Cómo analistas, cuando afrontamos una campaña offline, uno de los grandes desafíos al que nos enfrentamos es conocer su repercusión e impacto y reportarlo al entorno online. En El Arte de Medir estos desafíos son los que más nos gustan. Por eso hoy queremos presentar junto con nuestro cliente Waynabox, un Business Case sobre la optimización de una campaña publicitaria (offline); y su impacto en el tráfico a la web (online).
El reto
Waynabox es una empresa que organiza viajes sorpresa a través de internet. Para darse a conocer, concertaron una campaña en televisión de captación y branding destinada a la acción, la cual se iba a traducir en el tráfico a su web y a su aplicación móvil. Nuestra misión: ver el impacto real de esta campaña offline en su entorno online.
Antiguamente se montaban las campañas teniendo en cuenta el impacto del tráfico directo en las métricas más habituales. Pero en El Arte de Medir queríamos conocer el impacto real y ponerle cifras; (o hacer la estimación más cercana posible). Así que la primera pregunta con la que empezamos fue: ¿qué datos son los verdaderamente importantes?
La labor del equipo Data Science
- Establecer una línea base de comportamiento
Antes de empezar con nuestro análisis, Waynabox llevaba midiendo el comportamiento de los usuarios de su web desde hacía varios meses. Esto se convirtió en una fuente inestimable de valor, ya que se pudimos establecer un histórico de patrones de conducta. Esto permitió sentar una línea base de comportamiento con la que analizar como los usuarios habían interactuado en campañas anteriores.
Con este flujo de datos, y teniendo en cuenta de antemano lo difícil que es etiquetar el tráfico offline que llega a una web; la primera aproximación que se hizo fue filtrar todo el tráfico para saber cuáles eran los principales canales por los que aterrizaban los nuevos usuarios a la web. Una vez identificados, se estableció la línea base de comportamiento y se comparararon los datos que llegaban de la campaña de publicidad. Esta acción estimó el impacto que la campaña publicitaria estaba ejerciendo en la web de Waynabox. Es importante destacar que no sólo se midió el tráfico, sino que también intervinieron otras métricas a nivel de negocio, como el engagement con los usuarios, las transacciones, etc.
- Correlación y medición de variables: el efecto recuerdo
Al conocer los datos de navegación de los usuarios y los datos proporcionados por la presión publicitaria en televisión (franja horaria, audiencia alcanzada, número de anuncios del bloque, el tipo cadena, etc.); se pudo correlacionar todo con el impacto de las métricas online. Ya lo dice el refrán: cuantas más variables haya, más rico es el resultado.
Todo este proceso se realizó a través de un modelado estadístico que trasladó los datos a una fórmula que nos ayudó a: explicar el tráfico de la web, los usuarios interesados en los productos, las reservas de viajes, etc. En este punto hay que añadir un paso intermedio muy importante; la visión del analista como parte integrante del negocio para ver qué variables son las que pueden afectar a la consecución final y decidir cómo hay que modelarlas.
En nuestro caso, hubo una variable decisiva. Partiendo de la premisa que un anuncio no se puede correlacionar en tiempo directo de la emisión en televisión con el acceso del usuario a internet, tiene que existir un efecto recuerdo, el cual que tiene que ser modelado.
Así, con este efecto recuerdo, se modelamos una variable que calculó el ratio de recuerdo que tenía para los usuarios el anuncio, teniendo siempre en cuenta la oscilación en función de la fecha y hora de emisión. Una vez obtenida esta variable, se incluyó en el modelo global para correlacionarla a alto nivel de lo que sucede entre el offline y en el online. Ante este punto, el gran trabajo fue determinar qué se iba a incluir.
- Recomendaciones a nivel de negocio
El análisis previo de los datos fue vital. En todo proceso de modelado estadístico, surge una gran cantidad de información muy importante a nivel de negocio que hay que saber correlacionar. En nuestro caso, y gracias al efecto recuerdo, se pudo contar con una base con la que poder optimizar de cara a futuro.
Al tratar de estimar el impacto de la campaña publicitaria, incluimos variables como las horas de los anuncios, la posición, el día de la semana, etc.; lo que nos permitió evaluar cuales eran las mejores horas y días de emisión. Estas recomendaciones estaban directamente relacionadas con el impacto y las conversiones.
La labor del equipo de Data Analysis
Gracias a la elección de las variables adecuadas, cuando llegó el momento de realizar el análisis, el trabajo fue mucho más fácil. Se pudieron exprimir los datos de una manera óptima para sacar conclusiones muy claras relacionadas con las horas de emisión y días de la semana que mejor funcionaban. A su vez, se correlacionaron estos datos con las visitas a la web, y lo que era más importante, el número de accesos al proceso de compra.
- Transmisión de conocimiento
Un punto a parte fue el relacionado con la transmisión de conocimiento; es decir, lo que proporcionaba el modelo estadístico con recomendaciones de negocio. Esto se llevó a cabo con periodicidad diaria debido a la fluctuación del perfil del usuario. (Por ejemplo, el público que ve la televisión por la mañana no es el mismo que el que la ve por la noche).
En base al modelo global y los datos que proporcionó Waynabox, se pudo establecer qué días de la semana funcionaba mejor un anuncio determinado. Además, constatando todos estos datos con los reflejados por Google Analytics, se realizaron diferentes recomendaciones acerca de qué franjas horarias y qué posición en la parrilla de anuncios eran los más óptimos para invertir.
- Conversión a futuro
Por último, otra de las variables a tratar fue la conversión a futuro. Waynabox es una web de viajes diferente y en este caso la variable recuerdo jugó un papel fundamental. El modelo realizado por el equipo de data science estimó la previsión en cuanto a tráfico web y conversiones que se esperaba si no hubiera habido campaña, y cuál era la real.
Nuestro análisis determinó que tras la campaña hubo:
- Un aumento del tráfico de visitas a la página web.
- Un aumento del tráfico de visitas al proceso de compra.
- Un ligero aumento de las ventas, pero no significativo.
Ante esto se concluyó que la campaña no se vio traducida inmediatamente en conversiones, cómo sí se vio beneficiada en sesiones. Esto fue debido a que los usuarios de Waynabox tienen un proceso de maduración de compra más largo en comparación con otros productos.
Si quieres conocer más detalles de este Business Case, puedes escucharlo a continuación de la mano del equipo de El Arte de Medir, José Ramón Cajide, Data Science & Big Data Analyst; y Jorge Llorente, Digital Analyst.
