Otimização de Checkout: o Playbook de Teste A/B
Playbook completo de otimização de checkout com teste A/B: as causas reais de abandono, o que testar por ordem de alavancagem e como dimensionar.
Otimizar checkout com teste A/B é atacar, em ordem de evidência, as causas documentadas de abandono: custos extras que só aparecem no fim, exigência de criar conta, formulários longos demais e falta de sinais de confiança e de meios de pagamento. É provavelmente o trecho mais bem estudado do e-commerce inteiro: o Baymard Institute documenta uma taxa média de abandono de carrinho de 70,22%, calculada a partir de 50 estudos, e estima que o site grande médio pode ganhar cerca de 35,26% de aumento na taxa de conversão corrigindo problemas de usabilidade de checkout já conhecidos. Este playbook cobre o funil de checkout e onde medir cada etapa, as causas reais de abandono ordenadas por dados, o que testar por ordem de alavancagem, como dimensionar cada teste (com a boa notícia de que a taxa base alta barateia o experimento), um exemplo trabalhado ponta a ponta com receita incremental, e as métricas de guarda que impedem uma vitória falsa.
Por que o checkout é o melhor lugar do site para testar
Três razões, e nenhuma delas é “porque é onde está o dinheiro”, que é verdade mas é raso.
A primeira é volume de evidência. As causas de abandono no checkout estão entre as mais estudadas do e-commerce, com levantamentos repetidos ao longo de mais de uma década. Você não parte do zero: parte de uma lista de hipóteses já validada em larga escala, o que é raro em CRO.
A segunda é taxa base alta. Um teste de conversão do site inteiro trabalha sobre uma base de 2 a 3%, o que exige um volume enorme para detectar qualquer coisa. Um teste de conclusão de checkout trabalha sobre uma base de 40 a 60%, e taxa alta significa amostra muito menor para o mesmo rigor. Um teste que seria inviável no site inteiro cabe numa semana no checkout.
A terceira é ausência de diluição. Quem você recupera no topo do funil ainda precisa atravessar todas as etapas seguintes, e a maior parte não atravessa. Quem você recupera no último passo do checkout converte um para um. Isso não faz do checkout automaticamente o maior gargalo (veja a próxima seção), mas faz de cada pessoa recuperada lá a mais valiosa do funil.
O tamanho do prêmio, segundo o Baymard: aplicando os 35,26% às vendas combinadas de e-commerce dos EUA e da União Europeia, de 738 bilhões de dólares, chega-se a cerca de 260 bilhões de dólares em pedidos abandonados que seriam recuperáveis apenas com melhor fluxo e design de checkout (Baymard Institute). É uma estimativa agregada de instituto de pesquisa, não uma promessa para uma loja individual, e deve ser lida como dimensão do problema, não como projeção de receita.
O funil de checkout e onde medir cada etapa
Antes de testar qualquer coisa, é preciso saber qual passagem está vazando. E aqui vem a primeira honestidade deste playbook: o checkout nem sempre é o maior gargalo do seu funil.
A conta por trás disso é a diluição. Recuperar 10% da queda em cada passagem, considerando que quem é recuperado ainda precisa atravessar as etapas seguintes, rende:
| Passagem | Pessoas perdidas | Recuperando 10% | Conversões finais extras |
|---|---|---|---|
| Visitantes para produto | 58.000 | 5.800 pessoas | ≈ 371 |
| Produto para carrinho | 28.000 | 2.800 pessoas | ≈ 538 |
| Carrinho para checkout | 8.400 | 840 pessoas | ≈ 403 |
| Checkout para compra | 2.912 | 291 pessoas | ≈ 291 |
Nesse funil, o maior ganho está no meio, não no checkout. A leitura correta não é “então não mexa no checkout”, é: confira o seu funil antes de decidir onde investir, e saiba que no checkout cada pessoa recuperada vale exatamente uma conversão, sem desconto.
Rode o seu próprio funil na calculadora abaixo, trocando os números pelos do seu analytics:
Etapas do funil (nome e quantas pessoas chegaram)
-
Uma etapa tem mais gente que a anterior. Confira os números: num funil sequencial, ninguém aparece do nada.
| Passagem | Entram | Saem | Passagem | Queda | Ganho ao recuperar |
|---|
Taxa de passagem = pessoas da etapa seguinte ÷ pessoas da etapa. O ganho considera a diluição: quem você recupera no topo ainda precisa atravessar as etapas seguintes. Deixe uma etapa em branco para usar menos de cinco.
