[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7BZYWD84HHMPS2PGGS27T1F":3,"skill-same:01M7BZYWD84HHMPS2PGGS27T1F":53},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":30,"commitSha":31,"skillDirectory":32,"forksCount":33,"repositoryHtmlUrl":34,"repositoryHomepageUrl":35,"ownerHtmlUrl":36,"ownerBlogUrl":37,"ownerDescription":6,"updatedAt":38,"install":39,"resources":52},"01M7BZYWD84HHMPS2PGGS27T1F","survey-analysis",null,"Survey Analysis — Skill especializada para survey analysis","wonecosystem\u002F2300-skills","wonecosystem","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F191913913?v=4","01M7BSEECP2JXESTCXWND9C1EX","Won Ecosystem","01M7BSEEDEEVGJF3X5CSK4TWWR",3,"MIT","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F15-analytics-dados\u002Fsurvey-analysis\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: survey-analysis\ndescription: \"Survey Analysis — Skill especializada para survey analysis\"\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Cafe Code AI\n  category: 15-analytics-dados\n  updated: 2026-03-01\nrisk: safe\n---\n\n# Survey Analysis\n\nEsta skill capacita o Claude a integrar e analisar dados de pesquisas com métricas do Google Analytics 4, correlacionando feedback qualitativo com comportamento quantitativo do usuário para otimizar jornadas e decisões de produto.\n\n---\n\n## Keywords\n\nNPS (Net Promoter Score), CSAT (Customer Satisfaction Score), CES (Customer Effort Score), Google Analytics 4 (GA4), Dimensões Personalizadas GA4, Métricas Personalizadas GA4, Eventos GA4, Explorações GA4, Funil de Conversão, Atribuição de Marketing, Feedback de Usuário, Pesquisa de Abandono, Segmentação de Audiência, Análise Pós-Compra.\n\n---\n\n## Quick Start\n\n1.  **Configurar GTM para Captura de Feedback**: Implemente tags no Google Tag Manager para disparar eventos GA4 e coletar dados de pesquisas (e.g., envio de formulário de NPS) como eventos e parâmetros, mapeando o score para um parâmetro como `nps_score`.\n2.  **Criar Dimensões Personalizadas no GA4**: Registre os parâmetros de pesquisa (e.g., `nps_score`, `reason_for_churn`) como dimensões personalizadas de escopo de usuário ou evento no GA4 para que os dados sejam visíveis nos relatórios.\n3.  **Segmentar Usuários por Feedback**: Crie segmentos de audiência no GA4 (e.g., \"Promotores NPS\", \"Detratores NPS\") usando as dimensões personalizadas para analisar o comportamento específico de cada grupo.\n4.  **Construir Relatório de Exploração de Funil**: Utilize a ferramenta de \"Explorações\" no GA4 para construir um funil de conversão e aplicar os segmentos de feedback, identificando onde promotores e detratores divergem na jornada.\n5.  **Correlacionar com Fontes de Atribuição**: Compare os segmentos de feedback com os dados de atribuição no GA4 para entender quais canais de marketing atraem usuários com maior satisfação ou menor intenção de churn.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Análise de Impacto do NPS na Retenção e Engajamento via GA4\n\nEste workflow detalha a integração de dados de NPS com o GA4 para identificar padrões comportamentais de promotores e detratores e otimizar estratégias de retenção.\n\n1.  **Configuração da Pesquisa NPS e Coleta de Dados**:\n    *   **Ferramenta**: Utilize uma ferramenta de pesquisa como Typeform, Qualtrics, SurveyMonkey ou uma solução in-house.\n    *   **Disparo**: Configure a pesquisa para ser disparada 7 dias após a primeira compra ou 30 dias após o cadastro, dependendo do ciclo de vida do produto.\n    *   **Integração GTM\u002FGA4**:\n        *   Ao submeter a pesquisa, envie um evento para o GA4 via Google Tag Manager (GTM).\n        *   Exemplo de configuração no GTM:\n            *   **Tipo de Tag**: `Google Analytics: Evento GA4`\n            *   **Nome do Evento**: `nps_survey_submit`\n            *   **Parâmetros do Evento**:\n                *   `nps_score`: `{{NPS_Score_Variable}}` (variável do GTM que captura o valor do NPS, e.g., de um campo de formulário)\n                *   `user_id`: `{{GA4_User_ID}}` (se disponível para matching)\n                *   `feedback_type`: `NPS`\n        *   No GA4, registre `nps_score` como uma **Dimensão Personalizada** de `Escopo do evento` (Nome: `nps_score`, Nome do parâmetro do evento: `nps_score`).\n\n2.  **Criação de Segmentos de Audiência no GA4**:\n    *   Acesse `Administrador` > `Visualização de dados` > `Audiências` no GA4.\n    *   Crie três novas audiências baseadas na dimensão personalizada `nps_score`:\n        *   **Audiência 1: Promotores NPS**: `nps_score` é MAIOR OU IGUAL A `9`.\n        *   **Audiência 2: Passivos NPS**: `nps_score` é MAIOR OU IGUAL A `7` E MENOR OU IGUAL A `8`.\n        *   **Audiência 3: Detratores NPS**: `nps_score` é MENOR OU IGUAL A `6`.\n    *   Estas audiências permitirão segmentar relatórios e explorações.\n\n3.  **Análise Comportamental com \"Explorações\" (GA4)**:\n    *   Vá para `Explorar` no menu lateral esquerdo do GA4.\n    *   Crie uma nova `Exploração de Funil` ou `Exploração de Caminho`.\n    *   **Exploração de Funil**:\n        *   Defina os passos do funil (e.g., `page_view \u002Fcarrinho`, `add_to_cart`, `begin_checkout`, `purchase`).\n        *   Aplique os segmentos \"Promotores NPS\", \"Passivos NPS\" e \"Detratores NPS\" ao funil.\n        *   **Insight Esperado**: Observar se os Promotores têm uma taxa de conclusão do funil significativamente maior que os Detratores, ou se os Detratores abandonam em etapas específicas (e.g., `checkout`).\n        *   **Exemplo**: Promotores têm 85% de conclusão de compra, Detratores apenas 30%, com a maior queda na etapa de `pagamento`.\n\n4.  **Correlação com Métricas de Engajamento e Retenção**:\n    *   Crie uma `Exploração de Tabela` ou `Formato livre`.\n    *   **Linhas**: `Audiência` (Promotores, Passivos, Detratores).\n    *   **Colunas\u002FMétricas**: `Sessões por usuário`, `Tempo médio de engajamento`, `Taxa de rejeição`, `Receita por usuário`, `Eventos de engajamento por usuário`.\n    *   **Insight Esperado**: Promotores tendem a ter maior `Sessões por usuário`, `Tempo médio de engajamento` e `Receita por usuário` em comparação com Detratores.\n    *   **Exemplo**: Promotores gastam em média R$500\u002Fmês, interagem com 15 páginas\u002Fsessão. Detratores gastam R$100\u002Fmês, interagem com 3 páginas\u002Fsessão.\n\n5.  **Análise de Atribuição (Relatórios de Publicidade)**:\n    *   Acesse `Publicidade` > `Atribuição` > `Caminhos de conversão` no GA4.\n    *   Filtre os relatórios pelas conversões desejadas (e.g., `purchase`).\n    *   Aplique a comparação de segmentos (Promotores vs. Detratores).\n    *   **Insight Esperado**: Identificar se determinados canais de marketing (e.g., Pesquisa Paga, Mídias Sociais) atraem proporcionalmente mais Promotores ou Detratores. Isso pode informar o ajuste do investimento em canais para atrair usuários de maior valor.\n    *   **Exemplo**: `Display Ads` trazem muitos Detratores, enquanto `Email Marketing` e `Pesquisa Orgânica` são fortes em Promotores.\n\n### Workflow 2: Otimização de Funis com Insights de Pesquisas de Abandono (Exit Surveys)\n\nEste workflow foca em utilizar dados de pesquisas de saída para entender as razões do abandono e otimizar funis de conversão no GA4.\n\n1.  **Implementação da Pesquisa de Abandono**:\n    *   **Disparo**: Configure um pop-up ou modal de pesquisa de saída (exit-intent survey) para aparecer quando um usuário demonstra intenção de sair de uma página crítica do funil (e.g., carrinho de compras, checkout, página de inscrição).\n    *   **Perguntas-chave**: \"Qual o principal motivo para você não concluir sua ação hoje?\", com opções como \"Preço alto\", \"Processo complicado\", \"Falta de informação\", \"Comparando preços\", \"Problema técnico\". E um campo de texto livre.\n    *   **GTM\u002FGA4**:\n        *   Ao submeter a pesquisa, envie um evento GA4, e.g., `exit_survey_submit`.\n        *   Inclua parâmetros como `reason_for_exit` (capturando a opção selecionada) e `page_abandoned` (URL da página onde a pesquisa foi preenchida).\n        *   No GA4, registre `reason_for_exit` e `page_abandoned` como **Dimensões Personalizadas** de `Escopo do evento`.\n\n2.  **Identificação de Pontos de Abandono no GA4**:\n    *   No GA4, vá para `Explorar` e crie uma `Exploração de Funil`.\n    *   **Funil**: Mapeie o funil de conversão relevante (e.g., `Visualização Produto` -> `Adicionar ao Carrinho` -> `Iniciar Checkout` -> `Comprar`).\n    *   Identifique as etapas com maior `taxa de abandono`.\n    *   **Exemplo**: A maior queda ocorre entre `Iniciar Checkout` e `Adicionar Informações de Envio`, com 60% de abandono.\n\n3.  **Correlação de Dados da Pesquisa com Abandono do Funil**:\n    *   Crie uma `Exploração de Tabela` ou `Formato livre`.\n    *   **Linhas**: `reason_for_exit` (dimensão personalizada da pesquisa).\n    *   **Colunas\u002FMétricas**: `Taxa de abandono` (para a etapa específica do funil), `Usuários`, `Sessões`.\n    *   **Filtro**: `page_abandoned` contém `checkout` (para focar na página de checkout).\n    *   **Insight Esperado**: Identificar quais razões de saída estão mais associadas aos usuários que abandonam em etapas críticas do funil.\n    *   **Exemplo**: Para a etapa `Iniciar Checkout`, 40% dos abandonos são atribuídos a \"Preço alto\" e 30% a \"Processo complicado\".\n\n4.  **Priorização de Otimizações**:\n    *   Com base na correlação, priorize as otimizações. Se \"Processo complicado\" é a principal razão para abandono no checkout, investigue a complexidade dos formulários, número de campos, clareza das instruções.\n    *   Se \"Preço alto\" for dominante, considere opções de frete, descontos ou comparativos de valor.\n    *   **Exemplo**: Ação prioritária é simplificar o formulário de `Adicionar Informações de Envio` e adicionar um indicador de progresso no checkout.\n\n5.  **Monitoramento Pós-Otimização no GA4**:\n    *   Após implementar as mudanças (e.g., simplificação do formulário de checkout), monitore a `taxa de abandono` daquela etapa específica do funil no GA4.\n    *   Utilize anotações no GA4 ou Google Sheets para registrar a data da implementação.\n    *   **Métricas de Sucesso**: Diminuição da `taxa de abandono` na etapa `Adicionar Informações de Envio`, aumento da `taxa de conversão` do funil geral.\n    *   **Exemplo**: A taxa de abandono na etapa `Adicionar Informações de Envio` caiu de 60% para 45% após a otimização.\n\n---\n\n## Templates\n\n### Script de Pesquisa de Satisfação Pós-Compra (CSAT)\n\n```markdown\n# Pesquisa de Satisfação Pós-Compra\n\nOlá [Nome do Cliente],\n\nEsperamos que esteja satisfeito com sua recente compra em nossa loja! Seu feedback é muito importante para continuarmos melhorando. Levará apenas 1 minuto.\n\n1.  **No geral, qual o seu nível de satisfação com a sua experiência de compra em nosso site hoje?**\n    *   [ ] Muito Insatisfeito (1)\n    *   [ ] Insatisfeito (2)\n    *   [ ] Neutro (3)\n    *   [ ] Satisfeito (4)\n    *   [ ] Muito Satisfeito (5)\n\n2.  **Qual foi o principal fator que influenciou sua resposta acima?**\n    *   [ ] Facilidade de navegação no site\n    *   [ ] Qualidade dos produtos\n    *   [ ] Preço e custo-benefício\n    *   [ ] Velocidade e custo do frete\n    *   [ ] Atendimento ao cliente\n    *   [ ] Opções de pagamento\n    *   [ ] Outro (por favor, especifique): [Campo de texto livre]\n\n3.  **O que poderíamos ter feito para tornar sua experiência ainda melhor?**\n    [Campo de texto livre para sugestões]\n\n4.  **Você recomendaria nossa loja a um amigo ou colega?**\n    *   [ ] Sim\n    *   [ ] Não\n    *   [ ] Talvez\n\nAgradecemos sinceramente seu tempo e feedback!\n\n[Link para Política de Privacidade]\n```\n\n### Plano de Ação Baseado em Insight de Survey e GA4\n\n```markdown\n# Plano de Ação - Otimização de Funil de Checkout\n\n**Data:** 2024-10-27\n**Responsável:** Equipe de Produto e Marketing Digital\n\n**Insight da Pesquisa:** 35% dos usuários que abandonaram o checkout mencionaram \"Processo de pagamento complicado\" ou \"Muitos campos para preencher\" nas pesquisas de saída (Exit Survey).\n\n**Dados GA4 Correlacionados:**\n*   **Relatório:** Exploração de Funil - Funil de Checkout.\n*   **Etapa Crítica:** \"Adicionar Informações de Envio e Pagamento\" tem uma taxa de abandono de 55%.\n*   **Segmento Detratores:** Usuários classificados como \"Detratores NPS\" têm uma taxa de abandono de 70% nesta etapa, comparado a 30% dos \"Promotores NPS\".\n*   **Dispositivo:** Abandono é 15% maior em dispositivos móveis nesta etapa.\n\n**Causa Provável:** Formulário de checkout longo e não otimizado para mobile, exigindo muitas informações desnecessárias ou com campos confusos.\n\n**Ações Propostas:**\n\n1.  **Simplificar Formulário de Envio:**\n    *   **Ação:** Reduzir o número de campos obrigatórios no formulário de envio. Consolidar campos (e.g., \"Endereço Linha 1\" e \"Linha 2\" em um único campo inteligente).\n    *   **Responsável:** Equipe de Desenvolvimento\n    *   **Prazo:** 2024-11-15\n    *   **Métrica de Sucesso (GA4):** Redução da taxa de abandono na etapa \"Adicionar Informações de Envio\" em 10%. Aumento da Taxa de Conversão de Checkout em 5%.\n\n2.  **Otimização Mobile do Checkout:**\n    *   **Ação:** Implementar design responsivo e teclados otimizados para cada tipo de campo no checkout mobile (e.g., teclado numérico para telefone\u002FCEP).\n    *   **Responsável:** Equipe de UI\u002FUX e Desenvolvimento\n    *   **Prazo:** 2024-11-30\n    *   **Métrica de Sucesso (GA4):** Redução da taxa de abandono mobile na etapa \"Adicionar Informações de Envio\" em 12%.\n\n3.  **Adicionar Indicador de Progresso:**\n    *   **Ação:** Incluir um indicador visual de progresso (e.g., \"Passo 1 de 3\") no topo do formulário de checkout para reduzir a percepção de complexidade.\n    *   **Responsável:** Equipe de UI\u002FUX e Desenvolvimento\n    *   **Prazo:** 2024-11-20\n    *   **Métrica de Sucesso (GA4):** Aumento do tempo médio de engajamento na página de checkout e redução da taxa de rejeição.\n\n**Monitoramento:** Acompanhamento semanal das métricas de funil no GA4, com relatórios de Exploração de Funil segmentados por dispositivo e audiência (NPS).\n\n**Próximos Passos:** Realizar testes A\u002FB nas alterações implementadas para validar a eficácia.\n```\n\n---\n\n## Checklist\n\n- [x] Dados de pesquisa (NPS, CSAT, Exit Survey) configurados para serem enviados como eventos e parâmetros para o GA4 via GTM.\n- [x] Dimensões personalizadas criadas no GA4 para cada parâmetro relevante da pesquisa (e.g., `nps_score`, `reason_for_exit`).\n- [x] Audiências de GA4 segmentadas com base nas respostas da pesquisa (e.g., Promotores, Detratores, Usuários que citaram \"preço alto\").\n- [x] Relatórios de \"Explorações\" (Funil, Caminho, Formato Livre) criados no GA4 para analisar o comportamento de cada segmento de feedback.\n- [x] Métricas de engajamento e retenção (e.g., sessões por usuário, tempo médio de engajamento, receita por usuário) comparadas entre os segmentos de feedback.\n- [x] Correlação entre as razões de abandono (pesquisa) e os pontos de queda no funil de conversão (GA4) identificada.\n- [x] Dados de atribuição no GA4 analisados para entender quais canais atraem usuários com diferentes perfis de feedback.\n- [x] Plano de ação detalhado com base nos insights de pesquisa e GA4, incluindo métricas de sucesso monitoráveis no GA4.\n- [x] Implementação de testes A\u002FB para validar otimizações derivadas dos insights da pesquisa.\n- [x] Monitoramento contínuo das métricas-chave no GA4 pós-implementação das otimizações.\n\n---\n\n## Métricas de Referência\n\n| Métrica                      | Benchmark (Varejo Online) | Meta (Otimizado)          |\n|------------------------------|---------------------------|---------------------------|\n| NPS (Net Promoter Score)     | 10-30                     | 40-60+                    |\n| CSAT (Customer Satisfaction) | 75-85% (4-5 estrelas)     | 90%+ (4-5 estrelas)       |\n| CES (Customer Effort Score)  | 4.0-5.0 (escala 1-7)      | 6.0-7.0 (escala 1-7)      |\n| Taxa de Abandono de Carrinho | 60-75%                    | 45-55%                    |\n| Taxa de Conclusão de Checkout| 25-40%                    | 50-60%+                   |\n| Receita por Usuário (Promotor)| 2x - 3x Detrator          | 3.5x+ Detrator            |\n\n---\n\n## Erros Comuns\n\n1.  **Não Integrar Dados Qualitativos com Quantitativos**: **Erro**: Coletar dados de pesquisa (qualitativos) e analisar métricas do GA4 (quantitativos) de forma isolada, sem correlação. Isso impede a compreensão holística do \"porquê\" por trás do \"o quê\". **Como evitar**: Sempre configure dimensões personalizadas no GA4 para os dados de pesquisa e crie segmentos. Utilize as ferramentas de \"Explorações\" do GA4 para cruzar esses dados, por exemplo, analisando a taxa de rejeição de Detratores NPS em páginas específicas.\n2.  **Perguntas de Pesquisa Ambíguas ou Tendenciosas**: **Erro**: Fazer perguntas como \"Você não gostou do nosso novo recurso, não é?\" que induzem a uma resposta específica ou usar termos técnicos que os usuários não entendem. **Como evitar**: Utilize uma linguagem clara e neutra. Teste suas pesquisas com um pequeno grupo antes do lançamento total. Por exemplo, em vez de \"Nosso chatbot melhorou sua experiência?\", pergunte \"Qual foi sua experiência com nosso chatbot?\".\n3.  **Ignorar o Contexto do Dispositivo\u002FCanal na Análise**: **Erro**: Analisar o feedback de pesquisa de forma agregada, sem considerar se o usuário estava no desktop, mobile, ou qual canal de marketing o trouxe. Isso pode mascarar problemas específicos de experiência. **Como evitar**: Sempre que possível, capture o `device_category` e a `source\u002Fmedium` do GA4 junto com o feedback da pesquisa. Ao analisar no GA4, segmente por essas dimensões para identificar se, por exemplo, \"Processo complicado\" é um problema predominante apenas para usuários mobile vindos de campanhas de social media.\n\n---\n\n## Dicas Avançadas\n\n1.  **Análise de Sentimento de Respostas Abertas**: Implemente ferramentas de processamento de linguagem natural (NLP) para analisar automaticamente as respostas de texto livre das pesquisas. Isso permite identificar rapidamente temas emergentes, o tom emocional (positivo, negativo, neutro) e a intensidade do sentimento, priorizando os problemas mais críticos ou os elogios mais frequentes, que podem ser posteriormente validados com métricas de eventos GA4.\n2.  **Modelagem Preditiva de Churn com Dados Híbridos**: Combine os scores de NPS\u002FCSAT com eventos de comportamento do GA4 (e.g., `last_purchase_date`, `time_since_last_session`, `page_views_per_session`) em modelos de Machine Learning. Isso pode prever com maior precisão quais usuários têm alta probabilidade de churn antes mesmo de cancelarem, permitindo ações proativas de retenção.\n3.  **Cross-Device User Journey com Feedback**: Utilize o User-ID no GA4 (se implementado) para rastrear a jornada de usuários através de múltiplos dispositivos. Combine isso com o feedback de pesquisa para entender se a satisfação ou insatisfação está ligada a uma experiência fragmentada ou inconsistente entre dispositivos, impactando a atribuição de marketing de longo prazo.\n4.  **Segmentação Dinâmica de Audiências para Personalização**: Crie audiências GA4 avançadas que combinam dados de pesquisa (e.g., \"Promotores NPS que visitaram a página X, mas não converteram\") e utilize-as para campanhas de remarketing altamente personalizadas. Por exemplo, um promotor que visitou uma nova categoria de produto pode receber um e-mail com ofertas exclusivas para essa categoria, enquanto um detrator que teve problemas no checkout pode receber uma oferta de suporte ou um desconto especial para reengajamento.\n5.  **Testes A\u002FB com Base em Micro-Insights de Feedback**: Em vez de apenas testar grandes mudanças, use feedback de pesquisa para gerar hipóteses para micro-testes. Se 5% dos usuários mencionaram \"dificuldade em encontrar a política de troca\", crie um teste A\u002FB para aprimorar a visibilidade desse link no rodapé ou na página do produto, e monitore o impacto na taxa de conversão do funil e no CSAT geral.","# Survey Analysis\n\nEsta skill capacita o Claude a integrar e analisar dados de pesquisas com métricas do Google Analytics 4, correlacionando feedback qualitativo com comportamento quantitativo do usuário para otimizar jornadas e decisões de produto.\n\n---\n\n## Keywords\n\nNPS (Net Promoter Score), CSAT (Customer Satisfaction Score), CES (Customer Effort Score), Google Analytics 4 (GA4), Dimensões Personalizadas GA4, Métricas Personalizadas GA4, Eventos GA4, Explorações GA4, Funil de Conversão, Atribuição de Marketing, Feedback de Usuário, Pesquisa de Abandono, Segmentação de Audiência, Análise Pós-Compra.\n\n---\n\n## Quick Start\n\n1.  **Configurar GTM para Captura de Feedback**: Implemente tags no Google Tag Manager para disparar eventos GA4 e coletar dados de pesquisas (e.g., envio de formulário de NPS) como eventos e parâmetros, mapeando o score para um parâmetro como `nps_score`.\n2.  **Criar Dimensões Personalizadas no GA4**: Registre os parâmetros de pesquisa (e.g., `nps_score`, `reason_for_churn`) como dimensões personalizadas de escopo de usuário ou evento no GA4 para que os dados sejam visíveis nos relatórios.\n3.  **Segmentar Usuários por Feedback**: Crie segmentos de audiência no GA4 (e.g., \"Promotores NPS\", \"Detratores NPS\") usando as dimensões personalizadas para analisar o comportamento específico de cada grupo.\n4.  **Construir Relatório de Exploração de Funil**: Utilize a ferramenta de \"Explorações\" no GA4 para construir um funil de conversão e aplicar os segmentos de feedback, identificando onde promotores e detratores divergem na jornada.\n5.  **Correlacionar com Fontes de Atribuição**: Compare os segmentos de feedback com os dados de atribuição no GA4 para entender quais canais de marketing atraem usuários com maior satisfação ou menor intenção de churn.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Análise de Impacto do NPS na Retenção e Engajamento via GA4\n\nEste workflow detalha a integração de dados de NPS com o GA4 para identificar padrões comportamentais de promotores e detratores e otimizar estratégias de retenção.\n\n1.  **Configuração da Pesquisa NPS e Coleta de Dados**:\n    *   **Ferramenta**: Utilize uma ferramenta de pesquisa como Typeform, Qualtrics, SurveyMonkey ou uma solução in-house.\n    *   **Disparo**: Configure a pesquisa para ser disparada 7 dias após a primeira compra ou 30 dias após o cadastro, dependendo do ciclo de vida do produto.\n    *   **Integração GTM\u002FGA4**:\n        *   Ao submeter a pesquisa, envie um evento para o GA4 via Google Tag Manager (GTM).\n        *   Exemplo de configuração no GTM:\n            *   **Tipo de Tag**: `Google Analytics: Evento GA4`\n            *   **Nome do Evento**: `nps_survey_submit`\n            *   **Parâmetros do Evento**:\n                *   `nps_score`: `{{NPS_Score_Variable}}` (variável do GTM que captura o valor do NPS, e.g., de um campo de formulário)\n                *   `user_id`: `{{GA4_User_ID}}` (se disponível para matching)\n                *   `feedback_type`: `NPS`\n        *   No GA4, registre `nps_score` como uma **Dimensão Personalizada** de `Escopo do evento` (Nome: `nps_score`, Nome do parâmetro do evento: `nps_score`).\n\n2.  **Criação de Segmentos de Audiência no GA4**:\n    *   Acesse `Administrador` > `Visualização de dados` > `Audiências` no GA4.\n    *   Crie três novas audiências baseadas na dimensão personalizada `nps_score`:\n        *   **Audiência 1: Promotores NPS**: `nps_score` é MAIOR OU IGUAL A `9`.\n        *   **Audiência 2: Passivos NPS**: `nps_score` é MAIOR OU IGUAL A `7` E MENOR OU IGUAL A `8`.\n        *   **Audiência 3: Detratores NPS**: `nps_score` é MENOR OU IGUAL A `6`.\n    *   Estas audiências permitirão segmentar relatórios e explorações.\n\n3.  **Análise Comportamental com \"Explorações\" (GA4)**:\n    *   Vá para `Explorar` no menu lateral esquerdo do GA4.\n    *   Crie uma nova `Exploração de Funil` ou `Exploração de Caminho`.\n    *   **Exploração de Funil**:\n        *   Defina os passos do funil (e.g., `page_view \u002Fcarrinho`, `add_to_cart`, `begin_checkout`, `purchase`).\n        *   Aplique os segmentos \"Promotores NPS\", \"Passivos NPS\" e \"Detratores NPS\" ao funil.\n        *   **Insight Esperado**: Observar se os Promotores têm uma taxa de conclusão do funil significativamente maior que os Detratores, ou se os Detratores abandonam em etapas específicas (e.g., `checkout`).\n        *   **Exemplo**: Promotores têm 85% de conclusão de compra, Detratores apenas 30%, com a maior queda na etapa de `pagamento`.\n\n4.  **Correlação com Métricas de Engajamento e Retenção**:\n    *   Crie uma `Exploração de Tabela` ou `Formato livre`.\n    *   **Linhas**: `Audiência` (Promotores, Passivos, Detratores).\n    *   **Colunas\u002FMétricas**: `Sessões por usuário`, `Tempo médio de engajamento`, `Taxa de rejeição`, `Receita por usuário`, `Eventos de engajamento por usuário`.\n    *   **Insight Esperado**: Promotores tendem a ter maior `Sessões por usuário`, `Tempo médio de engajamento` e `Receita por usuário` em comparação com Detratores.\n    *   **Exemplo**: Promotores gastam em média R$500\u002Fmês, interagem com 15 páginas\u002Fsessão. Detratores gastam R$100\u002Fmês, interagem com 3 páginas\u002Fsessão.\n\n5.  **Análise de Atribuição (Relatórios de Publicidade)**:\n    *   Acesse `Publicidade` > `Atribuição` > `Caminhos de conversão` no GA4.\n    *   Filtre os relatórios pelas conversões desejadas (e.g., `purchase`).\n    *   Aplique a comparação de segmentos (Promotores vs. Detratores).\n    *   **Insight Esperado**: Identificar se determinados canais de marketing (e.g., Pesquisa Paga, Mídias Sociais) atraem proporcionalmente mais Promotores ou Detratores. Isso pode informar o ajuste do investimento em canais para atrair usuários de maior valor.\n    *   **Exemplo**: `Display Ads` trazem muitos Detratores, enquanto `Email Marketing` e `Pesquisa Orgânica` são fortes em Promotores.\n\n### Workflow 2: Otimização de Funis com Insights de Pesquisas de Abandono (Exit Surveys)\n\nEste workflow foca em utilizar dados de pesquisas de saída para entender as razões do abandono e otimizar funis de conversão no GA4.\n\n1.  **Implementação da Pesquisa de Abandono**:\n    *   **Disparo**: Configure um pop-up ou modal de pesquisa de saída (exit-intent survey) para aparecer quando um usuário demonstra intenção de sair de uma página crítica do funil (e.g., carrinho de compras, checkout, página de inscrição).\n    *   **Perguntas-chave**: \"Qual o principal motivo para você não concluir sua ação hoje?