¿Dónde está Avinash cuando se le necesita?

20 Feb 2017 | Informes

La verdad rara vez es pura, y nunca simple

Hoy, llegamos al final del camino. Llegamos al último paso de nuestra metodología ‘MAMBO’. La O de ‘ordenar y visualizar‘. En todo proyecto de analítica digital existen una serie de fases cuyos eslabones deben estar firmemente fijados y asentados si queremos tener éxito y sacar el máximo partido posible de los datos.

Como ya vimos hace unas semanas, cuando hablamos del Modelo de Madurez en Analítica Digital, la fase inicial de definición de Objetivos y KPIs resulta básica para construir nuestro proyecto y escalar nuestra pirámide de analítica digital. De igual modo, una correcta implementación de nuestra herramienta nos permitirá ir más allá y obtener toda la información que necesitamos para extraer valor a los datos. Por este motivo, el último eslabón de nuestra pirámide de datos es vital si queremos transmitir de forma correcta todo el valor que hemos extraído.

Actualmente con el Big Data tenemos una cantidad ingente de datos, por lo que entender y transmitir lo que los datos nos cuentan es necesario de forma visual, para poder determinar qué es lo importante y lo que nos va a ayudar a tomar decisiones.

Da igual lo bueno que sea el análisis que acabamos de hacer. Si no sabemos transmitirlo convenientemente, acabará en el cubo de la basura virtual y no le hará nadie caso, ni a nuestro informe, ni a nosotros.

El problema radica en que nos empeñamos en contar lo que hemos analizado hasta el último detalle y hacemos informes o powerpoints de un montón de hojas con un montón de datos, gráficos, indicaciones, flechas, etc… cuando lo que realmente necesita el receptor de ese informe es saber qué está pasando, qué puede pasar y qué puede hacer al respecto. Empecemos por el principio: Necesitamos conocer los objetivos que tienen los receptores del análisis. Saber qué quieren y qué necesitan para hacer su trabajo. De esto dependerá la profundidad del análisis y sobre todo las KPIs o los indicadores que incluiremos en el informe final.

Una vez terminado el análisis y sabiendo exactamente qué es lo que produce un resultado final, las KPIs que están involucradas, iniciaremos la selección de éstas y el formato de presentación que se adapte mejor a lo que queremos transmitir. El resultado debe ser un dashboard o cuadro de mando o informe en el que las KPIs se complementen entre sí y nos lleven de la mano a tomar acciones.

Debe quedar claro por dónde habría que seguir profundizando en caso de necesitar más detalles y sobre todo debe incluir unas conclusiones y recomendaciones. Lo más importante en este punto es que el analista ha de ser parte de la solución posible, nunca limitarse a señalar el problema. Lo ideal es que el resultado del análisis quepa en una única pantalla, ya que así concentramos toda la información en un formato que cualquiera ve sin necesidad de hacer scroll en su pantalla.

Si se trata únicamente de un dashboard que se realiza con cierta periodicidad, hay que dejar claro el “movimiento” de un periodo a otro, poner contexto en los datos para que el receptor sepa si el valor es el que debería tener o nos debería preocupar.

¿Qué tipo de herramientas podemos utilizar? La respuesta varía dependiendo del grado de complejidad de las visualizaciones que se ajusten a nuestros datos. Hemos realizado una selección de algunas herramientas disponibles en el mercado.

1. Herramientas gratuitas

Cuadros de mando en Excel: La principal utilidad de Excel a la hora utilizarla en nuestras visualizaciones radica en que permite establecer una estructura de extracción de datos flexible, y una automatización relativamente ágil y sencilla gracias a algunos softwares como Supermetrics.
Cuadros de mando en Google Spreadsheets: Se trata del homónimo de las hojas de cálculo de Excel, pero en la nube de Google. Si bien su flexibilidad y rapidez en lo que a extracción de datos se refiere es relativamente mayor a la de Excel.
Cuadros de mando en R: Si bien la verdadera utilidad de programar en R reside en su potencia a la hora de llevar a cabo profundos análisis matemáticos y estadísticos, no debemos olvidarnos de la gran variedad de paquetes disponibles que permiten visualizar todo tipo de análisis.

2. Herramientas de pago

Cuadros de mando en Tableau: Una de sus grandes bazas radica en su funcionamiento altamente intuitivo y visual, lo que facilita su uso independientemente de la base de programación que tengamos.
Cuadros de mando en Klipfolio: Se trata de una herramienta muy equilibrada en términos de diseño y flexibilidad. Es relativamente sencilla de utilizar, y al igual que en el caso de Tableau, se puede conectar a un gran número de fuentes de datos a través de su API.

