Analisando a jornada digital do cliente: um novo quadro para modelagem sequencial de comportamento

Por que seus cliques em apps de saúde importam

Cada toque, deslize e tela que você abre em um aplicativo de saúde conta silenciosamente uma história sobre o que você está tentando fazer — marcar uma consulta, ver resultados de exames ou ler uma mensagem. Quando milhões de pessoas usam esses apps, essas histórias se acumulam em registros enormes e emaranhados que são quase impossíveis de ler a olho nu. Este artigo apresenta uma nova forma de desenredar esses registros para que os provedores de saúde possam ver as rotas principais que as pessoas seguem, identificar onde elas ficam presas e redesenhar seus serviços digitais para torná‑los mais suaves, seguros e menos frustrantes.

Do caos de cliques a jornadas claras

Os autores concentram‑se na “jornada digital do cliente”, ou seja, na sequência de passos que uma pessoa dá ao usar um site ou aplicativo móvel para concluir uma tarefa. Em serviços online movimentados — como comércio eletrônico, bancos ou saúde — pode haver inúmeras rotas possíveis, levando ao que os designers chamam de “modelo espaguete”: um mapa confuso e sobreposto de cliques que ninguém consegue interpretar. O estudo aborda esse problema usando dados do aplicativo móvel de uma grande organização israelense de manutenção de saúde, onde cerca de 120.000 usuários geravam aproximadamente 5,5 milhões de eventos por dia. O objetivo é reduzir essa complexidade a um pequeno conjunto de jornadas típicas que ainda preservem a essência de como as pessoas realmente navegam pelo app.

Ensinando algoritmos a reconhecer tarefas comuns

A primeira parte do quadro trata cada sessão do usuário — uma visita ao app do login ao logout — como se fosse um pequeno documento composto por “palavras”, onde cada palavra é uma ação, como abrir uma tela ou pressionar um botão. Uma técnica chamada modelagem de tópicos, originalmente desenhada para encontrar temas em grandes coleções de textos, é usada para agrupar sessões que compartilham ações semelhantes. Em termos cotidianos, o algoritmo aprende que algumas sessões são principalmente sobre agendar uma consulta, outras sobre checar resultados de exames e outras sobre enviar mensagens a um médico. Uma versão mais avançada pode até ordenar esses temas em uma árvore, mostrando tópicos amplos no topo (por exemplo, “interações com médicos”) que se dividem em temas mais específicos (como “solicitar receita” ou “ler mensagens do médico”).

Seguindo os passos, não apenas contando-os

Saber quais ações tendem a aparecer juntas é apenas metade da história; o que realmente importa é a ordem em que ocorrem. Na segunda parte do quadro, os autores focam em cada grupo de sessões e modelam o fluxo passo a passo usando cadeias de Markov, um modo matemático simples de estimar quão provável é que uma ação siga outra. Isso torna possível destacar os caminhos mais típicos dentro de cada tipo de jornada e ver quais cliques frequentemente levam diretamente a um beco sem saída, como um erro técnico ou uma saída prematura da sessão. Ao comparar como a modelagem de tópicos e o modelo passo a passo atribuem sessões a grupos, o método também pode sinalizar jornadas “ambíguas” em que os usuários parecem misturar várias tarefas — pistas úteis de que o design do app pode não corresponder à forma como as pessoas realmente pensam.

Problemas reais revelados em um app de saúde

Aplicar esse quadro ao app de saúde revelou questões concretas de design que seriam difíceis de detectar manualmente. Em uma jornada relacionada a consultas, o caminho mais comum no mundo real terminava com uma mensagem de erro em vez da tela de confirmação esperada, revelando uma falha técnica na última etapa do processo. Em outro caso, usuários que verificavam resultados de exames frequentemente clicavam em um botão destinado a explicar o nome de um teste; em vez de mostrar a informação dentro do app, ele os redirecionava para um site externo, após o qual muitos simplesmente abandonavam a sessão. A análise também mostrou como faixas etárias diferentes usam a mesma funcionalidade de modos distintos — por exemplo, usuários mais jovens agendando mais consultas em nome de membros da família — sugerindo formas de adaptar as experiências para segmentos específicos.

O que isso significa para usuários comuns

Para não especialistas, a mensagem principal é que uma análise cuidadosa de dados ao nível de clique pode ir além de diagramas bonitos e realmente identificar as telas e os passos exatos que causam confusão, perda de tempo ou tarefas abandonadas. Ao combinar duas ferramentas complementares — uma que encontra os tipos principais de jornadas e outra que traça os caminhos mais prováveis ação a ação — o quadro oferece às organizações de saúde um modo prático de melhorar seus apps, reduzir erros e apoiar as pessoas na conclusão de tarefas vitais online. A mesma abordagem pode ser usada em plataformas de compras, bancos e educação, tornando os serviços digitais mais intuitivos e confiáveis sem exigir que os usuários façam qualquer coisa além do que já fazem: usar o app.

Citação: Bar-El, L., Chalutz-BenGal, H., Gazit, S. et al. Analyzing the digital customer journey: a novel framework for sequential behavior modeling. Sci Rep 16, 14553 (2026). https://doi.org/10.1038/s41598-026-43762-8

Palavras-chave: jornada digital do cliente, aplicativos de saúde, comportamento do usuário, análise de registro de eventos, modelagem sequencial