Conceptos básicos de Analítica Web


Sí, lo sé. El concepto de Analítica Web ya está superado. Ahora se habla de Analítica Digital, Big Query y, relacionado con esto último, de BIG DATA (con mayúsculas), por nombrar sólo los principales términos que desde mi último post se han puesto de moda.

Pero la realidad es que las empresas, pequeñas, medianas y grandes de este país aún están intentando sacarle partido a los datos de sus sitios web. Los avanzados, con suerte, están midiendo el desempeño de las versiones móviles de esos sitios. Los muy avanzados también analizan los datos de sus APPs. Y los de Nobel saben algo de los embudos multidispositivo y de los modelos de atribución.

Por lo tanto, y aunque es cierto que Big Data y Business Intelligence son conceptos que no debemos dejar de estudiar, ya habrá tiempo para dedicarle varios posts. Permitidme, por ahora, volver a lo básico, que es lo que necesitan el 90% de nuestros potenciales clientes.

Las herramientas de análisis nos facilitan una abrumadora cantidad de información. Normalmente, cuando nos enfrentamos con ella no sabemos por dónde empezar. La clave para el éxito, y en este contexto entendemos como éxito el poder usar los datos para mejorar nuestro sitio, es dividir toda la información de la que disponemos en partes más simples. En otras palabras, debemos tratar el problema por fases.

¿En qué fases podemos dividir el análisis del desempeño de un site?

Un método que suele ser eficaz, es atacar los datos agrupándolos en cuatro grandes bloques, que coinciden con las fases del ciclo de vida de los visitantes:

  • Atracción
  • Comportamiento
  • Conversión
  • Fidelización

Para cada una de estas fases, debemos responder a una serie de preguntas, como por ejemplo:

Atracción

  • ¿Qué fuentes nos aportan tráfico de calidad, y cuáles no?
  • ¿Qué campañas funcionan, y cuáles nos hacen perder dinero?
  • ¿Cuál es la tendencia de las visitas (aumentan o disminuyen)?
  • ¿Cuál es el coste de adquisición de nuestros visitantes?

Comportamiento

  • ¿Qué hacen los usuarios una vez que han llegado al sitio?
  • ¿Qué contenidos consumen?
  • Si vendemos online, ¿qué productos ven y cuáles agregan al carrito?
  • ¿Cuál es el ratio entre productos vistos y productos agregados al carrito?
  • ¿Qué secciones son las más visitadas?

Conversión

  • ¿Cómo funcionan nuestro proceso de venta o de registro?
  • ¿Cuáles son las etapas críticas de esos procesos?
  • ¿Qué productos son los más vendidos?
  • ¿Qué páginas contribuyen a las conversiones?
  • ¿Cuántas visitas son necesarias para que se produzca una conversión?
  • ¿Cuál es ratio de conversión?

Fidelización

  • ¿Los usuarios vuelven al sitio?
  • ¿Cuál es el porcentaje de usuarios recurrentes?
  • ¿Quiénes nos compran están dispuestos a volver a comprarnos?
  • ¿Cuánto tiempo transcurre entre visitas?

Como puede verse, y eso que sólo hemos puesto algunos ejemplos, las preguntas pueden ser muchas, y la mayoría son comunes a cualquier clase de site. Por ejemplo, saber qué fuente no nos aporta tráfico adecuado es esencial en todos los casos.

Sin embargo, hay preguntas que sólo se aplican al sito en cuestión que debemos optimizar. Así que, aunque ya hemos dividido el problema por fases, todavía nos queda una tarea esencial: hacernos las preguntas adecuadas.

Según Avinash Kaushik, las preguntas adecuadas son aquellas que responden a necesidades de negocio. La primera y más básica es ¿para que existe este sitio web? A partir de ella, es necesario establecer cuáles son las otras preguntas que nos llevarán a las respuestas necesarias para optimizar el sitio.

A menudo, formular estas preguntas no es sencillo. Es necesario realizar un análisis de requerimientos y establecer claramente la estrategia de negocio para llegar a ellas. De ahí es donde suelen salir los KPIs (o indicadores clave de desempeño), algo que ya hemos tratado en otros posts. Aquí sólo diremos los KPIs dependen del tipo de sitio analizado, y de la estrategia de negocio que se haya adoptado.