\", com opções como \"Preço alto\", \"Processo complicado\", \"Falta de informação\", \"Comparando preços\", \"Problema técnico\". E um campo de texto livre.\n    *   **GTM\u002FGA4**:\n        *   Ao submeter a pesquisa, envie um evento GA4, e.g., `exit_survey_submit`.\n        *   Inclua parâmetros como `reason_for_exit` (capturando a opção selecionada) e `page_abandoned` (URL da página onde a pesquisa foi preenchida).\n        *   No GA4, registre `reason_for_exit` e `page_abandoned` como **Dimensões Personalizadas** de `Escopo do evento`.\n\n2.  **Identificação de Pontos de Abandono no GA4**:\n    *   No GA4, vá para `Explorar` e crie uma `Exploração de Funil`.\n    *   **Funil**: Mapeie o funil de conversão relevante (e.g., `Visualização Produto` -> `Adicionar ao Carrinho` -> `Iniciar Checkout` -> `Comprar`).\n    *   Identifique as etapas com maior `taxa de abandono`.\n    *   **Exemplo**: A maior queda ocorre entre `Iniciar Checkout` e `Adicionar Informações de Envio`, com 60% de abandono.\n\n3.  **Correlação de Dados da Pesquisa com Abandono do Funil**:\n    *   Crie uma `Exploração de Tabela` ou `Formato livre`.\n    *   **Linhas**: `reason_for_exit` (dimensão personalizada da pesquisa).\n    *   **Colunas\u002FMétricas**: `Taxa de abandono` (para a etapa específica do funil), `Usuários`, `Sessões`.\n    *   **Filtro**: `page_abandoned` contém `checkout` (para focar na página de checkout).\n    *   **Insight Esperado**: Identificar quais razões de saída estão mais associadas aos usuários que abandonam em etapas críticas do funil.\n    *   **Exemplo**: Para a etapa `Iniciar Checkout`, 40% dos abandonos são atribuídos a \"Preço alto\" e 30% a \"Processo complicado\".\n\n4.  **Priorização de Otimizações**:\n    *   Com base na correlação, priorize as otimizações. Se \"Processo complicado\" é a principal razão para abandono no checkout, investigue a complexidade dos formulários, número de campos, clareza das instruções.\n    *   Se \"Preço alto\" for dominante, considere opções de frete, descontos ou comparativos de valor.\n    *   **Exemplo**: Ação prioritária é simplificar o formulário de `Adicionar Informações de Envio` e adicionar um indicador de progresso no checkout.\n\n5.  **Monitoramento Pós-Otimização no GA4**:\n    *   Após implementar as mudanças (e.g., simplificação do formulário de checkout), monitore a `taxa de abandono` daquela etapa específica do funil no GA4.\n    *   Utilize anotações no GA4 ou Google Sheets para registrar a data da implementação.\n    *   **Métricas de Sucesso**: Diminuição da `taxa de abandono` na etapa `Adicionar Informações de Envio`, aumento da `taxa de conversão` do funil geral.\n    *   **Exemplo**: A taxa de abandono na etapa `Adicionar Informações de Envio` caiu de 60% para 45% após a otimização.\n\n---\n\n## Templates\n\n### Script de Pesquisa de Satisfação Pós-Compra (CSAT)\n\n```markdown\n# Pesquisa de Satisfação Pós-Compra\n\nOlá [Nome do Cliente],\n\nEsperamos que esteja satisfeito com sua recente compra em nossa loja! Seu feedback é muito importante para continuarmos melhorando. Levará apenas 1 minuto.\n\n1.  **No geral, qual o seu nível de satisfação com a sua experiência de compra em nosso site hoje?**\n    *   [ ] Muito Insatisfeito (1)\n    *   [ ] Insatisfeito (2)\n    *   [ ] Neutro (3)\n    *   [ ] Satisfeito (4)\n    *   [ ] Muito Satisfeito (5)\n\n2.  **Qual foi o principal fator que influenciou sua resposta acima?**\n    *   [ ] Facilidade de navegação no site\n    *   [ ] Qualidade dos produtos\n    *   [ ] Preço e custo-benefício\n    *   [ ] Velocidade e custo do frete\n    *   [ ] Atendimento ao cliente\n    *   [ ] Opções de pagamento\n    *   [ ] Outro (por favor, especifique): [Campo de texto livre]\n\n3.  **O que poderíamos ter feito para tornar sua experiência ainda melhor?**\n    [Campo de texto livre para sugestões]\n\n4.  **Você recomendaria nossa loja a um amigo ou colega?**\n    *   [ ] Sim\n    *   [ ] Não\n    *   [ ] Talvez\n\nAgradecemos sinceramente seu tempo e feedback!\n\n[Link para Política de Privacidade]\n```\n\n### Plano de Ação Baseado em Insight de Survey e GA4\n\n```markdown\n# Plano de Ação - Otimização de Funil de Checkout\n\n**Data:** 2024-10-27\n**Responsável:** Equipe de Produto e Marketing Digital\n\n**Insight da Pesquisa:** 35% dos usuários que abandonaram o checkout mencionaram \"Processo de pagamento complicado\" ou \"Muitos campos para preencher\" nas pesquisas de saída (Exit Survey).\n\n**Dados GA4 Correlacionados:**\n*   **Relatório:** Exploração de Funil - Funil de Checkout.\n*   **Etapa Crítica:** \"Adicionar Informações de Envio e Pagamento\" tem uma taxa de abandono de 55%.\n*   **Segmento Detratores:** Usuários classificados como \"Detratores NPS\" têm uma taxa de abandono de 70% nesta etapa, comparado a 30% dos \"Promotores NPS\".\n*   **Dispositivo:** Abandono é 15% maior em dispositivos móveis nesta etapa.\n\n**Causa Provável:** Formulário de checkout longo e não otimizado para mobile, exigindo muitas informações desnecessárias ou com campos confusos.\n\n**Ações Propostas:**\n\n1.  **Simplificar Formulário de Envio:**\n    *   **Ação:** Reduzir o número de campos obrigatórios no formulário de envio. Consolidar campos (e.g., \"Endereço Linha 1\" e \"Linha 2\" em um único campo inteligente).