Por último, ¿os pensabais que íbamos a terminar sin hablar de Google Data Studio? Ni mucho menos. Google Data Studio: Parece ser una herramienta que cuenta con los ingredientes necesarios para convertirse en uno de los grandes competidores dentro del mercado de la visualización: potencial y un margen de optimización tremendo. Su flexibilidad y el hecho de que resulte francamente intuitiva y fácil de utilizar, convierten a Google Data Studio en una herramienta a tener en cuenta de cara al futuro.

Una vez elegida la herramienta, vamos a diseñar la visualización:

Es interesante que siempre que partimos de un cuadro de mandos propio de la empresa o directamente de determinadas métricas en la herramienta, las personas se suelen centrar en KPIs relacionadas con el tráfico (visitas, rebote, tiempo en el sitio, páginas vistas…) y con la conversión (transacciones u objetivos alcanzados, ingresos, productos vendidos…). Los más avanzados incluso segmentan estas KPIs por distintos grupos de usuarios (relacionados con las fuentes de origen, el tipo de dispositivo, el lugar de procedencia, etc…).

Todo esto siempre es interesante como primer paso, sobre todo para que todo el mundo esté algo familiarizado con las distintas métricas que se pueden consultar, pero siempre se puede ir más allá, se debe ir más allá! Y por dónde empezamos? Por donde nunca nos equivocaremos: por la vinculación a negocio.

Por ejemplo, hagamos un test sobre nuestra propia web. Imaginemos que tenemos una tienda online. Sabemos el tráfico que atrae, el dinero que nos deja, los productos más vendidos, las páginas de aterrizaje más utilizadas y las que tienen más rechazo, disponemos de los detalles de cada campaña que hemos realizado online, hemos analizado el embudo de conversión para optimizar al máximo el formulario de compra, etc…

Es decir, sabemos qué está pasando y obramos en consecuencia. ¿Y ahora qué? Ahora vamos a entender el negocio y en qué puede ayudar la analítica digital. Lo más difícil no es construir el cuadro de mandos (bueno, el primero cuesta más que los siguientes jajaja) sino dar con la información necesaria para que sea efectivo. Esa es la cuestión: tiene que ser de utilidad.

Pongamos que el receptor es el equipo de marketing, que necesita saber por un lado su inversión en distintas campañas y ponerlo todo en un contexto de tráfico. También necesita saber el interés que se genera en cada categoría y luego en cada producto para detectar cuál destacar en distintos canales dependiendo de su rendimiento. Y finalmente, como la publicidad es distinta dependiendo de las ciudades donde se establecen las campañas, necesitamos saber cómo se distribuye el tráfico por dichas ciudades.

No podemos olvidar las métricas globales, que nos van a permitir saber cómo vamos en conjunto esa semana y por supuesto cuánto nos estamos desviando del objetivo de negocio a conseguir. Para ello necesitamos combinar datos online de la herramienta y datos offline (que pueden estar en una base de datos o en cualquier otro sistema que se puede automatizar igual que Google Analytics).

Todo esto nos lleva a proponer un cuadro de mando como éste, realizado en Excel con llamadas a la API de Google Analytics, a la base de datos propia con los datos offline y a la API de las distintas redes sociales:

Se empieza por la parte superior, con las métricas globales y su evolución tanto mensual como anual. En la parte central se empieza a segmentar estas métricas, a la vez que se da importancia al rendimiento en base al objetivo primordial del negocio. La parte inferior se dedica a otras segmentaciones importantes y se descarga la zona inferior derecha con gráficos evolutivos de los datos de la zona inferior izquierda. En este caso, el gráfico lo necesita un profesional del marketing con experiencia financiera y no hay problema en generar muchos datos en tablas. Si el receptor es alguien que ve mejor la información de manera visual, se cambiarían las tablas por gráficos.

La buena noticia es que en la fase final todo estará automatizado y solamente tenemos que cambiar la fecha para que todos los datos se actualicen y tengamos en nuestras manos un instrumento eficaz para tener claro qué está pasando y dónde podemos atacar.

Si los objetivos cambian, se modifica el dashboard. Normalmente lo que suele ocurrir es que a partir de este cuadro de mando detectemos un problema y entonces vayamos a bucear en la herramienta, ya con un objetivo claro en la mente, para hacer un informe especializado en lo que se detecte que se puede optimizar.

La idea es que este informe nos marque el camino, nos sirva para invertir nuestro tiempo en lo que realmente hace falta y nos permita crecer como analistas y al negocio a focalizar los esfuerzos.

