Do Web Analytics 2.0 ao Conversational Analytics: o futuro da mensuração em interfaces digitais

Quando Avinash Kaushik popularizou o Web Analytics 2.0, ele ajudou uma geração de empresas a sair da intuição para decisões baseadas em dados. Mapear cliques, funis e taxas de conversão virou disciplina. A web deixou de ser um espaço de tentativa e erro para se tornar um ambiente gerenciável.

Agora a lógica muda de novo. Canais digitais deixam de ser feitos apenas de páginas, botões e menus para se tornarem espaços de conversa. Clientes mais jovens preferem falar com bancos, varejistas e serviços em um chat, e não em uma tela cheia de opções. O que antes era exceção começa a se tornar padrão.

A pergunta que se impõe é simples e desafiadora: se o usuário deixa de clicar e passa a conversar, como medir, entender e otimizar a experiência?

Do clique ao diálogo como padrão

Os dados recentes ajudam a enxergar o tamanho da virada.

A pesquisa Brasil (Gupshup/Galileo, 2025) mostra que, no Brasil, a maioria dos clientes entre 16 e 44 anos já prefere mensageria para falar com bancos, enquanto a base mais velha ainda se apoia em canais tradicionais. Estudos de entidades como Febraban indicam que grande parte dos atendimentos digitais bancários já ocorre via chat. Relatórios globais como The Financial Brand (2025) reforçam o mesmo padrão: jovens se sentem mais à vontade com chatbots e canais conversacionais e estão dispostos a trocar de instituição se a experiência for ruim.

Em paralelo, ferramentas de design passam por transformação silenciosa. Plataformas como Figma e motores de automação estão incorporando IA para gerar telas, fluxos e componentes quase em tempo real. Designers deixam de ser apenas construtores visuais e se aproximam do papel de arquitetos de experiência. O foco passa a ser desenhar jornadas que misturam componentes visuais, mensagens e agentes de IA.

Neste cenário, insistir em uma visão de analytics baseada apenas em páginas vistas e eventos de clique é operar com um mapa desatualizado. As interações que importam acontecem dentro de diálogos, com nuances de intenção, emoção e contexto que não cabem em um “pageview”.

O impacto da conversa no design de interfaces

Se a conversa se torna o modo preferencial de interação, o design precisa de outra lente. As próximas ondas de interfaces digitais tendem a combinar alguns movimentos.

1. Interfaces mais invisíveis e multimodais, em que voz, texto, biometria e sinais de emoção aparecem como parte do fluxo. Usuários falam, digitam, tocam e recebem respostas de agentes que transitam entre canais.
   
   
2. Automação crescente do design, com ferramentas que geram e testam versões de tela a partir de instruções em linguagem natural, deixando para o designer a curadoria, o pensamento crítico e a definição de critérios de sucesso.
   
   
3. Uma disciplina de conversational experience que desloca o foco de desenhar telas para desenhar diálogos. O trabalho passa a incluir mapeamento de jornadas conversacionais, definição de tom, controle de esforço cognitivo do usuário e orquestração entre bot e humano.

Esse movimento afeta diretamente como medimos sucesso. Métricas tradicionais ajudam, mas já não bastam. Um funil de conversão clássico explica pouco quando a decisão acontece em uma sequência de mensagens e não em uma sequência de páginas.

A lacuna de mensuração: em busca do “Avinash das conversas”

No início da web, navegávamos quase às cegas. O Web Analytics 2.0 organizou uma disciplina: o que medir, como interpretar, que decisões tomar. Hoje, em interfaces conversacionais, ainda não existe uma “obra de referência” equivalente. O campo está em formação, com práticas dispersas em bancos, telecom, varejo e empresas de tecnologia.

Enquanto essa teoria consolidada não chega, o cenário real nas empresas é de métricas fragmentadas, que tentam capturar partes do fenômeno.

Parte das equipes adapta frameworks de web e app analytics. Volume de sessões vira volume de conversas únicas por período. Conversão passa a ser a proporção de diálogos que resultam em ação concreta, como abrir uma conta, gerar um boleto ou registrar um pedido. Tempo médio de sessão ganha nova leitura: pode indicar engajamento quando o fluxo é eficiente, mas também atrito se o usuário demora a resolver o problema. O funil é reescrito como sequência de passos dentro da conversa.

