Categoría: Análisis Predictivo

Todos sabemos que la analítica digital tiene como objetivo principal servir de ayuda en la toma de decisiones en la empresa, pero poca gente sabe aún la potencia real que puede tener sacarle partido a una herramienta, como por ejemplo, Google Analytics.

Solamente hay que fijarse en la evolución que ha tenido Google Analytics en los últimos años. Empezamos midiendo la conversión y sabiendo cúal era el único canal que nos generaba más conversiones; ahora ha entrado en juego todo lo que tiene que ver con modelos de atribución, que lo que intentan es ayudarnos a tomar una decisión basada en lo que dicen los datos sobre el peso de cada canal de origen, y poder saber así optimizar todas las campañas.

Últimamente, podemos constatar que en todas las herramientas se han empezado a incorporar nuevos tipos de métricas, que ya no son simplemente cuantitativas, sino indicadores que salen de la aplicación de métodos estadísticos y algoritmos que nos ayudan a tomar decisiones más acertadas y enriquecidas. La realidad es que estamos procesando gran cantidad de información, demasiado difícil de digerir para un departamento de marketing, por lo que debemos reducir toda esa dimensionalidad en unos indicadores estratégicos, los cuales requieren de la aplicación de técnicas estadísticas que nos ayuden a tomar decisiones más adecuadas para el negocio.

Es decir, debemos maximizar toda inversión que se haga en marketing, y poder saber qué es lo que realmente está funcionando y dando resultados. La analítica precisamente pretender dar luz, y poder ayudar a que el departamento de marketing tenga las pistas necesarias para saber qué se puede hacer, cómo lo puedo hacer, y sobre todo, para qué lo puedo hacer.

En este post os quiero contar un caso real, llevado a cabo por nuestro equipo de El Arte de Medir, y en el que voy explicando cómo combinando los datos de la navegación de los usuarios del entorno online de nuestro cliente en Google Analytics, pudimos ofrecer una valiosa información al departamento de Marketing sobre la probabilidad de conversión de cada usuario que se captó.

Qué hicimos

Esto es lo que en nuestro caso tomamos como punto de partida: ver cómo podíamos ayudar a nuestro cliente, no solo desde la parte de marketing, sino yendo un paso más allá: haciendo una analítica basada en el usuario. Lo que nos permite este enfoque, es comprender cúales son aquellas acciones que propician que el usuario esté más cercano a ese momento final de la conversión, sea cual sea esta conversión.

A través del análisis de usuario a usuario, es posible descubrir cúales son aquellos elementos o interacciones en la página web, que empujan al usuario a hacer la compra. No podemos olvidar, que muchas veces lo que tiene más probalidades de convertir no son los elementos vistos individualmente, sino la combinación de diferentes interacciones (p.ej ver un vídeo + que pasen por una determinada página + que consuman este determinado contenido).

Así que centrándonos en nuestro ejemplo, lo que hicimos es un scoring de los usuarios: es decir, nos centramos en medir la calidad del usuario en base a su probabilidad a convertir, y a cumplir nuestros objetivos de negocio.

Nos fijamos en este caso como objetivo ver si era viable el asignar a cada uno de los miles de usuarios que pasan por la web en un determinado periodo de tiempo, y poder estimar la probabilidad de que ese usuario estuviera más cercano a la conversión. Pero lo más enriquecedor de este proceso, fue descubrir que es el propio modelo el que identifica, no solo la calidad del usuario, sino también la calidad de los elementos que estás poniendo a su disposición, y que una vez identificados, los podemos optimizar para empujar a que precisamente cumplan dicho objetivo.

Con lo cual, a partir de aquí pudimos ayudar a organizar los contenidos de la web: elección de los mismos, apariencia, diseño, destacados, secciones….

Gracias a todo esto, hoy la analítica nos permite atribuir un peso real a cada paso en la conversión final. Obtenemos una forma de cuantificar, no solo a los usuarios, sino también a todos los contenidos.

Si además segmentamos estos miles de usuarios por el canal por el que han venido, podemos también ver el tipo de usuario que nos trae cada uno de los canales. Por eso hay que recordar, que la analítica no solo da servicio al departamento de marketing, sino también a los involucrados en diseño, en usabilidad, en los propios productos. Es una estrategia 360.