Si quieres seguir profundizando en este tema, aquí tienes el podcast con Jorge Llorente donde hablamos sobre visualización de datos:

30 Ene 2017 | Análisis Completo

Poca gente es capaz de prever hacia donde les lleva el camino hasta que llegan a su fin.

El proceso de análisis lo he comentado hasta la saciedad en este blog, diversas técnicas y metodologías, se puede realizar desde muchas perspectivas, pero es clave tener en mente los tres pasos básicos para llegar a realmente impactar en el negocio. Empezamos por el primero para entender las circunstancias, después abordamos el segundo para establecer las hipótesis y finalmente el tercer paso es el que supone el impacto, el que nos da el resultado traducido en acciones a realizar sobre la estrategia.

Si recordamos el modelo de madurez de la Analítica, tendríamos el análisis descriptivo en los primeros niveles de madurez, relativos a las técnicas de análisis digitales mientras que el análisis Predictivo se concentra especialmente en la etapa de Análisis Competitivo mediante el uso de Modelos Estadísticos. La idea es partir de la pregunta de negocio (“M” de Meditar sobre el negocio), identificar las KPIs que voy a necesitar para recogerlas de las diferentes fuentes de origen (“A” de Adquisición de datos), verificar que los datos que conforman mi dataset son correctos (“M” de Manejar los datos), y en este punto ponernos a trabajar en sacarles el máximo jugo a la información que se nos presenta:

Primer Paso – Análisis Descriptivo:

Describe el pasado y el presente, el qué pasó y qué ha pasado. Se basa en el Business Intelligence de toda la vida, en busca del conocimiento que nos permitirá saber cómo afrontar el futuro.

Segundo Paso – Análisis Predictivo:

Busca realizar predicciones en base a lo que ha pasado para convertir el dato en información accionable. En este tipo de análisis se utilizan los datos para determinar el resultado posible de un evento futuro o lo que obtendremos si no realizamos acción ninguna. Abarca una amplia variedad de técnicas estadísticas: desde modelado, aprendizaje automático, teoría de juegos… que analiza hechos históricos para hacer predicciones sobre eventos futuros. En definitiva, se trata de procesos que explotan los patrones que se encuentran en los datos históricos y transaccionales para identificar los riesgos y oportunidades.

Tercer Paso – Análisis Prescriptivo:

Se refiere a la transformación del conocimiento en acción. El análisis prescriptivo se basa en la idea de realizar toda acción que esté en nuestra mano para que el resultado previsto mejore respecto a una predicción inicial. Son las recomendaciones basadas en lo que ha pasado que es lo que nos dice el análisis descriptivo y en los modelos predictivos que construimos para saber qué tocar, cuándo y dónde de forma que mejoremos el futuro. Es decir, nos centraremos en este tipo de análisis en identificar oportunidades buscando mejorar el resultado esperado y aprendiendo de la experiencia de entender qué pasa y por qué.

Es decir, la idea es llegar siempre a un análisis prescriptivo: con el objetivo de negocio en la mente (subir la tasa de conversión un 2%), la estrategia clara (disminuir la tasa de rechazo un 20%) y la táctica a poner en marcha (rediseño de páginas de aterrizaje). Todo ello complementado con los datos de inicio (50% de las visitas se van sin interaccionar con nuestro sitio web – descriptivo) y teniendo preparado con el análisis predictivo la contrapartida a qué pasará si no se hace nada pero se aumenta un 25% la captación (con la inversión que ello conlleva).

En el podcast hay más información sobre las técnicas de análisis que nos llevan al resultado final 🙂

16 Ene 2017 | Análisis Completo, Analista Web

El camino verdadero pasa por una cuerda, que no está extendida en alto, sino sobre el suelo. Parece preparada más para hacer tropezar, que para que se siga su rumbo.

Seguimos con la explicación del método MAMBO para el trabajo del analista o científico de datos. Ya explicamos hace unos días la (M) de Meditar sobre el negocio, la (A) de Adquisición de datos y hoy tenemos por delante explicar la (M) de Manejar los datos. ¿Preparados?