En el caso de las tiendas online, por ejemplo, las preguntas que normalmente se efectúan son (por nombrar las más comunes):

  • ¿Cuál es el porcentaje de conversiones?
  • ¿Cuántas transacciones se han producido en un período determinado?
  • ¿Cuál es el porcentaje de visitantes que inician el proceso de compra?
  • ¿Cuál es el valor medio de las ventas?
  • ¿Qué valor medio tienen las visitas? –
  • ¿Cuál es el ratio entre clientes nuevos y recurrentes?
  • ¿Cuántas visitas se obtienen de los motores de búsqueda?

Muchas de estas cuestiones debemos responderlas en cada una de las fases que mencionábamos anteriormente. Por ejemplo, cuando se analiza la Atracción, es esencial determinar el porcentaje de conversiones de cada una de las fuentes de tráfico por separado. Decir que el porcentaje de conversiones de comercio electrónico de una tienda online es del 1,61%, es mucho menos útil que esto:

Conversiones por Fuentes de Tráfico

Conversiones por Fuentes de Tráfico

Y si queremos presentar los datos de forma adecuada, esto es todavía mucho mejor:

Gráfico de porcentaje de conversiones por fuente de tráfico

Esta forma de ver las cosas nos permite saber, de un vistazo, qué fuentes de tráfico se desempeñan bien y cuáles no (con respecto a la media del sitio y las conversiones), y actuar en consecuencia.

Esto mismo se puede aplicar a otras fases y a otras preguntas. Por ejemplo, en Atracción, también podemos segmentar por fuente el número de transacciones, el porcentaje de visitas que inician la compra, el valor medio de las visitas, etc… Evidentemente, y dependiendo de la profundidad del análisis, esto mismo se puede hacer por campaña, por referente, por Red Social, etc.

En Comportamiento, por ejemplo, podemos analizar el porcentaje de conversiones, las transacciones, los ingresos, el ratio de productos agregados al carrito, etc…, según las secciones o categorías de producto que ven los usuarios, para determinar el desempeño de cada una de ellas.

En Conversión es necesario analizar los procesos paso por paso, y determinar las etapas que lastran la consecución de nuestros objetivos, ya sean ventas, registros, suscripciones, etc… En el caso de las tiendas online debemos analizar las ventas y los ingresos por producto, y los ratios de ventas/adiciones al carrito desglosados por producto y categorías de producto.

Finalmente, en Fidelización debemos responder a todas la preguntas que hemos planteado, segmentadas entre usuarios nuevos y recurrentes.

Las preguntas adecuadas, y la implementación de una herramienta de análisis

El proceso de determinar las necesidades de negocio, y de formular las preguntas adecuadas, es esencial a la hora de determinar qué datos deben recogerse. Muchas veces, el proceso se hace al revés: se elige una herramienta de análisis, se implementa más o menos bien, se empiezan a recibir datos y a mirarlos, antes de tener claras las preguntas que debemos responder.

Ésta es la razón principal por la que generalmente no sabemos qué datos analizar, ni qué hacer con ellos. Por lo tanto, el establecimiento de las necesidades de negocio, y la toma de requerimientos de datos (determinar qué necesitan saber los responsables del sitio) es una etapa esencial del proceso de la analítica web. Podríamos llamarla “la etapa cero”.

¿Cómo se determinan las necesidades de distintos responsables del sitio? Si la empresa es grande, mediante reuniones con los principales departamentos (dirección, marketing, logística, atención al cliente…) Si la empresa es pequeña o mediana, mediante reuniones con el director y los socios.

Lo importante es dejar claro desde el principio qué necesitan los que luego van a sacarle partido a los datos.

El qué, el por qué, y las hipótesis de optimización

Cuando nos enfrentamos con los datos que nos ofrece una herramienta de análisis web, lo que estamos viendo es qué sucede… Muchas veces, esta información nos permite hacer hipótesis de por qué sucede lo que sucede. Por ejemplo, cuando analizamos el embudo del proceso de venta, y vemos que el paso del carrito de la compra al checkout es una etapa crítica en la que perdemos al 60% de los usuarios, podemos acceder al carrito y intentar averiguar que hay de malo en él. Cuando hacemos esto, y planteamos que el problema está en las llamadas a la acción del carrito, o en el precio final de venta, o en la descripción de los productos que se van a comprar, estamos planteando hipótesis. Estas hipótesis son las que debemos tener en mente a la hora de proponer los cambios en el carrito de la compra, y debemos comprobarlas con experimentos que nos dirán si la hipótesis era correcta o no.