Al realizar un ejercicio como éste, obtenemos un resultado que es muy fácil de interpretar, y nos da además una calidad de usuarios en función de lo lejos o cerca que se encuentran del momento de conversión o decisión final. Y procedemos ahora a clusterizar los datos en 4 grupos que sean muy manejables desde el negocio, de tal forma que alguien desde el departamenteo de márketing pueda accionar, podrán decidir centrarse en uno u otro segmento, y por tanto llevar a cabo acciones muy personalizadas por cada tipo de usuario.

Cómo lo hicimos

Lo primero es aclarar, que aunque contamos con Google Analytics que nos aporta muchos datos, es imprescindible tener una buena implementación de la herramienta. En nuestro caso, teníamos todo correctamente implementado y contábamos con unos datos buenos y de calidad a nivel de usuario, así que nos centramos en hacer un buen tratamiento de ellos a la hora de extraerlos y cruzarlos de distintas fuentes. El proceso que seguimos para todo ello fué el siguiente:

1. Extrajimos todos los datos y las variables que necesitábamos a un conjunto de datos.
2. Los manejamos con un software estadístico, en este caso utilizamos R, pero se podría haber usado también por ejemplo Payton.
3. Procedimos a realizar un buen tratamiento de datos, siendo conscientes de que siempre encontraremos datos anómalos o datos extremos.
4. Llegados a este punto, nos toca enfrentarnos a las dificultades que fueron surgiendo, como puede ser por ejemplo, la gran variabilidad de los datos. Lo que hicimos aquí, fué aplicar algoritmos para crear usuarios ficticios que convirtieran, y a partir de ahí, pudimos aplicar modelos estadísticos y hacer distintas pruebas, hasta llegar a uno que nos sirviera para poder evaluar correctamente. El proceso para llegar a esto, se basa en recopilar todos los datos reales que tenemos, y dividirlos en dos grandes conjuntos de datos. A partir de aquí entrenamos los modelos con solo una parte.
5. Una vez identificado el modelo más fiable de todos, se procede a validar contra datos que no han pasado por el mismo, para poder verificar si son reales o no, y si se cumple que esos usuarios realmente han realizado el proceso de conversión o nó. Esto lo que nos da la clave de si el modelo es válido o no.

Continuando con nuestro caso real, terminamos con un modelo al cual le pasamos unas 80 variables, para finalmente acabar descartando aquellas que no eran significativas, y que no tenían sentido a la hora de explicar el comportamiento de los usuarios que realmente acababan convirtiendo; aun así, aunque nos quedamos con un gran volumen de datos, éstos eran fácilmente tratables.

Debemos saber que una vez tenido el modelo entrenado, y mientras no cambien las características de la web, podrá ser válido durante un tiempo hasta que haya que volver a entrenarlo.

6. Llega el momento de ponerlo en producción. Tenemos varias formas de hacerlo, pero la más sencilla es un proceso automatizado que extraiga semanalmente los datos de los nuevos usuarios que pasan por la página web, para detectar si realmente ha cambiado el comportamiento, o si sigue siendo válido nuestro modelo. A todos los usuarios que entran nuevos, los vamos a pasar por el modelo que hace el scoring, y se les va a asignar a todos ellos una probabilidad de conversión. Esto nos va a poder aportar información sobre qué tipo de usuarios estamos captando, por donde debemos captar más, y dar un poco de luz a este comportamiento de usuarios, conociéndolo en profundidad.

Qué conseguimos

Mediante la aplicación de un proceso de ciencia de datos, conseguimos extraer información verdaderamente accionable a nivel de negocio.

Por una parte, hemos podido entender, gracias a un modelo estadístico, cuales son los contenidos, los productos y las acciones que marcan el camino a la conversión del usuario en cliente. Esto ha permitido a nuestro cliente entender cuales son los puntos en los que centrar sus estrategias de marketing en aspectos como posicionamiento, generación de contenidos, o realización de campañas.

Ha podido clasificar también a los usuarios según su probabilidad de conversión, permitiendo realizar segmentaciones en las que aplicar estrategias distintas y además, al incorporar estos datos de nuevo a una herramienta como Google Analytics, ha facilitado a los analistas web y a la empresa, información actualizada diaria sobre la calidad de su tráfico, el rendimiento de sus campañas y mensajes en redes sociales.