Esta fase es la que tiene más miga desde hace unos cuantos años. Hasta ahora, el analista tomaba los datos de la herramienta de analítica que tocara, Google Analytics por ejemplo, y empezaba a buscar insights directamente en dichos datos. Ahora no, ahora es más complicado pero mucho más divertido 🙂

Desde que entró en escena el Big Data, no basta con tomar los datos de la herramienta como si en ellos estuviera la verdad absoluta. Ahora toca extraer los datos de todas las herramientas disponibles, tratarlos, cruzarlos, limpiarlos y dejarlos listos para empezar a trabajar. Es una parte del proceso absolutamente decisiva, pues será el momento en el que detectemos si la calidad de los datos es suficientemente buena para seguir avanzando. Además, exploraremos la información para descubrir si ofrece lo que necesitamos para los siguientes pasos y validaremos que tenemos todos los datos para el análisis. Esta clase de operaciones, en general, están más cerca de perfiles ‘data scientist’ (científicos de datos), que están más cerca de la capa técnica que los analistas, que están más cerca de la capa de negocio.

De ahí que no me vaya a centrar ahora en hablar de herramientas para la preparación de los datos, sino en las diferentes operaciones que vamos a llevar a cabo sobre estos datos para poder avanzar en nuestra metodología. Por tanto… ¿Qué se plantea el analista, cuando tiene que enfrentarse a un análisis y encontrar respuestas a las preguntas de negocio? Lo primero que realizamos es un análisis exploratorio de los datos. Este análisis consiste en la comprobación de los formatos de las distintas variables que tenemos en nuestro conjunto de datos, se visualizan las primeras y las últimas filas y realizamos una descripción básica a nivel estadístico, valores medios máximos, mínimos y desviaciones.

El siguiente paso sería comprobar los ‘outlier’, es decir, los valores atípicos o valores extremos. Tendremos que buscar los valores extremos o atípicos, para que estos valores pueden ocasionar un análisis erróneo. Podemos hacerlo con algún método exploratorio básico, incluso graficando los datos, o con un modelo matemático que los detecte automáticamente en base a cálculos sobre desviaciones típicas o dispersión.

Otra de las situaciones con las que nos encontramos, es la de la existencia de valores anómalos, que no tienen por qué corresponderse con valores extremos. Estos valores muchas veces están enmascarados en nuestros datos y son una fuente de información muy valiosa.

El siguiente paso consistirá en añadir nuevos datos a nuestro ‘dataset’, incorporar nuevas variables fusionando distintas fuentes de los mismos. Del mismo modo, una de las partes que más tiempo consume al analista es la relacionada con la integración de datos de otras fuentes. En ocasiones, nos enfrentaremos a la necesidad de unir datos de nuestra herramienta de analítica con el back up interno de la empresa, que puede ser un CRM, RP u otra fuente de datos disponible. Estas operaciones pueden ser tan sencillas como hacer una unión entre tablas, el problema surge cuando no tenemos identificadores, variables o claves únicas por las que poder relacionar conjuntos de datos distintos.

El objetivo de esto es poder realizar análisis más ricos y potentes, creando cuanto más contexto mejor y obteniendo una foto mucho más completa de lo que necesitamos para empezar a buscar insights.

Por último, no hay que olvidar la ordenación de los datos y la limpieza de los mismos. Ordenar entiendo el concepto como poner todos los datos en un formato común para poder trabajar con ellos desde la herramienta de procesamiento elegida (R, Python…). Estas herramientas funcionan de manera más eficiente con datasets simplificados con pocas columnas pero muchas filas.

En resumen, el objetivo de esta clase de técnicas como comprobar los valores atípicos o incorporar nuevas fusiones de datos u ordenar el dataset o simplificarlo, no es otro que el de preparar los datos que extrajimos en el paso previo para comenzar a Buscar en los datos, que es el paso siguiente de nuestra metodología MAMBO.

Si quieres profundizar más en el concepto del manejo de los datos, puedes escuchar este podcast en PRNoticias sobre este tema 🙂

02 Ene 2017 | Análisis Completo

Cuando menos lo esperamos, la vida nos coloca delante un desafío que pone a prueba nuestro coraje y nuestra voluntad de cambio.

Seguimos con la explicación del método MAMBO para el trabajo del analista o científico de datos. Ya explicamos hace unos días la (M) de Meditar sobre el negocio. Ahora toca la (A) de Adquisición de datos.

Como ya he repetido hasta la saciedad, el objetivo de nuestro trabajo como analistas es ayudar al negocio a tomar decisiones estratégicas para mejorar respecto a sus competidores. Esa labor implica generar conocimiento, tanto propio como de la competencia conociendo tanto las amenazas y oportunidades, como nuestras fortalezas y debilidades. El conocimiento no es algo que surja de la experiencia o que aparezca de forma divina, sino que viene a través de un proceso.

Este proceso puede ser muy muy largo pero siempre debe partir de la información. Ésta, debe ser previamente recopilada, procesada y contrastada. Podemos considerar la información como un conjunto de datos, que tendrá un volumen más o menos grande, más o menos completo y más o menos veraz. Siempre recopilado de distintas fuentes, al que le añadiremos un valor y una utilidad.