Cada passagem tem uma métrica própria e uma família de hipóteses própria:
| Passagem | Métrica | Tipo de hipótese que cabe aqui |
|---|---|---|
| Visitante para página de produto | Taxa de visualização de produto | Navegação, busca interna, categorias, velocidade |
| Produto para carrinho | Taxa de adição ao carrinho | Foto, descrição, prova social, disponibilidade, preço visível |
| Carrinho para início de checkout | Taxa de início de checkout | Custos totais visíveis no carrinho, chamada para ação, distrações |
| Início de checkout para compra | Taxa de conclusão de checkout | Campos, conta obrigatória, meios de pagamento, confiança, erros |
Este playbook trata da última linha, e um pouco da penúltima, porque a decisão sobre custos extras acontece nas duas.
As causas reais de abandono, ordenadas por dados
O Baymard Institute mantém o levantamento mais citado sobre por que as pessoas abandonam durante o checkout. Excluindo quem estava apenas navegando sem intenção de comprar, a distribuição de motivos é:
Repare em três coisas nessa lista.
Primeiro, a causa líder não é de usabilidade, é de transparência de preço. Custos extras altos demais (40%) e não conseguir ver o custo total antecipadamente (12%) são o mesmo problema em dois momentos: a pessoa descobre tarde que o preço não era aquele. Nenhuma reorganização de campo resolve isso.
Segundo, erros técnicos aparecem alto (17%). Antes de testar copy, vale conferir se o seu checkout simplesmente funciona em todos os navegadores, tamanhos de tela e meios de pagamento. Isso não é um teste A/B, é um bug.
Terceiro, a exigência de conta (18%) é a maior causa com solução mais barata. É uma decisão de produto, não uma reconstrução.
Otimização de checkout: o que testar, por ordem de alavancagem
A tabela abaixo organiza o playbook em ordem: começa pelo que a evidência aponta como maior causa e pelo que é mais fácil de isolar, e termina no que muda muita coisa de uma vez.
| Ordem | O que testar | Hipótese | Causa que ataca | Esforço |
|---|---|---|---|---|
| 1 | Custo total (frete e taxas) visível já no carrinho | Mostrar o total antes do checkout evita a surpresa que faz a pessoa sair | Custos extras (40%) e não ver o total antes (12%) | Baixo |
| 2 | Compra como visitante contra conta obrigatória | Deixar comprar sem cadastro remove a barreira antes da compra | Exigência de conta (18%) | Baixo |
| 3 | Redução do número de campos do formulário | Menos campos, menos fricção e menos chance de erro | Checkout longo ou complicado (17%) | Médio |
| 4 | Sinais de confiança perto do campo de cartão | Selo, política de segurança e avaliações reduzem o receio de pagar | Desconfiança em passar o cartão (19%) | Baixo |
| 5 | Prazo de entrega explícito no checkout | Ver a data real de chegada evita o abandono por incerteza | Entrega lenta demais (20%) | Médio |
| 6 | Política de devolução visível no fluxo | Saber que dá para devolver reduz o risco percebido da compra | Devolução insatisfatória (13%) | Baixo |
| 7 | Mais meios de pagamento e recuperação de recusa | Oferecer alternativas evita perder quem teve o cartão recusado | Cartão recusado (10%) e poucos meios (9%) | Alto |
| 8 | Indicador de progresso e ordem das etapas | Saber quanto falta reduz a desistência no meio | Checkout longo ou complicado (17%) | Médio |
| 9 | Checkout de uma página contra checkout em etapas | Menos telas reduzem a chance de sair no caminho | Várias ao mesmo tempo | Alto |
Uma regra que vale para a tabela inteira: isole uma variável por teste. Trocar o número de campos e adicionar selo de segurança no mesmo experimento produz um vencedor que ninguém consegue explicar, e explicar é o que permite aplicar o aprendizado na próxima página. O mesmo raciocínio do guia de como fazer um teste A/B passo a passo vale aqui, com o agravante de que o checkout tem mais elementos acoplados que qualquer outra tela do site.