Outra parte das equipes foca em métricas específicas de IA conversacional. Taxa de intenção reconhecida, queda em respostas “não entendi”, percentual de conversas concluídas sem intervenção humana, tempo até a escalada para um atendente, sentimento em tempo real. São indicadores úteis para engenharia e para times de produto, mas ainda distantes dos KPIs que movem orçamento.

Há também as métricas de experiência clássicas que chegam ao chat:

• CSAT e CES dentro da própria conversa,
• análise de jornadas conversacionais completas,
• NPS vinculado ao atendimento por bot,
• percentual de casos resolvidos no primeiro contato.

Foi nesse ponto que o atendimento conversacional começou a ser tratado como parte da experiência de valor, não apenas como canal de suporte.

Entre esses blocos, surgem abordagens emergentes: análise de embeddings das conversas para identificar padrões de intenção e emoção, métricas de esforço cognitivo do usuário, índices de naturalidade da interação, simulações automatizadas com perfis diferentes de usuário para testar a resiliência do canal. Ainda não são padrão, mas apontam para onde a disciplina tende a caminhar.

O que gestores podem fazer agora

Enquanto o conceito de conversational analytics 2.0 não ganha uma forma definitiva, lideranças de canais digitais podem agir em algumas frentes práticas.

1. Primeiro, combinar métricas em vez de escolher um único modelo. O ponto de partida é aceitar que parte da mensuração virá de frameworks tradicionais (sessões, conversões), parte de métricas específicas de IA (intenção, fallback, escalada) e parte de indicadores de experiência e negócio (CSAT, FCR, receita, churn). Essa combinação ajuda a evitar leituras apaixonadas demais por um único número.
   
   
2. Segundo, acelerar ciclos de aprendizado. Conversas geram dados ricos a cada interação. Em vez de alterar o canal com grandes reformas anuais, faz mais sentido adotar ciclos curtos de teste, aprendizado e ajuste, tratando o fluxo conversacional como um produto vivo. Isso aproxima o trabalho do método científico: hipótese, experimento, mensuração e iteração.
   
   
3. Terceiro, manter o vínculo com a estratégia. Métricas técnicas precisam ser traduzidas em impacto de negócio. A pergunta não é apenas “qual o fallback rate”, mas “que impacto esse fallback rate tem na resolução de problemas, na receita e na percepção de marca”. A matriz de impacto de KPI, que a MATH já utiliza em outros contextos, é uma forma de desenhar as relações de causa e efeito, sabendo que boa parte delas ainda está sendo testada.

Por fim, formar cultura e talentos capazes de ler conversa, não só número. Isso envolve preparar times para interpretar semântica, contexto e emoção nas interações, e não apenas taxa de clique. É um tipo de alfabetização que mistura analytics, experiência do cliente e entendimento de linguagem natural.

Onde a MATH se posiciona nessa transição

Para a MATH, a migração de web analytics para conversational analytics não é apenas uma evolução técnica, mas uma mudança de modelo mental. Deixar de olhar só para o clique e passar a enxergar a conversa significa assumir que o usuário não está apenas navegando, ele está negociando sentido, tirando dúvidas, decidindo.

A MATH AI Platform entra como camada de orquestração entre dados de navegação, dados de conversa e dados de negócio. Ao unificar essas fontes, a plataforma permite que agentes de IA atuem em canais conversacionais com governança, com logs claros e com possibilidade de análise posterior. Métricas técnicas se conectam a resultados de negócio e alimentam um ciclo de melhoria contínua.

E falamos mais sobre isso no episódio #199: Jobs To Be Done (JTBD) no DoTheMATH, que muda a forma de ler dados em produtos digitais: menos foco em telas e funis, mais foco na intenção do usuário e no problema que ele quer resolver. No episódio, Guilherme Bento, Data Engineer Sr, e Raquel Munari, Business Intelligence Analyst da MATH, mostram como conectar contexto, dados e experiência para tomar decisões melhores em produto.

Um chamado para a nova disciplina

A criação de uma disciplina de conversational analytics 2.0 não será obra de um único autor ou relatório. Ela vai emergir da prática acumulada de bancos, varejistas, telecoms, fintechs e empresas de tecnologia que decidirem olhar para a conversa com a mesma seriedade com que, anos atrás, passaram a olhar para o clique.

Para gestores, a escolha agora é clara. Tratar canais conversacionais como “mais um ponto de contato” ou como o novo eixo de relação entre pessoas e marcas. A diferença estará na forma como esses canais são medidos, melhorados e conectados ao resultado.