En la práctica, sin embargo, hay algunas cosas que no podemos saber mirando sólo los datos del sitio en la herramienta de Analítica. En otras palabras, estudiando lo que sucede, no siempre podemos saber por qué sucede. ¿Por qué la gente sigue esta ruta hacia la ficha de producto, y no esta otra? ¿Por qué los usuarios están abandonando la compra en la fase de los datos de entrega? ¿Porqué la gente que llega directamente a las fichas de producto pasa por la Home antes de iniciar la compra?

Todos estos son ejemplos de cosas que quizá no podamos responder a través de estudio de los datos recogidos por nuestra herramienta de analítica. En estos casos, es necesario utilizar otro tipo de herramientas y/o procedimientos. Por ejemplo: los estudios de usabilidad (el análisis del comportamiento de un grupo heterogéneo de personas, que interactúan con el sitio bajo entornos controlados), o las encuestas online. Los primeros suelen ser caros de realizar, y las segundas pueden ser gratuitas.

Una Pyme puede poner en marcha una encuesta online mediante la cual puede llegar a conocer el porqué de determinado comportamiento. Los resultados de este tipo de estudios también nos deben servir para plantear hipótesis de optimización, que deben ponerse en práctica para determinar si eran correctas o no.

Tanto si las hipótesis surgen del análisis directo de los datos, como si provienen de estudios de usabilidad o encuestas, siempre deben ser testeadas y contrastadas con los datos para determinar si son ciertas. Por ejemplo, si se dice que el problema del carrito de la compra es que la descripción de los productos es deficiente, debemos testear una versión del carrito en las que la descripción de los productos se haya ampliado. O si se estima que el problema está en que tras agregar los productos, en el carrito se ve el precio final con IVA más los costes de transporte, entonces habría que testear una versión de la ficha de producto que incluya el precio final (con IVA más los costes de producto). En este último caso, habría que analizar también el impacto en los ratios de adiciones al carrito/visualización de productos. Quizá ganamos en un aspecto, pero perdemos en otro.

Esto nos sirve para ejemplificar otro aspecto de las hipótesis y su testeo: debemos determinar si el resultado final es mejor o peor que lo que había al principio. Quizá perder adiciones al carrito porque el producto aparece con un precio más caro en la ficha, nos hace vender menos que cuando la gente abandonaba el carrito porque el precio cambiaba demasiado. O tal vez sea al contrario… Aunque se pierden adiciones al carrito, el porcentaje de conversiones final es mayor porque la gente que lo abandona decrece sustancialmente tras aplicar el cambio.

Y esto a su vez nos sirve para ejemplificar otro concepto importante: en general, mientras más cerca está la mejora que se hace de la conversión, más se nota en los resultados finales. Por lo tanto, en el caso anterior, es probable que aumentar el porcentaje de paso desde el carrito al checkout compense las pérdidas de adiciones de fichas al carrito.

Los datos puestos en práctica y el ciclo de la analítica web

Ya hemos hablado de las hipótesis de optimización, y de la realización de experimentos para determinar si dichas hipótesis eran correctas o no. Antes de continuar debemos dejar clara una cosa: la analítica web no sirve de nada si no aplicamos los cambios que los datos nos sugieren. Si analizamos los datos es para plantear hipótesis de mejora, por ejemplo:

  • La campaña X de Adwords me aporta mucho tráfico (y me sale cara), pero la calidad de ese tráfico es mala. Si la detengo, perderé tráfico pero mis porcentajes de conversión mejorarán. El esfuerzo de negocio y el coste de cada visita disminuirán , y al final ganaré más dinero.
  • La gente que entra la sección Y del sitio convierte mucho. Pero dicha sección está muy oculta en el menú de navegación. Si la destaco, habrá más gente que llegue a ella, y venderé mucho más.
  • En el carrito de la compra pierdo muchos usuarios. Creo que es porque las fotos de producto son muy pequeñas y las descripciones no son buenas. Voy a cambiar las fotos, y las descripciones para disminuir la pérdida de usuarios en esa fase del embudo.
  • Sólo un 20% de mis usuarios son recurrentes. El porcentaje de conversión de los recurrentes en mucho mayor que el de los nuevos, por lo tanto, tengo que aumentar el ratio de recurrentes. Voy a mejorar todas las secciones de servicio post venta (estado de pedidos, reclamaciones, devoluciones y cambios, etc…) para que los que me compran quieran volver a hacerlo.