Custos extras: a causa número um
Se a sua loja cobra frete, taxa de serviço ou qualquer valor que só aparece na última tela, esse é o primeiro teste a rodar. Duas variações honestas:
- Total visível no carrinho: calcular e mostrar frete estimado (por CEP ou por padrão da região) antes de a pessoa entrar no checkout.
- Frete grátis a partir de um valor: um limiar claro, comunicado no carrinho, com quanto falta para atingi-lo.
A segunda tem um efeito colateral que precisa de guardrail: ela pode aumentar a conclusão do checkout e ao mesmo tempo alterar o ticket médio para os dois lados (para cima, se as pessoas adicionam itens para atingir o limiar; para baixo, se o frete que você absorve custa mais que o ganho). Meça receita por sessão de checkout, não só a taxa de conclusão.
Compra como visitante: a mudança mais barata da lista
18% de quem abandona aponta a exigência de criar conta. A resposta não é abrir mão do cadastro, é inverter a ordem: deixe a compra acontecer como visitante e ofereça a criação de conta na tela de confirmação, quando o pedido já está garantido e a pessoa já digitou quase todos os dados necessários. O teste é limpo (uma variável, um botão a mais) e a métrica é direta.
Redução de campos
O Baymard aponta que, para a maioria dos checkouts, é possível reduzir de 20% a 60% a quantidade de elementos de formulário exibidos no fluxo padrão. Onde essa redução costuma estar:
| Campo | Por que costuma sobrar | Alternativa |
|---|---|---|
| Complemento de endereço separado | Raramente obrigatório | Campo opcional, ou dentro do endereço |
| Confirmação de e-mail | Duplica digitação | Validação na hora, com aviso de erro claro |
| Endereço de cobrança separado | Igual ao de entrega na maioria dos casos | Marcado como igual por padrão, com opção de mudar |
| Telefone obrigatório | Nem toda operação precisa | Opcional, com explicação de por que é útil |
| Campo de cupom em destaque | Manda a pessoa procurar cupom fora do site | Link discreto, recolhido por padrão |
Esse último merece nota: um campo de cupom grande e visível é um convite para a pessoa abrir outra aba e procurar um código, e uma parte dessas pessoas não volta. É uma hipótese testável clássica, e é fácil de isolar.
Confiança na hora de pagar
19% de quem abandona aponta desconfiança em passar o cartão no site, o terceiro maior motivo da lista. É uma causa incômoda porque não se resolve com argumento: ninguém muda de opinião sobre segurança lendo um parágrafo institucional. O que costuma ser testável são sinais concretos e próximos do momento da decisão:
- Proximidade física do sinal. Um selo de segurança no rodapé é decorativo; o mesmo selo ao lado do campo de cartão está no lugar onde o receio aparece. Mover o elemento sem mudar o conteúdo já é um teste válido.
- Nome da empresa e dados de contato visíveis. Uma loja que mostra quem é reduz a sensação de estar comprando de um endereço anônimo.
- Avaliações e prova social no fluxo de pagamento. Não a nota geral da loja no rodapé, mas o sinal de que outras pessoas concluíram compras ali.
- Explicação do que acontece depois. Dizer o que será cobrado, quando e como a confirmação chega remove parte da incerteza que trava o clique final.
Cada um desses é uma variável isolável. Empilhar os quatro numa variação só produz um vencedor que não ensina nada sobre qual sinal importou.
Meios de pagamento e recusa de cartão
Somando “cartão recusado” (10%) e “poucos meios de pagamento” (9%), quase um quinto das menções de abandono está na camada de pagamento, e essa é a parte mais cara de mexer, porque envolve integração e não interface. Duas frentes testáveis com esforço bem diferente:
A primeira é a recuperação de recusa: o que a sua tela faz quando o pagamento é negado. Uma mensagem genérica de erro perde a venda; uma tela que explica o que aconteceu, mantém os dados do pedido e oferece outro meio de pagamento tem chance de recuperar parte dela. É um teste de interface, barato, e ataca 10% das menções.
A segunda é adicionar um meio de pagamento novo, que exige integração e não é reversível com um clique. Vale tratar como decisão de produto informada por dados de tentativa de pagamento (quantas pessoas chegam ao pagamento e não concluem, e o que elas tentaram usar), não como um teste A/B casual.