\n    *   **Responsável:** Equipe de Desenvolvimento\n    *   **Prazo:** 2024-11-15\n    *   **Métrica de Sucesso (GA4):** Redução da taxa de abandono na etapa \"Adicionar Informações de Envio\" em 10%. Aumento da Taxa de Conversão de Checkout em 5%.\n\n2.  **Otimização Mobile do Checkout:**\n    *   **Ação:** Implementar design responsivo e teclados otimizados para cada tipo de campo no checkout mobile (e.g., teclado numérico para telefone\u002FCEP).\n    *   **Responsável:** Equipe de UI\u002FUX e Desenvolvimento\n    *   **Prazo:** 2024-11-30\n    *   **Métrica de Sucesso (GA4):** Redução da taxa de abandono mobile na etapa \"Adicionar Informações de Envio\" em 12%.\n\n3.  **Adicionar Indicador de Progresso:**\n    *   **Ação:** Incluir um indicador visual de progresso (e.g., \"Passo 1 de 3\") no topo do formulário de checkout para reduzir a percepção de complexidade.\n    *   **Responsável:** Equipe de UI\u002FUX e Desenvolvimento\n    *   **Prazo:** 2024-11-20\n    *   **Métrica de Sucesso (GA4):** Aumento do tempo médio de engajamento na página de checkout e redução da taxa de rejeição.\n\n**Monitoramento:** Acompanhamento semanal das métricas de funil no GA4, com relatórios de Exploração de Funil segmentados por dispositivo e audiência (NPS).\n\n**Próximos Passos:** Realizar testes A\u002FB nas alterações implementadas para validar a eficácia.\n```\n\n---\n\n## Checklist\n\n- [x] Dados de pesquisa (NPS, CSAT, Exit Survey) configurados para serem enviados como eventos e parâmetros para o GA4 via GTM.\n- [x] Dimensões personalizadas criadas no GA4 para cada parâmetro relevante da pesquisa (e.g., `nps_score`, `reason_for_exit`).\n- [x] Audiências de GA4 segmentadas com base nas respostas da pesquisa (e.g., Promotores, Detratores, Usuários que citaram \"preço alto\").\n- [x] Relatórios de \"Explorações\" (Funil, Caminho, Formato Livre) criados no GA4 para analisar o comportamento de cada segmento de feedback.\n- [x] Métricas de engajamento e retenção (e.g., sessões por usuário, tempo médio de engajamento, receita por usuário) comparadas entre os segmentos de feedback.\n- [x] Correlação entre as razões de abandono (pesquisa) e os pontos de queda no funil de conversão (GA4) identificada.\n- [x] Dados de atribuição no GA4 analisados para entender quais canais atraem usuários com diferentes perfis de feedback.\n- [x] Plano de ação detalhado com base nos insights de pesquisa e GA4, incluindo métricas de sucesso monitoráveis no GA4.\n- [x] Implementação de testes A\u002FB para validar otimizações derivadas dos insights da pesquisa.\n- [x] Monitoramento contínuo das métricas-chave no GA4 pós-implementação das otimizações.\n\n---\n\n## Métricas de Referência\n\n| Métrica                      | Benchmark (Varejo Online) | Meta (Otimizado)          |\n|------------------------------|---------------------------|---------------------------|\n| NPS (Net Promoter Score)     | 10-30                     | 40-60+                    |\n| CSAT (Customer Satisfaction) | 75-85% (4-5 estrelas)     | 90%+ (4-5 estrelas)       |\n| CES (Customer Effort Score)  | 4.0-5.0 (escala 1-7)      | 6.0-7.0 (escala 1-7)      |\n| Taxa de Abandono de Carrinho | 60-75%                    | 45-55%                    |\n| Taxa de Conclusão de Checkout| 25-40%                    | 50-60%+                   |\n| Receita por Usuário (Promotor)| 2x - 3x Detrator          | 3.5x+ Detrator            |\n\n---\n\n## Erros Comuns\n\n1.  **Não Integrar Dados Qualitativos com Quantitativos**: **Erro**: Coletar dados de pesquisa (qualitativos) e analisar métricas do GA4 (quantitativos) de forma isolada, sem correlação. Isso impede a compreensão holística do \"porquê\" por trás do \"o quê\". **Como evitar**: Sempre configure dimensões personalizadas no GA4 para os dados de pesquisa e crie segmentos. Utilize as ferramentas de \"Explorações\" do GA4 para cruzar esses dados, por exemplo, analisando a taxa de rejeição de Detratores NPS em páginas específicas.\n2.  **Perguntas de Pesquisa Ambíguas ou Tendenciosas**: **Erro**: Fazer perguntas como \"Você não gostou do nosso novo recurso, não é?\" que induzem a uma resposta específica ou usar termos técnicos que os usuários não entendem. **Como evitar**: Utilize uma linguagem clara e neutra. Teste suas pesquisas com um pequeno grupo antes do lançamento total. Por exemplo, em vez de \"Nosso chatbot melhorou sua experiência?\", pergunte \"Qual foi sua experiência com nosso chatbot?\".\n3.  **Ignorar o Contexto do Dispositivo\u002FCanal na Análise**: **Erro**: Analisar o feedback de pesquisa de forma agregada, sem considerar se o usuário estava no desktop, mobile, ou qual canal de marketing o trouxe. Isso pode mascarar problemas específicos de experiência. **Como evitar**: Sempre que possível, capture o `device_category` e a `source\u002Fmedium` do GA4 junto com o feedback da pesquisa. Ao analisar no GA4, segmente por essas dimensões para identificar se, por exemplo, \"Processo complicado\" é um problema predominante apenas para usuários mobile vindos de campanhas de social media.\n\n---\n\n## Dicas Avançadas\n\n1.  **Análise de Sentimento de Respostas Abertas**: Implemente ferramentas de processamento de linguagem natural (NLP) para analisar automaticamente as respostas de texto livre das pesquisas. Isso permite identificar rapidamente temas emergentes, o tom emocional (positivo, negativo, neutro) e a intensidade do sentimento, priorizando os problemas mais críticos ou os elogios mais frequentes, que podem ser posteriormente validados com métricas de eventos GA4.