Una vez planteadas las hipótesis, mediante los correspondientes informes, toca ponerlas en práctica y hacer lo que se propone: detener la campaña X, destacar las sección Y, mejorar las fotos y las descripciones de los productos en el carrito, potenciar las secciones post venta…

Para reducir los riesgos, siempre podemos hacer antes un test con un grupo de nuestros usuarios, o durante un tiempo:

  • La campaña X la detendremos 4 días, y veremos los resultados.
  • La sección Y se la destacaré al 25% de los visitantes, y compararé los resultados con el otro 75%, antes de tomar una decisión definitiva.
  • El carrito de la compra modificado se lo mostraré al 10% de los usuarios. Luego compararé resultados con el otro 90%.
  • Mejoraré las secciones post venta, y revisaré los ratios de nuevos y recurrentes antes y después del cambio.

Esto es lo que llamamos experimentos. Sirven para determinar las hipótesis ganadoras. Puede que el cambio sea claramente mejor que el status original, puede que lo que había al principio sea mejor que el cambio (en cuyo caso decimos que la hipótesis no era correcta), o puede que el cambio no suponga una mejora significativa (en cuyo caso decimos que no hay una hipótesis ganadora).

Si damos con una hipótesis ganadora, aplicamos el cambio para todos los usuarios. Si no, seguimos investigando hasta dar con ella. Una vez mejorado un aspecto, seguimos con otros. Es un ciclo sin fin que podemos llamar “mejora continua”.

El siguiente gráfico resume todo los dicho hasta ahora:

El ciclo de la analítica web

El ciclo de la analítica web

Contextualizando los datos

Esto es esencial: cuando abordamos las fases de Atracción, Comportamiento, Conversión y Fidelización, debemos poner los datos en su contexto.

De nada me sirve saber que mi porcentaje de conversión en el mes de julio fue del 2,3%. Tengo que comparar ese porcentaje con períodos anteriores, y analizar su tendencia, para saber interpretar el dato. Un 2,3% no es ni malo ni bueno… Pero si la tendencia es:

Tendencia del porcentaje de conversión

…podemos decir que el dato es bueno, porque mantiene la tendencia al alza. Ahora bien, ¿qué pasa si el porcentaje de conversión medio de mi sector es del 3,5%? ¿o del 1,5%? Es evidente que la contextualización (tendencias, comparativas entre períodos y comparativas con el sector) es esencial para la interpretación correcta de la información.

Por seguir con el ejemplo, la tendencia indica que nuestro porcentaje de conversión está creciendo, lo que es bueno. Pero si el porcentaje de conversiones medio de mi sector es del 3,5%, aun nos queda mucho por trabajar. Si, en cambio, el porcentaje de conversiones medio es del 1,5%, entonces hemos logrado superarlo con creces, y el dato es excelente. Lo que no significa que podamos dejar de optimizar… Si lo hacemos perderemos rápidamente el terreno ganado.

Resumen

En este post hemos establecido las bases del trabajo que debemos llevar a cabo, para analizar correctamente un sitio.

Primero debemos establecer las preguntas adecuadas. De esto depende en gran medida el éxito de nuestros análisis, porque nos permite saber qué datos debemos recoger y analizar. Incluso puede llegar a ser determinante para la elección de las herramientas con las que trabajaremos.

Una vez establecidas las necesidades de los responsables de los datos, e implementada la herramienta según esas necesidades, podemos empezar a:

  • i. Medir (separando el análisis en las fases indicadas y contextualizando los datos).
  • ii. Generar informes con hipótesis de mejora.
  • iii. Analizar los datos de los experimentos para determinar las hipótesis ganadoras.
  • iv. Optimizar el sitio.
  • v. Volver a la etapa i.

Los comentarios están cerrados.

A %d blogueros les gusta esto: