos, qué cambió el equipo de MILA a partir de eso, qué números se movieron y qué no pudieron ver las grabaciones.

MILA hace libros y videos colaborativos para regalar en una ocasión. Una persona organiza e invita por WhatsApp a familia, amigos o compañeros, y cada uno manda audios, fotos y textos que terminan armados como un regalo, en formato impreso o digital. Su sitio lo resume como "muchas voces, un solo libro". La pregunta de fondo de MILA era si lo que frenaba el crecimiento era el producto o la distribución, y para contestarla había que ver con detalle qué hacía la gente dentro del embudo.

Unas 400 grabaciones en una sola pasada

Usamos el agente de IA de PostHog sobre unas 400 grabaciones de sesión del embudo del libro impreso y las cruzamos con los eventos de los 30 días previos. La diferencia con mirar replays a mano está en la escala: en lugar de elegir un puñado de sesiones y sacar conclusiones de lo que mostraban, la IA las leyó todas en una misma pasada, y los eventos dijeron cuánto pesaba cada patrón en el total.

Lo que apareció no fue un único punto de abandono sino cuatro cuellos de botella en serie:

La mitad de la gente se iba en la primera pantalla, antes de tocar un campo.
La pantalla de fecha trababa a tal punto que una persona estuvo más de 6 minutos intentando poner una fecha.
El paso del "¿por qué?" pedía escribir algo creativo en frío, y la gente escribía, borraba y se iba.
En el pago había clics de frustración y pagos fallidos.

Cada uno de esos hallazgos es el tipo de cosa que una grabación muestra y un embudo de eventos no. El embudo dice en qué paso se cae la gente; la grabación muestra a alguien escribiendo y borrando una respuesta, o pasando más de 6 minutos con una fecha. Leídas en conjunto, dejaron de ser anécdotas y describieron el embudo completo.

Del diagnóstico al rediseño, y qué parte se le puede atribuir

El equipo de MILA rediseñó el embudo atacando los pasos que el análisis marcó, y lo dejó en tres pantallas: fecha y formato (digital o impreso) juntos, y el "¿por qué?" como paso opcional. Nuestra parte fue el diagnóstico y la medición del antes y el después.

Comparando 12 días antes contra 12 días después, con 6% menos inversión en Meta, de las personas que veían el precio las que apretaban "Pagar" pasaron de 34% a 59%. Ese es el número que se le puede atribuir al rediseño. En el mismo período las ventas crecieron x2,6 (+157%) y el costo por venta bajó 64%, pero esos dos números hay que leerlos con cuidado: en esos mismos días salieron landings y anuncios nuevos, y parte de la mejora en la parte alta del embudo se explica por eso.

La fricción del pago, leída en grabaciones y eventos

El cuarto cuello de botella, el pago, merecía su propia mirada. Las grabaciones y los eventos mostraron algo contraintuitivo: los que más peleaban con la pantalla de pago eran los que terminaban comprando, con 1 rage click por sesión contra 0,1 entre los que llegaban a "Pagar" y no compraban. PostHog cuenta un rage click cuando hay tres clics rápidos en el mismo lugar, y su propia documentación aclara que es una heurística de proximidad y tiempo que conviene confirmar mirando grabaciones, que es justamente lo que hicimos. Los errores, en cambio, eran bajos en todo el embudo, así que el problema no venía de fallas del sitio sino de un muro de fricción en el paso de pago.

De ahí salió un ajuste concreto. El botón de pago rápido de Stripe, Link, explicaba casi 3 de cada 4 rechazos; se sacó, y no le hizo daño a las ventas.

Después vino un cambio más grande: en uno de sus mercados, MILA pasó de Stripe a un procesador local. PostHog no disparó esa decisión. Lo que hizo fue señalar el pago como la zona de fricción y, una vez hecho el cambio, medir el resultado. La primera semana contra la anterior, las ventas se duplicaron y el costo por venta bajó 47%, con 3% menos inversión en esa campaña, y el tráfico no cambió. La barrera era mecánica y no de producto, y esa fue la primera evidencia fuerte de que el problema de MILA era de distribución.

