← Todos los casos
Caso de éxito

MILA: unas 400 grabaciones leídas con IA para encontrar dónde se frenaba la compra

MILA Stories arma libros y videos colaborativos: familia, amigos y compañeros mandan audios, fotos y textos por WhatsApp y se arma un regalo para una ocasión especial. La pregunta de fondo era si el freno estaba en el producto o en la distribución. Con las grabaciones de sesión de PostHog leídas por su agente de IA revisamos el embudo completo de una vez, en lugar de mirar sesiones una por una.

~400grabaciones del embudo leídas de una vez con el agente de IA de PostHog, cruzadas con 30 días de eventos
34% → 59%de quienes ven el precio aprietan "Pagar" después del rediseño del embudo (12 días antes contra 12 días después)
x2,6ventas (+157%) en el mismo período, con 6% menos inversión en Meta

El desafío

Para saber si el problema era de producto o de distribución había que ver qué hacía la gente adentro del embudo, y creerle a los números.

  • El embudo del libro impreso perdía gente, pero no se sabía en qué paso ni por qué.
  • Revisar el comportamiento sesión por sesión no escalaba: hacía falta leer muchas grabaciones a la vez y cruzarlas con los eventos.
  • Los números de ventas no coincidían entre sí: Meta veía 1 de cada 20 ventas y los tableros contaban un solo procesador de pago.

Nuestro approach

Usamos PostHog para revisar el producto a través de sus grabaciones de sesión, leídas con IA y cruzadas con los eventos, y medimos cada cambio contra el período anterior.

  1. 01

    Unas 400 grabaciones de una vez

    Corrimos el agente de IA de PostHog sobre las grabaciones del embudo del libro impreso, cruzadas con 30 días de eventos. Encontró cuatro cuellos de botella en serie: la mitad se iba en la primera pantalla sin tocar un campo, la fecha trababa (una persona estuvo más de 6 minutos), el "¿por qué?" pedía escribir algo creativo en frío, y en el pago la gente tocaba una y otra vez el mismo lugar de la pantalla, con pagos fallidos.

  2. 02

    Un embudo de tres pantallas

    El equipo de MILA rediseñó el embudo atacando esos pasos: fecha y formato juntos y el "¿por qué?" opcional. Lo nuestro fue el diagnóstico y la medición del antes y el después. El salto de precio a pago fue de 34% a 59%.

  3. 03

    La fricción del pago

    Grabaciones y eventos mostraron que los compradores eran los que más peleaban con la pantalla de pago (1 clic de frustración por sesión contra 0,1: tocar una y otra vez el mismo lugar cuando algo no responde), con errores bajos en todo el embudo. El botón de pago rápido de Stripe concentraba casi 3 de cada 4 rechazos y se sacó sin afectar las ventas.

  4. 04

    Lo que conviene mirar dos veces

    Como en cualquier análisis, hay cosas a las que conviene hacerles doble clic. El formulario de pago vive en una ventana de otra empresa incrustada en el sitio (un iframe), que las grabaciones no ven por dentro, así que ese tramo se completa con los datos del propio procesador.

  5. 05

    Datos en los que confiar

    Como base, llevamos a PostHog los eventos, los cobros, Meta Ads, Google Ads y WhatsApp, y contamos cada venta como plata cobrada. Además, mandamos las ventas a Meta por Conversions API desde PostHog: pasó de acreditar 1 de cada 20 a 3 de cada 5.

Cambiar el medio de pago confirmó el diagnóstico

Las grabaciones y los eventos marcaban el paso de pago como la zona de fricción. En un mercado, MILA pasó de Stripe a un procesador local, y PostHog midió el resultado. Primera semana contra la anterior, con el mismo tráfico y 3% menos de inversión en esa campaña:

x2ventas en la primera semana con el procesador local
-47%de costo por venta

Tu marca puede ser el próximo caso.

Contanos qué estás buscando y armamos un plan de growth sobre tus propias cuentas.

Hablemos