MILA y PostHog: unas 400 grabaciones leídas con IA para encontrar dónde se caía el embudo

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 conviene mirar dos veces.
MILA hace libros y videos colaborativos para regalar en una ocasión especial. 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 grabaciones 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 gente que tocaba una y otra vez el mismo lugar de la pantalla, la señal típica de que algo no responde, y pagos fallidos.
Cada uno de esos hallazgos es el tipo de cosas 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%.
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 clic de frustración por sesión contra 0,1 entre los que llegaban a "Pagar" y no compraban. PostHog cuenta un clic de frustración (lo que en inglés se llama rage click) cuando alguien hace tres clics rápidos en el mismo lugar, como quien insiste con un botón que no responde, 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 conviene mirar dos veces
Leer grabaciones con IA rinde mucho, y como en cualquier análisis hay cosas a las que siempre conviene hacerles doble clic. En este caso la más clara fue el paso de pago. El formulario de pago vive en un iframe de otra empresa, es decir, una ventana del procesador de pago incrustada dentro del sitio, y PostHog no graba iframes de dominios que no controlás (Stripe Checkout figura entre los ejemplos de su documentación). En la grabación ese espacio aparece vacío, así que lo que pasa adentro se lee por otro lado.
Para ese tramo hay un camino directo. Los clics y la navegación de la página propia se graban completos, y para el formulario la documentación de PostHog sugiere usar la analítica del propio proveedor o mandar sus resultados a PostHog como eventos. Así el resumen de la IA y los datos del pago se completan entre sí.
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, el protocolo que le permite a un asistente de IA consultar herramientas como PostHog, 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, el espacio donde se pueden sumar datos de otras fuentes para consultarlos juntos, reunimos 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 (la vía que tiene Meta para recibir ventas directo desde el servidor y no desde el navegador) 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 la grabación 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.