Lo que las grabaciones no pueden ver

La lección más útil del caso sobre el método vino de un error de la IA. Cuando le pedimos a PostHog que resumiera las sesiones de checkout abandonado, el 98% de los resúmenes dijo que el formulario no había cargado, y era falso.

El formulario de pago vive en un iframe de otra empresa, y PostHog no puede grabar iframes de dominios que no controlás, con embeds de terceros como Stripe Checkout entre los ejemplos de su documentación. En la grabación ese espacio queda como un elemento vacío. La IA describió lo que la grabación mostraba, un hueco donde debía estar el formulario, y de ahí sacó una conclusión equivocada.

Esto no le quita valor a leer grabaciones con IA, pero define su alcance. La IA resume lo que la grabación ve, y el trabajo de quien analiza es saber qué no puede ver. Los clics y la navegación de la página propia se graban; lo que pasa dentro de un formulario de terceros no. Para ese tramo, la documentación de PostHog sugiere usar la analítica del propio proveedor o mandar sus resultados a PostHog como eventos.

Preguntas de marketing contestadas con una consulta

La velocidad del caso no estuvo solo en la primera lectura. Conectamos PostHog a nuestro agente de IA por MCP, así que una pregunta nueva se contesta con una consulta y no con una semana exportando planillas. Dos ejemplos de este proyecto:

Cuánto vende WhatsApp: en una de las semanas analizadas, más de la mitad de los compradores había chateado con la vendedora antes de pagar, contra 1 de cada 7 la semana anterior.
Por qué un mercado compra digital y otro impreso: al cruzar la fecha de la ocasión con la fecha de pago, la mayoría de los compradores del formato digital tenía la ocasión a 2 semanas, y con ese plazo el libro impreso no llegaba.

Lo que hizo creíble la medición

Leer el embudo sirve de poco si los números que miden el resultado no son confiables, así que también ordenamos la medición. En el data warehouse de PostHog juntamos los eventos del sitio y la app con Stripe, el procesador local, Meta Ads y Google Ads, y sumamos los datos de WhatsApp, que entraron por otra vía. La regla que salió de cruzar todo fue contar una venta como plata cobrada y no como un "evento de compra" del navegador.

Con esa regla aparecieron dos problemas. Meta veía 1 de cada 20 ventas y su ROAS aparecía 7 veces más bajo que el que salía de los cobros. Y los tableros que miraba el cliente contaban un solo procesador, al punto de que una semana mostraron apenas el 3% de lo que se había cobrado.

Además, registramos cada venta desde el servidor y la mandamos a Meta por Conversions API con un destino de PostHog. En los primeros días medidos, Meta pasó de acreditar 1 de cada 20 ventas a 3 de cada 5. El paso siguiente, una señal de valor esperado por paso del embudo, corre en un A/B contra la campaña clásica y todavía no tiene un resultado que podamos contar.

Qué revisar cuando analizás tu propio producto con grabaciones

Para cualquier producto con un embudo de varios pasos, recomendamos empezar por estas preguntas:

¿Estás leyendo grabaciones a escala o un puñado? Unas pocas sesiones elegidas a mano muestran casos; muchas leídas juntas muestran patrones y en qué pantalla se repiten.
¿Cruzás las grabaciones con eventos? La grabación explica qué le pasa a una persona, y los eventos dicen a cuántas les pasa lo mismo.
¿Qué parte de tu flujo no puede ver la grabación? Si el pago o un formulario viven en un iframe de terceros, ni el replay ni un resumen con IA van a mostrar lo que pasa adentro, y conviene medir ese tramo con eventos.
¿La comparación de antes y después aísla el cambio? Conviene usar ventanas del mismo largo, anotar la inversión de cada período y listar qué más salió en esos días, para saber qué parte de la mejora le corresponde a qué.

Y una más, del lado de la medición: vale la pena contar las ventas como plata cobrada y no como un evento del navegador, porque es el número contra el que se juzga cualquier rediseño.

Para un mapa más general de qué ofrece PostHog, está nuestra nota sobre qué mirar primero en un ecommerce. El caso de MILA tiene su propia página en nuestros casos de éxito.

Este contenido fue desarrollado con asistencia de IA y revisado por el equipo de Zenda. Las malas ideas son 100% nuestras.