Pero lo más importante es que hemos logrado que los datos nos ayuden a tomar decisiones ágiles, y con alto grado de acierto en entornos muy complejos, algo que sin duda es lo que buscan la mayoría de nuestro clientes.

En definitiva, lo que queremos transmitir es cómo una herramienta como Google Analytics combinada con el tratamiento de datos que podemos hacer con otra herramienta Opensource también gratuita, como puede ser el lenguaje R, puede ayudarnos a entender mejor al cliente potencial, a descubrir los elementos de peso a la hora de convertir a un usuario, y en definitiva, a impactar en el negocio.

Si quieres más detalles, escucha el podcast que comparto con Jose R. Cajide al respecto del tema del scoring en OndaCRO:

En el último mes:

En El Arte de Medir hemos salido en El Mundo hablando sobre Data Science 🙂

Una de las primeras cosas en las que la analítica digital empezó a ser útil fue en entender al consumidor, en saber sus intereses, sus hábitos online, etc… y en base a esa información se tomaban decisiones sobre la interacción que nuestra empresa debía tener con el cliente.

Es por esto que cuanto más rápidamente tratemos estos datos, más rápidamente tendremos la información que necesitamos sobre el comportamiento de los clientes, que cada vez cambia más rápido según su aprendizaje y el contexto que se encuentra en la competencia y en el sector donde nos encontremos. No olvidemos que en internet un cliente está a un click de irse a comprar nuestro producto o servicio a la competencia local o internacional. El tiempo real ayuda a tener esa capacidad de respuesta, pero no debemos dejar de lado también la capacidad de análisis que necesitamos para evitar la pérdida de clientes o para convencerles de forma más sólida de que nos ajustamos a lo que necesita y que se quede con nosotros sin dudarlo.

¿Por qué cuento esto? Porque todavía hay empresas que vienen a buscar nuestros servicios únicamente desde la perspectiva del marketing y no tienen en cuenta todo lo que la analítica es capaz de hacer por la empresa. Desde el desarrollo de negocio de la misma hasta desarrollo de los clientes, pasando por supuesto por la captación pero sin quedarnos exclusivamente ahí.

En 2015 la forma de enfrentarnos a los datos ha cambiado, los consumidores han cambiado, los canales han cambiado; es decir, todo el ecosistema que teníamos ha cambiado. Y hay que adaptarse a lo que cambia, por lo que hay que enfrentarse al Big Data con armas (convertirse en Data Scientist o Científico de Datos), hay que entender al nuevo consumidor con mejores algoritmos, hay que gestionar de manera más unificada los distintos canales y optimizar nuestra estrategia en base al nuevo ecosistema.

La nueva cantidad ingente de datos en su mayoría es información desestructurada que viene de muchas y diferentes fuentes y, como ya hemos comentado, a mayor velocidad. Esta información nos servirá para comprender el qué ha pasado para a partir de este conocimiento, detectemos patrones ocultos (o no) y poder predecir resultados y estrategias futuras. Solamente así la analítica se habrá puesto a la altura de las circunstancias.

A mí lo que más me interesa y en lo que creo que se centran poco las empresas habitualmente cuando realmente tenemos un horizonte brutal en este tema, es en el conocimiento del cliente, de su valor real. Ser capaces de trackearle a lo largo de los distintos canales y plataformas que tiene a su disposición y poder tener sus datos de manera individual para tratarle como lo que necesita: a nivel individual. Para ello necesitamos combinar toda la información registrada en cada canal para entender su comportamiento e interacciones con nuestros sistemas. El objetivo final será identificar patrones de comportamiento pero pudiendo granular hasta el individuo de forma que entendamos cómo ese patrón evoluciona en el tiempo y para cada individuo y podamos tomar decisiones (de marketing, de venta cruzada, de valor del cliente, de intereses en productos, de canales, de plataformas, etc…) en base a este conocimiento.

Efectivamente, nadie dijo que esto fuera a ser fácil porque para entender al individuo no podemos basarnos simplemente en su comportamiento online, también necesitamos historial offline, entender su entorno social, su entorno emocional, su entorno económico… y entender bien cómo todo afecta a su futuro como cliente nuestro. Es decir, los datos de su historial online y offline nos ayudan en la confección del análisis descriptivo, para saber o entender qué pasó con las interacciones del individuo con nuestra oferta de servicios o productos. Pero esto debe ser únicamente el primer paso. El siguiente ha de ser un análisis de diagnóstico que nos permita ir más allá para entender el por qué. El por qué adquieren un producto o servicio en ese preciso momento, por ese canal y después de ese impacto. Es decir, tenemos que ser capaces de entender las razones para poder incorporar esta información cualitativa al qué ha pasado.

