Sempre me chamou a atenção a Strava. Não é apenas um app para registrar treinos. É uma plataforma que conseguiu construir um hábito. Mais de 135 milhões de pessoas a usam para registrar, analisar e compartilhar suas atividades. E isso não acontece por acaso.
Por trás dessa experiência existe algo essencial: decisões de produto orientadas por dados.
Pesquisando sobre como a Strava construiu um dos apps com maior engajamento do mundo, encontrei mais informações sobre a implementação da Amplitude e o impacto que isso teve no time de Growth. Uma das mudanças mais importantes foi migrar para um modelo de self-serve analytics, que permitiu que times de produto e growth acessassem diretamente os dados, reduzissem a dependência do time de analytics e acelerassem a tomada de decisão baseada no comportamento real dos usuários. Você pode encontrar a fonte original do case publicado pela Amplitude ao final deste artigo.
Mas nem sempre foi tão simples.
Quando os dados existem, mas não são acessíveis, o crescimento desacelera
A Strava gerava volumes enormes de dados todos os dias. Cada atividade, cada interação, cada feature utilizada era uma oportunidade de entender melhor seus usuários.
O problema era que o acesso a esses dados estava centralizado no time de analytics.
Os times de produto e growth dependiam totalmente deles para obter respostas. Algo tão básico quanto entender um funil ou analisar o comportamento de um segmento podia levar até duas semanas. Enquanto isso, o time de analytics dedicava cerca de um terço do seu tempo a construir dashboards e responder a solicitações operacionais.
O resultado era claro: a organização tinha os dados, mas não tinha a velocidade para agir sobre eles.
A mudança: democratizar o acesso aos dados com a Amplitude
Para resolver esse problema, a Strava decidiu implementar a Amplitude com um objetivo muito claro: democratizar o acesso aos dados.
A Amplitude permitiu que times de produto, growth e negócio acessassem dashboards diretamente, analisassem funis, segmentassem usuários e entendessem o comportamento sem depender constantemente do time de analytics.
Isso mudou completamente a forma como tomavam decisões.
Em vez de esperar semanas, as equipes podiam responder perguntas em minutos. Podiam identificar fricções, detectar oportunidades e validar hipóteses com muito mais rapidez.
E isso teve um impacto direto na capacidade de crescimento.
O impacto: entender melhor o comportamento e otimizar a conversão
Um dos exemplos mais claros foi quando detectaram uma queda na conversão do período de teste para a assinatura paga.
Usando a Amplitude, o time conseguiu analisar o funil e segmentar usuários para entender o que estava acontecendo. Descobriram que atletas com menos de 35 anos tinham uma taxa de conversão menor do que o restante.
Esse tipo de insight é o que permite desenhar experiências mais relevantes, otimizar o onboarding e aumentar a percepção de valor do produto.
A Amplitude não apenas ajudou a entender o problema, como também a executar experimentos, medir resultados e otimizar continuamente a experiência.
O resultado: 3x mais eficiência e decisões muito mais rápidas
O impacto foi significativo: na prática, o time de analytics aumentou sua eficiência em 3x. Times de produto puderam acessar dados diretamente. As decisões passaram a ser tomadas mais rápido e com mais confiança.
Além disso, essa melhoria de eficiência gerou uma economia estimada de US$ 100.000 por ano, ao liberar tempo do time para focar em iniciativas estratégicas em vez de tarefas operacionais.
Mas, mais do que a economia, o verdadeiro impacto foi outro: a Strava deixou de apenas ter dados e passou a realmente usá-los como uma vantagem competitiva.
O verdadeiro aprendizado: o acesso aos dados muda a forma como produtos crescem
Este caso mostra algo que vemos todos os dias trabalhando com times digitais.
O problema geralmente não é a falta de dados. O problema é a falta de acesso — e da capacidade de agir com base neles.
Quando as equipes conseguem entender o comportamento dos usuários, identificar fricções e experimentar rapidamente, o produto evolui mais rápido. E o crescimento deixa de ser uma consequência do acaso e passa a ser o resultado de decisões orientadas por dados.
É exatamente esse enfoque que permite construir produtos que geram engajamento sustentado ao longo do tempo.
Fonte original e autora
Este artigo é uma adaptação e tradução para o espanhol do case de sucesso publicado originalmente pela Amplitude.
Fonte original:
https://amplitude.com/blog/strava-analytics-efficiency
Paige DeRaedt
Senior Analytics Manager, Strava
Paige tem experiência em análise de dados, design de produto e engenharia de QA, e lidera iniciativas de analytics que permitem à Strava otimizar seu produto e melhorar a experiência dos usuários.