La suma de distintas informaciones, que pueden estar relacionadas entre sí o no, nos resultarán en un nuevo conocimiento o, al menos, el enriquecimiento del ya adquirido. De alguna manera, desde un punto de vista simplista, podríamos asociar las distintas fases de transformación de los datos en información asociado a un grupo o rol de una persona concreta, así mientras la captura de datos puede ser el resultado de labores básicamente técnicas, no cabe duda de que el valor añadido a esos datos o el descubrimiento de la utilidad final quedan bajo el paraguas de los analistas de negocio.

De igual forma, la aplicación del conocimiento generado o cada uso específico podría parecer una labor exclusiva del usuario de negocio, que al fin y al cabo es el destinatario último del mismo, limitando la acción del analista a una mera función de suministrador o proveedor. Sin embargo, nada más lejos de la realidad.

El analista no debe esperar a contar con los datos ya recopilados por el técnico, sino que debe involucrarse desde el principio. No debe limitarse solamente a transmitir el conocimiento al usuario final del negocio, debe acompañarle y ayudarle a integrar ese conocimiento a los objetivos estratégicos.

Podemos considerar al analista de negocios una pieza esencial en los engranajes de conversión de datos en conocimiento. Lo primero que hay que hacer es recopilar los datos. La transformación de la era de la información ha sido posible gracias a una capacidad de adquirir y almacenar datos, de una forma eficiente y barata. Esta facilidad nos llevó en un pasado a recopilar cualquier tipo de información sin control ni criterio, este es un error que poco a poco va enmendándose.

No basta con almacenar todos los datos que podamos recopilar. Es necesario un análisis previo que nos responda preguntas como… ¿Dónde están los datos que necesito? ¿Qué tengo que hacer? ¿De qué manera se forman esos datos? ¿Puedo relacionar los datos entre sí? ¿Dónde deposito el resultado de esa recopilación? En este caso optaremos por seguir una estrategia análoga a la seguida en la inteligencia de negocio. Las fases de extracción, transformación y carga de los datos (ETL).

En general, los orígenes de datos dependerán de la estrategia y de los objetivos que el negocio haya definido previamente, como de las limitaciones impuestas de forma externa al mismo. Puede no ser suficiente, vivimos en un mundo cambiante, en el que la opinión del usuario varía constantemente debido a factores externos y, es preciso recopilarla a medida que esta información se genera. El auge de las redes sociales y el uso de medios digitales lo han hecho posible.

Como hemos visto, los datos pueden estar almacenados en sistemas muy diversos. En el pasado el acceso a estas fuentes de datos estaba muy limitado a las propias herramientas que las almacenaban, resultando una difícil integración con otras fuentes externas y dando lugar a siglos de información. Afortunadamente, esta tendencia ha ido evolucionando a una búsqueda de conocimiento global, a partir de información de muy diversa índole. Esto ha sido posible a través de un proceso de apificación de arquitecturas de información, entendiendo este proceso como la definición y publicación de funciones de APIs (Aplication Program Interface), por parte de los sistemas de integración que dan un formato y un uso más o menos unificados. El uso de estas funciones democratiza la consulta de datos de sistemas y permiten extraerlos en formatos conocidos por todos, con fácil almacenaje y procesamiento posterior.

No todos los datos almacenados en los sistemas son accesibles vía API, por lo que la función del analista es imprescindible a la hora de identificar las funciones que mejor se adaptan al objetivo buscado, así como las deficiencias técnicas o funcionales que impiden alcanzarlo. El proceso puede no resultar sencillo, pero, afortunadamente en la actualidad es posible encontrar herramientas que nos permitan realizar todo el proceso unificando distintas fuentes de datos, relacionándolas entre sí y almacenándolas de forma eficiente.

En resumen, estamos en el paso dos de la metodología MAMBO que maneja un analista de negocio. En la ‘A’ de adquirir los datos, este abanico de fuentes puede ser amplísimo, tanto dependiendo de la naturaleza del propio dato como del sistema que los genera. Incluso del objetivo que se pretende buscar. Lo importante es relacionar las fuentes de datos entre sí, creando una estrategia de almacenamiento de extracción, de transformación y carga potente en base a la utilidad que vamos a dar a dichos datos, para garantizar que estamos recogiendo los que nos van a proporcionar información y valor para el negocio.

El analista debe involucrarse desde el principio para entender cuanto de cerca estamos de cumplir los objetivos. Esta es la base que nos va a llevar al éxito en cualquier proyecto de análisis que vayamos a acometer.