Esta combinación del qué ha pasado y el por qué ha podido pasar nos dirige al análisis predictivo, que es el que nos permite en base al diagnóstico realizar hipótesis que predecirán futuras interacciones de cliente y podamos actuar en consecuencia y adelantarnos a las necesidades de los clientes, en materia de marketing, de optimización del entorno, conversión, o cualquier otra disciplina relacionada.

Para esto lógicamente necesitamos gestionar bien los datos y , si hasta ahora nos limitábamos (que no es poco) a hacerlo en hojas de excel, ahora hay que aplicar técnicas mucho más avanzadas que nos ayuden a aplicar matemáticas, estadística, etc… Para esto necesitamos perderle el miedo a la programación y cambiar de amigos. Nuestro mejor amigo no va a ser el Excel (lo que yo defendía estos últimos años) sino lenguajes como R o Python, que van evolucionando rápidamente y nos permite evolucionar nuestros análisis descriptivos y precisamente llevarlos a otro nivel.

Porque nuestra labor está precisamente en encontrar esas correlaciones entre variables que nos determinen la causalidad de las acciones y nos indiquen dónde podemos cambiar las cosas, dónde podemos mejorar, dónde vamos y dónde queremos ir. En tiempos de Big Data tenemos que ir al Data Science porque los datos presentan una mayor complejidad. Y si no evolucionamos y no somos capaces de gestionar esta información como debemos, da igual que tengamos tecnologías Ferrari con capacidad de almacenamiento y extracción brutales, no nos servirá para absolutamente nada.

Y ojo, que no estoy hablando de hacer grandes virguerías, que hablo de entender la adquisición de nuestros clientes, de analizar bien los factores de compra, la propensión, la inversión, la atribución por canal, la atribución por impactos,…. Hablo de ser capaces entonces de segmentar a nuestros clientes por perfiles, por tendencias, por patrones, por intereses…. para poder fidelizarles estudiando las ventas cruzadas, sus preferencias en canales, en productos, el por qué se van…. Hablo de entender qué gama de precios, qué valores añadidos, qué tipo de publicidad y mensajes funcionan y hacen que los potenciales y clientes nos relacionen mejor con la imagen que queremos dar. Hablo de entender la RENTABILIDAD de un cliente y de cómo hacer que sea lo más alto posible para cada individuo. Los datos están ahí, la organización es otra cosa.

No entiendo cómo hay empresas que aún no tienen CRM. Y menos a las que lo tienen pero no lo vinculan con la información que recogemos de otras fuentes. Porque se trata de comprender el valor monetario que tiene un cliente y que, dependiendo de éste, me va a hacer que una campaña a priori con buenos resultados finalmente no acabe siendo tan buena por el tipo de clientes que trae, por ejemplo. Conozco pocas empresas que introduzcan la métrica rentabilidad por tipo de clientes en sus dashboards estratégicos, por lo menos en sus dashboards sobre su estrategia online. Gran error.

Error porque si no soy capaz de entender lo rentable que me es un cliente poco voy a poder optimizarlo. Y es mucho más barato retener o hacer crecer un cliente que ir a por uno nuevo. Y sin embargo… ¿Dónde solemos poner el foco?. Pues eso. Y no hablo solamente de la rentabilidad del cliente en este preciso momento, sino de saber también su rentabilidad futura en base a lo que sabemos de clientes similares, si esto lo unimos a sus intereses, a su actividad en nuestros entornos, nos puede incluso servir saber su rentabilidad potencial. ¿Si no sé cómo el cliente si es rentable o cómo puede ser más rentable por qué estoy yendo a por más?

Un ejemplo básico: Además de introducir en un dashboard las métricas de tráfico y ventas por cada fuente de origen… por qué no incluir el nº de clientes nuevos que logra cada fuente de origen por un lado y el tipo de productos que compran además de los ingresos según la categoría a la que pertenece? ¿No cambia mucho la película?

Hay que invertir en marketing, pero será mucho más rentable si lo hacemos con conocimiento 🙂