\n2.  **Modelagem Preditiva de Churn com Dados Híbridos**: Combine os scores de NPS\u002FCSAT com eventos de comportamento do GA4 (e.g., `last_purchase_date`, `time_since_last_session`, `page_views_per_session`) em modelos de Machine Learning. Isso pode prever com maior precisão quais usuários têm alta probabilidade de churn antes mesmo de cancelarem, permitindo ações proativas de retenção.\n3.  **Cross-Device User Journey com Feedback**: Utilize o User-ID no GA4 (se implementado) para rastrear a jornada de usuários através de múltiplos dispositivos. Combine isso com o feedback de pesquisa para entender se a satisfação ou insatisfação está ligada a uma experiência fragmentada ou inconsistente entre dispositivos, impactando a atribuição de marketing de longo prazo.\n4.  **Segmentação Dinâmica de Audiências para Personalização**: Crie audiências GA4 avançadas que combinam dados de pesquisa (e.g., \"Promotores NPS que visitaram a página X, mas não converteram\") e utilize-as para campanhas de remarketing altamente personalizadas. Por exemplo, um promotor que visitou uma nova categoria de produto pode receber um e-mail com ofertas exclusivas para essa categoria, enquanto um detrator que teve problemas no checkout pode receber uma oferta de suporte ou um desconto especial para reengajamento.\n5.  **Testes A\u002FB com Base em Micro-Insights de Feedback**: Em vez de apenas testar grandes mudanças, use feedback de pesquisa para gerar hipóteses para micro-testes. Se 5% dos usuários mencionaram \"dificuldade em encontrar a política de troca\", crie um teste A\u002FB para aprimorar a visibilidade desse link no rodapé ou na página do produto, e monitore o impacto na taxa de conversão do funil e no CSAT geral.",{"name":5,"risk":24,"license":15,"metadata":25,"description":7},"safe",{"author":26,"updated":27,"version":28,"category":29},"Cafe Code AI",1772323200000,"1.0.0","15-analytics-dados","main","78829df7586e34daf8fef82e785a4e05af2d44b1","packs\u002Fkit-510-ptbr\u002F15-analytics-dados\u002Fsurvey-analysis",1,"https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills","https:\u002F\u002Fskills.wonhub.net","https:\u002F\u002Fgithub.com\u002Fwonecosystem","https:\u002F\u002Fwonecosystem.com.br","2026-08-30 10:34:41",{"source":8,"skillName":5,"commands":40,"prompt":50,"zipAvailable":51},[41,44,47],{"tool":42,"command":43},"npx","npx skills add wonecosystem\u002F2300-skills --skill survey-analysis",{"tool":45,"command":46},"bunx","bunx skills add wonecosystem\u002F2300-skills --skill survey-analysis",{"tool":48,"command":49},"pnpm","pnpm dlx skills add wonecosystem\u002F2300-skills --skill survey-analysis","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F15-analytics-dados\u002Fsurvey-analysis\u002FSKILL.md",true,[],[54,61,68,75,82,89],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":58,"categories":59,"keywords":60,"publishedAt":19},"01M7C02HBG6X666A8JQ9R1G4W6","wedding-marketing","Wedding Marketing — Skill especializada para criar e executar estratégias de marketing digital para o mercado de casamentos, focando em noivos e fornecedores.","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Fwedding-marketing\u002FSKILL.md",[],[],{"skillNo":62,"name":63,"nameZh":6,"description":64,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":65,"categories":66,"keywords":67,"publishedAt":19},"01M7C02DKTNNHKMRPDQ730TAFW","travel-marketing","Travel Marketing — Skill especializada para travel marketing","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Ftravel-marketing\u002FSKILL.md",[],[],{"skillNo":69,"name":70,"nameZh":6,"description":71,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":72,"categories":73,"keywords":74,"publishedAt":19},"01M7C029ZD7DMD3B7RF1QJ32AZ","tech-startup-marketing","Tech Startup Marketing — Skill especializada para tech startup marketing","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Ftech-startup-marketing\u002FSKILL.md",[],[],{"skillNo":76,"name":77,"nameZh":6,"description":78,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":19},"01M7C025PZMHJ2GVS6J274MDR0","saas-marketing","Saas Marketing — Skill especializada para desenvolver e executar estratégias de marketing digital focadas no crescimento de produtos SaaS.","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Fsaas-marketing\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":86,"categories":87,"keywords":88,"publishedAt":19},"01M7C020XKCHZQ1SZKH8YK0AK6","restaurant-marketing","Restaurant Marketing — Skill especializada para otimizar a presença digital, atrair e reter clientes em restaurantes.","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Frestaurant-marketing\u002FSKILL.md",[],[],{"skillNo":90,"name":91,"nameZh":6,"description":92,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":93,"categories":94,"keywords":95,"publishedAt":19},"01M7C01WQNH6QCXK1XWKRR6N77","real-estate-marketing","Real Estate Marketing — Skill especializada para criação e execução de estratégias de marketing digital para o setor imobiliário.","https:\u002F\u002Fgithub.com\u002Fwonecosystem\u002F2300-skills\u002Fblob\u002Fmain\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Freal-estate-marketing\u002FSKILL.md",[],[]]