Aquí tienes más información sobre este interesante tema 🙂

28 Dic 2016 | Análisis Completo

Camina como si estuvieras besando la tierra con tus pies

Es el momento de explicar en detalle la metodología MAMBO para tener una buena cultura orientada a datos. Empezamos por la (M) de MEDITAR LOS DATOS. La tarea más importante de un analista o científico de datos es tener claros los objetivos del negocio. Sin conocer estos objetivos, será imposible crear y manejar una cultura de empresa basada en los datos. Es la base de nuestra estrategia.

Los objetivos deben ser específicos, realistas y sobre todo se deben poder medir. El analista/científico de datos debe ser responsable de facilitar el proceso de la definición de objetivos de negocio, junto con los influenciadores y responsables de negocio. ¿Cómo podemos ayudar? Conociendo nuestro site y preguntándonos: ¿Por qué existimos en Internet?; ¿Qué estamos aportando al negocio?; ¿Qué pretendemos sacar y cómo podemos hacerlo?. Los objetivos pueden focalizarse en el propio negocio, o en las necesidades de los clientes.

Los que se refieren al negocio se clasifican en dos grandes grupos. Los que hablan de bajar costes y los que hablan de incrementar beneficios, así como cualquier combinación entre ambos.

Este tipo de objetivos pueden referirse a:

Dirigir tráfico a otros canales offline y explotar la venta cruzada (conseguir un 30% de las ventas o llevar un 20% de clientes a pedir más información en el call center).
Testar nuevos productos o promociones o diseños o usabilidad (incrementar un 2% las solicitudes de contratación de un nuevo producto).
Generar leads o contactos (obtener 1.000 nuevos clientes).
Monetizar contenido y marketing (disminuir 5% el coste de un nuevo cliente por la web, aumentar 1% el ROI de cada campaña ).
Construir imagen de marca (relevancia de la marca en el sector, en buscadores, en redes sociales).
Rebajar los costes de servicio al cliente y del call center (reducir en un 20% el número de clientes que llaman al call center mediante la resolución de incidencias online).
Ahorrar tiempo y dinero al facilitar tareas que forman parte de nuestra rutina (disminuir 15% el coste de material de papel y sellos y un 10% los costes de dedicación de personal).

Los objetivos que se centran en el cliente tienen como reto conseguir un canal eficiente para los visitantes, y proveer de un alto nivel de personalización y relevancia a nuestra web:

Incrementar el nivel de servicio al cliente, centrándonos en el antes (aumentar 5% el paso de potenciales a clientes), el durante (información de los productos y servicios), y el después (garantías, reparaciones, atención al cliente).
Comunicar información de la compañía, exponer catálogo de productos (incrementar 5% el tráfico a nuestro site).
Fidelización del cliente y apoyo a la venta (aumentar 30% la recompra del cliente en el mismo mes de la adquisición).
Crear experiencia de producto y de cliente (conocer las preferencias de nuestros usuarios para dar mejor servicio).
Permitir el feedback de nuestros clientes (subir un 10% el índice de satisfacción de clientes).

Cuando tengamos claros los objetivos de nuestra organización en general, y de cada departamento en particular, nuestra tarea será definir las métricas necesarias para saber cuan cerca o lejos estamos de alcanzarlos, estableciendo un plazo de control sobre los mismos.

Será el momento de decidir cómo vamos a medir cada objetivo, qué métricas están implicadas y cómo podemos conseguir llegar al objetivo.

Como ejemplo, podemos tomar el objetivo de aumentar un 30% la recompra de un cliente en un semestre. ¿Qué métricas pueden ser importantes a tener en cuenta para formar la KPI que mejor defina si estamos teniendo éxito en nuestro objetivo? Se me ocurren unas cuantas que, a cualquier negocio que tenga este objetivo, pueden resultar interesantes:

Número de visitas en el periodo
% visitas de clientes en el periodo respecto al total de las visitas
% visitas que se interesan por alguno de nuestros servicios o productos
% visitas que terminan cumpliendo el objetivo
Recency (cuanto tardan los clientes en volver)

En nuestras manos, está el decidir qué composición haremos para medir en qué punto estamos. Esto depende del negocio y del propio objetivo en sí. Definir objetivo y recopilar métricas, la base de todo buen guión.

Estudiamos varias posibilidades para adaptar una metodología que nos resultara efectiva y nos decantamos por la de Nokia (whitepaper para descargar). Me ha parecido un ejercicio sumamente completo y que puede servir como base a una buena estrategia de establecimiento de objetivos para un proyecto de analítica web, así que hoy la comparto aquí.

La metodología se basa en agrupar los objetivos por tipo y se definen 4 tipos diferentes:

Adquisición o de alcance. Se refieren a llegar a que los usuarios visiten nuestro sitio online.
Activación o Compromiso. Engloban toda interacción con el visitante, como el consumo de contenido, navegación interna…
Conversión. En cualquiera de sus formas, saber cuántas visitas de nuestro sitio consiguen llegar al éxito
Retención. Trabajar en retener al visitante, se refieren por un lado a hacer que el visitante vuelva, que siga convirtiendo en el mismo producto y en otros (reconversión).

Realmente, el éxito de nuestro sitio web dependerá de en qué medida se consiguen estos 4 tipos de objetivos desde la perspectiva de la experiencia de usuario.

Los pasos necesarios para llevarla a cabo son sencillos:

Hacer una lista de los objetivos generales del sitio web: básicamente listar las razones por la que está diseñado el sitio. Un ejemplo sería “Conseguir los ingresos máximos a través de la venta online”.
Debajo de cada objetivo general, añadir microobjetivos dependientes de dicho objetivo: es decir, listaremos lo que queremos que haga el usuario para cumplir los objetivos. Siguiendo el ejemplo, podríamos considerar microobjetivo “Que los usuarios compren los productos” o “Generar venta cruzada”.
A continuación, preguntarnos qué hace falta para llegar a cumplir los objetivos: o sea, qué tiene que pasar en la web para que logremos el éxito. Como ejemplo tendríamos “Registrar el usuario” o “Check out del carrito de la compra” o “Tener la transacción validada por el banco”.
Asociar a cada microobjetivo el tipo de objetivo que es: de adquisición, de activación, de conversión o de retención. En los ejemplos anteriores, ambos microobjetivos son de conversión (para ver la imagen ampliada, click):

Crear en base a los objetivos un mapa donde se ubiquen todos los microobjetivos para verificar que no se nos haya pasado listar objetivos relativos a alguno de los diferentes tipos: siempre tendremos que tener un equilibrio entre todos los objetivos, debemos atraer visitas, hacer que se enganchen a la web, convertirles en clientes y hacer que vuelvan en un futuro:

Es el momento de listar los puntos de cada microobjetivo, para enriquecer el mapa e ir dibujando la estrategia:

Finalmente, asociar las KPIs a cada microobjetivo de la lista. Este es quizás este es el punto más peliagudo de la metodología. Lo importante es partir de las KPIs más generales e intentar adaptarlas y personalizarlas para nuestros objetivos propios.

Debemos hacer el ejercicio de listar todos los objetivos que tiene el sitio web, asociar los microobjetivos de todos los tipos para tener la visión global, generar las KPIs para saber cuán cerca o lejos estamos de cumplirlos y tener una base sólida para la generación de dashboards sobre el rendimiento de nuestro negocio.

En definitiva, lo básico es entender bien los objetivos y targets de nuestro negocio para poder descubrir las KPIS implicadas y así ser capaces de determinar si nuestra estrategia online está o no funcionando. Os recomiendo encarecidamente que leáis el whitepaper completo porque no tiene desperdicio.

En la analítica no sirve de mucho empezar la casa por el tejado. De nada sirve sacar cientos de datos si no nos van a ayudar a tomar decisiones que mejoren nuestro site. De nada sirve gastarse un dineral en una herramienta de analítica si no tenemos a alguien que interprete estos datos. De nada sirve interpretar estos datos si luego no los exponemos de la manera adecuada. Y finalmente de nada sirve exponerlos correctamente si no van dirigidos a la persona capaz de cambiar el destino de la web.

Cada site tiene su objetivo general. Cada proceso tiene su objetivo particular. Y los objetivos no tienen por qué ser los mismos para todo el mundo. El que es de Marketing querrá ver cumplido su sueño de millones de clicks en ese anuncio que ha costado un dineral en determinada página externa. El que pertenece a negocio será feliz si se cumplen las expectativas de vender muchísimos productos en esta nueva campaña. El diseñador, si el mayor porcentaje de conversiones ha pasado por esa llamada a la acción que puso en la home. El responsable de internet querrá aumentar escandalosamente la cifra de clientes que visitan nuestro site, que se quedan un montón de tiempo navegando por un sinfín de contenidos y comprando a diestro y siniestro.

Igual que hace unas semanas comentábamos algunas de las métricas más utilizadas para medir el rendimiento y progreso de una web, como las que tienen que ver con la fidelización, el marketing, las ventas y el tráfico, ahora es el momento oportuno para determinar cuáles son las que mejor se podrían adaptar a nuestro negocio, a cuales podemos sacarle más jugo y pueden representar mejor nuestros objetivos. Porque si le damos al de marketing los datos de fidelidad, a los de negocio los de tráfico, al diseñador los de marketing y al de internet los de las ventas únicamente, no hacemos nada.

Y muchas veces (es triste pero cierto), ni esas personas saben las métricas que les pueden ayudar a tomar decisiones. Hay que tener la creatividad suficiente como para indagar, ponernos en sus zapatos y decidir qué objetivos pueden tener cada uno de los departamentos involucrados. ¿Qué métricas nos pueden ayudar a tomar decisiones?

Están las que ya hemos hablado, la tasa de rebote, la tasa de conversión, loyalty, recency, coste por conversión, valor de la conversión, pero si quisiéramos ajustar un poco más, podemos determinar según el propósito del site cuáles son las métricas que pueden definir mejor sus objetivos básicos:

a) Si nuestro site es de tipo comercial, está claro que nuestro objetivo es vender, vender y vender, gastando lo mínimo posible, por lo que tenemos que tener en cuenta:

Tasa de Conversión (conversiones/visitas) – ¿Vendemos? ¿Persuadimos?
Average Order Amount ( importe/conversiones) – ¿Cuánto es de media la venta?
Visit Value (importe/visitas) – ¿El tráfico es de calidad?
Customer Loyalty (visitantes que repiten/nuevos) – ¿Son fieles? ¿Futuros clientes?
Stickiness (>2 páginas/visitantes) – ¿Les gustamos? ¿Les retenemos?
Search Engine Referrals (visitas buscadores/visitas) – ¿Y el SEO como va? ¿Y el SEM?

b) Si nuestro site es de soporte o de servicios, el objetivo será dar respuesta inmediata a los clientes, evitando la saturación de otros canales, como el telefónico, por ejemplo. Así que unas métricas interesantes pueden ser:

Tasa de Conversión (conversiones/visitas) – ¿Encuentran lo que buscan?
Tasa de Rebote (visitas <30 seg/visitas) – ¿Es esto lo que se esperan?
Length of Visit (contenidos vistos/visita) – ¿Se queda demasiado tiempo?
Top Internal Search Phrases – ¿Qué buscan exactamente?

c) Si nuestro site es de contenidos, como un blog, el objetivo será incrementar la fidelidad del lector, o llevar adeptos a cualquiera de los canales offline:

Tasa de Conversión (conversiones/visitas) – ¿Se suscriben o registran?
Depth of Visit (páginas vistas/visita) – ¿Les generamos interés?
Content Depth (páginas vistas content/visitas contenido) – ¿Qué contenido interesa más?
New Visitor Percentage (nuevos visitantes/visitantes únicos) – ¿Atraemos nuevos visitantes?
Committed visitor share (visitas de más de 19 min/visitas) – ¿Tenemos muchos fieles?

d) Si el site es para conseguir contactos (lead generation), nuestro objetivo será incrementar nuestra red de contactos, obviamente

Tasa de Conversión (leads/visitantes) – ¿Cuántos leads conseguimos?
Cost per Lead (leads/inversión en marketing) – ¿Cuánto nos cuesta cada lead?
New visitor Percentage (nuevos visitantes/visitantes únicos) – ¿Cuántos son potenciales?
Single Access ratio (single access pages/total entry pages) – ¿Cuántos se van sin ir más allá?

Empezando por estas métricas, seguro que vendrán a pedirnos más, incluso nosotros echaremos en falta otras para dar respuestas, pero hay que arrancar por algo para que se nos empiece a ver, para que empiecen a entender que aportamos valor.

Mientras tanto, no hay que limitarse a sacar los datos, podemos segmentar, por cliente, por no cliente, por visita desde buscador, por visita desde favoritos, por visita que convierte, por visita que no convierte, por visita que va por aquí, por visita que ve cierto contenido si algún indicador sube, podemos ir profundizando hasta encontrar exactamente cuál es el segmento que se ve afectado y actuar en consecuencia.

Si quieres más información, puedes escuchar nuestra serie de podcasts en ONDACRO (PrNoticias) en las que hablamos sobre definir objetivos, KPIs y distintos tipos de sitios 🙂

¿Cómo podemos definir nuestros objetivos?

¿Estamos cerca de cumplir nuestros objetivos online?

¿Qué objetivos podemos definir según el tipo de sitio que tenemos?

¿Y las webs de contenido o corporativas…?

Felices fiestas a todos!

« Anterior
1
2
3
4
5
6
…
55
Siguiente »