O que não vale a pena testar no checkout
Nem toda alavanca que move o número deveria ser puxada. Três categorias que este playbook recomenda deixar de fora, e o motivo é prático, não moral:
- Urgência fabricada. Contador regressivo que reinicia, “restam 2 unidades” que nunca muda, aviso de que o carrinho expira quando ele não expira. Isso costuma aumentar a conclusão no teste e voltar depois como cancelamento, reembolso e reclamação, três coisas que a métrica primária do teste não mede. Se você for testar urgência, teste urgência real e leia o guardrail de reembolso em 30 dias.
- Adição automática de itens ou serviços. Seguro, embalagem para presente ou frete expresso marcados por padrão aumentam o ticket no relatório e produzem uma quantidade proporcional de contestação depois. O teste honesto é oferecer com a caixa desmarcada e medir se as pessoas aceitam.
- Esconder custo para revelar mais tarde. É exatamente a causa número um de abandono da lista do Baymard, aplicada de propósito. Mesmo quando aumenta a conclusão de uma etapa isolada, ela empurra o abandono para a etapa seguinte, e o total não melhora.
O critério prático é simples: se a variação vence porque a pessoa entendeu melhor, ela se sustenta no fechamento do mês; se ela vence porque a pessoa entendeu pior, o ganho volta como devolução.
Como dimensionar um teste de checkout
Aqui está a boa notícia matemática do checkout: como a taxa base é alta, o teste sai barato. A tabela abaixo parte de uma taxa de conclusão de checkout de 48%, a 95% de confiança e 80% de poder:
| Efeito mínimo buscado (relativo) | Taxa alvo | Amostra por variação | Dias a 3.500 checkouts/semana |
|---|---|---|---|
| +10% | 52,8% | ≈ 1.703 | ≈ 7 |
| +5% | 50,4% | ≈ 6.811 | ≈ 28 |
| +3% | 49,4% | ≈ 18.913 | ≈ 76 |
Compare com o mesmo exercício numa taxa de conversão de site inteiro de 2,7%: detectar 5% relativos exigiria cerca de 231.776 visitas por variação, ou cerca de 130 dias a 25.000 visitas por semana. O mesmo rigor, no mesmo negócio, custa cerca de 34 vezes mais amostra quando medido na base pequena.
Calcule para o seu caso, usando checkouts iniciados por semana como volume:
Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.
Ajuste a calculadora acima para taxa base 48, efeito mínimo detectável 5 (relativo) e 3.500 visitantes por semana para reproduzir os 6.811 por variação e os 28 dias da tabela.
Uma ressalva de rigor que vale para o checkout mais que para qualquer outra tela: o efeito que você consegue detectar cai junto com o volume disponível, e o checkout tem, por definição, menos gente que o resto do site. Não caia na tentação de resolver isso rodando o teste no site inteiro e medindo só quem chegou ao checkout: quem chega ao checkout já é uma população selecionada, e comparar essa fatia entre variações que mudaram algo antes do checkout introduz exatamente o viés de seleção que invalida a leitura.
Um exemplo trabalhado, do teste à receita
Uma loja com 5.200 checkouts iniciados por braço testa mostrar o custo total (produto mais frete mais taxas) já na tela do carrinho, contra o comportamento atual de revelar o frete só no último passo do checkout. A métrica primária é a conclusão do checkout:
- A (controle, frete revelado no fim): 2.496 compras concluídas em 5.200 checkouts iniciados, taxa de 48,00%.
- B (variação, custo total no carrinho): 2.652 compras concluídas em 5.200 checkouts iniciados, taxa de 51,00%.
Cole esses números na calculadora abaixo para conferir:
Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.
O resultado: lift absoluto de 3,00 pontos percentuais (lift relativo de +6,25%), escore z de aproximadamente 3,06, valor-p bilateral de cerca de 0,0022, e intervalo de confiança de 95% da diferença entre 1,08 e 4,92 pontos percentuais. O intervalo não cruza o zero e o valor-p fica bem abaixo de 0,05: a variação B vence com significância real.
A conta de receita incremental: com 14.000 checkouts iniciados por mês, uma diferença de 3,00 pontos percentuais e um ticket médio de R$320, a receita incremental projetada é de R$134.400 por mês, ou cerca de R$1.612.800 no ano, apenas mostrando o custo total mais cedo. Trate o número anual como projeção linear: ele assume volume e ticket estáveis, o que raramente se sustenta ao longo de doze meses.
As métricas de guarda que um teste de checkout exige
O checkout é a tela onde é mais fácil vencer na métrica primária e perder dinheiro no total. Três guardrails, declarados antes de rodar:
| Guardrail | O que ele impede | Como ler |
|---|---|---|
| Receita por sessão de checkout | Vencer na conclusão e derrubar o ticket médio (típico de teste com frete grátis ou desconto) | Se a conclusão sobe e a receita por sessão cai, a vitória é falsa |
| Taxa de erro de pagamento | Uma mudança de formulário quebrar validação em algum meio de pagamento ou navegador | Qualquer alta relevante é motivo de parada, não de discussão |
| Cancelamento ou reembolso em 30 dias | Compra apressada por urgência artificial voltando como devolução | Compare a janela inteira, não só o dia da compra |
Vale o mesmo cuidado com checagem antecipada de qualquer teste: como o checkout costuma acumular amostra rápido (taxa base alta), a tentação de parar no primeiro dia bom é maior. O custo estatístico disso está quantificado no guia de significância estatística em testes A/B: defina o prazo antes, e cumpra.
Mobile e desktop são checkouts diferentes
Um teste de checkout que roda agregado esconde que as duas experiências são, na prática, produtos diferentes: teclado virtual, campos que exigem zoom, autopreenchimento inconsistente, carteiras digitais nativas. Uma variação pode vencer no desktop e perder no mobile, e o resultado agregado dizer “empate”.
A saída não é rodar dois testes separados por padrão, o que dobra o custo de amostra. É declarar antes se você espera efeito diferente por dispositivo. Se espera, dimensione o teste para o segmento que importa. Se não espera, rode agregado e olhe a quebra por dispositivo como diagnóstico, sabendo que cada recorte tem menos amostra e portanto menos poder, e que uma diferença que aparece só na quebra não é um resultado, é uma hipótese para o próximo teste.
Os erros que mais aparecem em teste de checkout
| Erro | Sinal de alerta | Correção |
|---|---|---|
| Mudar várias coisas de uma vez | Redesenhou o checkout inteiro num teste só | Isole uma variável; deixe a reestruturação para depois das mudanças isoláveis |
| Medir só a conclusão | O relatório tem uma métrica só | Declare receita por sessão, erro de pagamento e reembolso como guardrails |
| Medir a fatia de quem chegou ao checkout num teste que mudou o que vem antes | “No checkout a variação B converteu mais” | Quem chega ao checkout já é população selecionada; meça sobre a entrada do teste |
| Parar no primeiro dia bom | Taxa base alta acumula amostra rápido e tenta | Fixe o prazo antes de rodar e cumpra até o fim |
| Comparar semanas diferentes | A rodou numa semana, B na seguinte | Rode simultaneamente; sazonalidade de e-commerce é forte |
| Assumir que o checkout é o gargalo | Investiu tudo lá sem olhar o funil | Rode o funil primeiro; o maior ganho pode estar antes |
| Copiar limiar de frete grátis de concorrente | “Todo mundo usa R$199” | O limiar certo é uma variável testável, e depende do seu ticket e da sua margem |
Faça isso automático na Donnu
Otimizar checkout é a parte do CRO com mais evidência acumulada e, ao mesmo tempo, a mais fácil de estragar com uma leitura apressada: uma taxa base alta acumula amostra rápido, e isso convida a parar cedo e a comemorar uma diferença que ainda não é diferença. Some a isso os guardrails que quase ninguém declara antes (receita por sessão, erro de pagamento, reembolso) e você tem a receita de uma vitória que some no fechamento do mês. A Donnu resolve exatamente essa parte: você define a mudança e as métricas que não podem piorar, a Donnu dimensiona a amostra a partir da sua taxa base real, segura o veredito até o prazo combinado e devolve o intervalo de confiança inteiro, não só um selo de “significativo”.
Comece um teste grátis de 14 dias e rode o próximo teste de checkout com esse rigor.
Referências
- Baymard Institute. Cart Abandonment Rate Statistics. Média de 50 estudos sobre abandono de carrinho, motivos de abandono no checkout e a estimativa de ganho de conversão por melhor design de checkout. baymard.com/lists/cart-abandonment-rate.
- Baymard Institute. Checkout Usability Research. Base de problemas de usabilidade documentados em pesquisa de checkout em larga escala. baymard.com/research/checkout-usability.
- Klaviyo. Abandoned Cart Benchmark Report: Rates & Statistics. Referência de taxa de recuperação por e-mail de carrinho abandonado. klaviyo.com/blog/abandoned-cart-benchmarks.
- Omnisend. Reduce Shopping Cart Abandonment: Reasons & Solutions. omnisend.com/blog/shopping-cart-abandonment.
Leia também:
Perguntas frequentes
- Qual é a taxa média de abandono de carrinho?
- O Baymard Institute documenta uma média de 70,22%, calculada a partir de 50 estudos diferentes sobre abandono de carrinho em e-commerce. Ou seja, cerca de sete em cada dez pessoas que colocam algo no carrinho não concluem o pedido. Esse é o número agregado de mercado, e o seu próprio número pode estar bem acima ou abaixo dele, o que só o seu analytics responde.
- Quanto dá para ganhar melhorando o checkout?
- Segundo o Baymard Institute, o site de e-commerce grande médio pode ganhar cerca de 35,26% de aumento na taxa de conversão corrigindo problemas de usabilidade de checkout já documentados. Aplicado às vendas combinadas de e-commerce dos EUA e da União Europeia, de 738 bilhões de dólares, isso equivale a cerca de 260 bilhões de dólares em pedidos abandonados recuperáveis apenas por melhor fluxo e design de checkout. É uma estimativa de instituto de pesquisa, não uma garantia para uma loja específica.
- Qual é a principal causa de abandono durante o checkout?
- Custos extras altos demais (frete, taxas e impostos) lidera com 40% das menções entre quem abandonou por algum motivo além de estar apenas navegando, segundo o Baymard Institute. Depois vêm entrega lenta demais (20%), desconfiança em passar o cartão no site (19%), exigência de criar conta (18%), checkout longo ou complicado (17%) e erros ou travamentos no site (17%). Repare que a causa número um é uma questão de transparência de preço, não de design de formulário.
- O checkout é sempre o maior gargalo do meu funil?
- Não, e vale conferir antes de investir. No exemplo trabalhado deste guia, o maior gargalo em conversões finais recuperáveis está na passagem de quem viu o produto para quem adicionou ao carrinho, não no checkout. O que torna o checkout especialmente valioso é outra coisa: quem você recupera lá converte um para um, sem diluição das etapas seguintes, e as causas de abandono nessa etapa estão entre as mais bem documentadas do e-commerce.
- Quantas visitas eu preciso para testar uma mudança de checkout?
- Depende do efeito que você quer detectar. Sobre uma taxa base de conclusão de checkout de 48%, com 95% de confiança e 80% de poder, são cerca de 1.703 checkouts iniciados por variação para detectar uma melhora relativa de 10%, 6.811 para 5% e 18.913 para 3%. A boa notícia do checkout é que a taxa base é alta, então ele exige muito menos volume do que um teste de conversão do site inteiro sobre uma base de 2 a 3%.
- Devo obrigar o cliente a criar conta no checkout?
- Os dados de mercado desaconselham, e é uma das mudanças com melhor relação entre esforço e retorno: 18% de quem abandona o checkout aponta a exigência de criar conta como motivo, segundo o Baymard Institute. A alternativa não é abrir mão do cadastro, é inverter a ordem: deixe a compra acontecer como visitante e ofereça a criação de conta na tela de confirmação, quando o pedido já está garantido.
- Quais métricas de guarda um teste de checkout precisa ter?
- Pelo menos três, declaradas antes de rodar: receita por sessão de checkout (uma variação pode aumentar a conclusão e derrubar o ticket médio), taxa de erro de pagamento (uma mudança de formulário pode quebrar validação em algum meio de pagamento) e taxa de cancelamento ou reembolso nos dias seguintes (uma compra apressada por urgência artificial volta como devolução). Sem essas três, é possível declarar vitória numa métrica e perder dinheiro no total.
- Vale testar checkout de uma página contra checkout em etapas?
- Vale, mas é o teste mais caro do playbook e não deveria ser o primeiro. Ele muda várias coisas ao mesmo tempo (quantidade de informação por tela, percepção de progresso, momento em que os custos aparecem), então um resultado positivo não explica qual parte funcionou. Comece pelas mudanças isoláveis (custos visíveis, checkout como visitante, redução de campos) e deixe a reestruturação completa para depois que essas estiverem resolvidas.