Analytics Premium ComScore ClickTale Analytics Certified Partner Klipfolio Coremetrics

Tasas de abandono de carrito en eCommerce: ¿he de preocuparme?

07/09/2016 a las 10:07

Si tienes a tu cargo un ecommerce seguramente te preocupará la tasa de abandono del carrito de compra. Lo más probable es que te parezca una tasa muy elevada y probablemente pienses que algo no estás haciendo bien.

Lo primero: no te preocupes demasiado, a día de hoy el porcentaje de abandono de los carritos de compra en ecommerce ronda entre el 60-80%.

Tasa de abandono = 1-(número de compras finalizadas/número de carritos de compra creados).

En vez de verlo como algo negativo tienes que enfocarlo de manera positiva, ya que tienes a un 60-80% del público interesado en tu producto, pero por la razón que sea no acabó convirtiendo.

Basket Market Analysis

17/08/2016 a las 14:18

Probablemente os habréis preguntado muchas veces qué combinación ganadora de productos genera más ventas en su tienda física o en el catálogo de su tienda online.

1

Esta información puede ser aprovechada para numerosos fines. Entre otros:

  • Cross-selling de productos.
  • Redistribución del catálogo o del escaparate (en caso de tratarse de una tienda física): colocar los artículos que puedan co-ocurrir juntos uno cerca del otro.
  • Campañas de email marketing: ofrecer promociones/descuentos/sugerencias de productos relacionados con el que ya sabemos que han comprado.

Pero, ¿y si además pudiéramos conocer la probabilidad de que, habiendo comprado cierto(s) producto(s), el cliente termine comprando otro(s)?

Existe una metodología llamada Market Basket Analysis que nos ayudará en la búsqueda de estos insights.

Market Basket Analysis

En el mundo online acumulamos una enorme base de datos de las transacciones de compra. Cada transacción consiste en una serie de productos que se han comprado de manera conjunta.

Pero, ¿qué productos se compran conjuntamente con más frecuencia? Mediante la metodología del Basket Market Analysis podemos responder preguntas tales como: ¿Existen relaciones entre ciertos productos, que al comprarlos influyen significativamente en la compra de otros productos? Esto lo entendemos como reglas de asociación entre productos.

Podemos entender estas reglas de asociación como “Si compras A y B, entonces es probable que compres C”.

Una medida de la bondad de estas relaciones son los estadísticos Support, Confidence y Lift:

  • Support: proporción del total de compras en las que X e Y se han comprado conjuntamente.

4

  • Confidence: proporción de compras con X donde también se compró Y. En términos estadísticos, se trata de una probabilidad condicional.

5

  • Lift: Un valor de Lift > 1 indica que los productos X e Y se compran conjuntamente más veces de lo esperado. Por tanto, estamos interesados en aquellas relaciones con un valor de Lift>1.

6

Un ejemplo ficticio de los resultados que podríamos obtener de un análisis de este tipo nos lo proporciona la siguiente tabla:

3

La manera de leer la tabla anterior es, por ejemplo, para la primera entrada: “Los productos A y B se han comprado conjuntamente en el 0.23% del total de las transacciones, y además, en el 95% de las transacciones que contienen el producto B también se ha comprado A”. A priori, puede parecer poco un valor para Support del 0.23%: ¡Solamente esta proporción del total de las transacciones contienen A y B!. Pero suponed que tenemos registradas 12K transacciones, ¡se darían 2760 con los productos A y B!

Implementación en R

Utilizamos el algoritmo apriori para encontrar las reglas de asociación que comentábamos anteriormente. Únicamente se ha de instalar en R el paquete arules y ¡manos a la obra!

Todas las funciones necesarias para el análisis las podemos encontrar cargando dicha librería. En caso de obtener numerosas reglas de asociación (todo depende del tipo de estudio que se realice y de la cantidad de transacciones con las que se trabaje), es de gran ayuda el paquete arulesViz. Este añade características adicionales al paquete arules: se apoya en gráficos muy curiosos de las reglas de asociación, permitiéndonos estudiarlas de una manera más cómoda.

Como curiosidad, y para hacernos una ligera idea de cómo trabaja el algoritmo apriori, primero encuentra las transacciones unitarias (es decir, transacciones que contienen un único producto) más frecuentes. A continuación, estudia todas las combinaciones posibles (dos a dos) de las transacciones unitarias, y se queda con las transacciones que contengan dichas combinaciones y que se dan con más frecuencia. Así, iterativamente, el algoritmo continúa hasta que hallan sido generados todos los conjuntos de ítems más frecuentes con k productos y no se obtengan más conjuntos frecuentes dentro de las transacciones.

Si os encontráis en vuestros inicios con R, que no cunda el pánico. Se ha desarrollado un package interactivo de R que os enseñará a sacarle partido a la herramienta. Para más información: Como empezar a usar R statistics, de mi compañera Anna Fernández.

Los pasos a seguir para llevar a cabo el Basket Market Analysis en R son:

    1. Leemos el Dataset. Únicamente necesitamos una tabla en la que cada fila contenga el ID de transacción y el nombre del producto.7
    2. Agregar por ID de transacción todos los productos comprados. Existe una función de la librería data.table (llamada del mismo modo) que hace las agregaciones de manera muy eficaz:8Otra alternativa para hacer la agregación, mediante la función split:9
    3. Convertir los datos agregados en tipo de objeto “transacción”:10
    4.  Arrancamos el algoritmo mediante la función a priori de la librería arules.11Notad que los campos de los parámetros para Support y Confidence están vacíos. La definición de estos umbrales mínimos depende de la cantidad de transacciones que manejemos. Para definir el umbral mínimo para Support nos podemos apoyar en el siguiente gráfico: frecuencia del producto en las transacciones.13El código de R para obtener el gráfico anterior:

      12

      Nótese como aparece el artículo más frecuente en menos del 0.3% de las transacciones. La línea roja indica donde hemos decidido fijar el umbral mínimo para Support. Este umbral debe ser lo suficientemente pequeño para que entren en juego varios productos en el análisis (en caso de proporcionar un valor muy grande para Support, es posible que el algoritmo no sea capaz de encontrar association rules).

    5.  Finalmente, visualizaremos las reglas de asociación de productos mediante el siguiente código: inspect(rules).  Así, obtendremos una tabla análoga a la del ejemplo. En el caso de no disponer de reglas de asociación, siempre se puede jugar “relajando” los umbrales mínimos de los parámetros Support y Confidence.

Consideraciones

Resulta muy interesante también estudiar las relaciones entre productos más débiles.

Si el análisis muestra que dos artículos no están relacionados fuertemente, y sin embargo, se encuentran muy próximos en el catálogo online (porque puedan pertenecer a la misma categoría de producto, por ejemplo) cabría replantearse una re-estructuración del catálogo.


¡Y listo!

Indagando en estos resultados, ¡podríamos llevarnos muchas sorpresas analizando únicamente las transacciones!.

¿No has probado este tipo de análisis? ¡Anímate!

Y cualquier pregunta que se os presente, no dudéis en comentar 🙂

 

Analiza tus productos con todo lujo de detalle

29/03/2016 a las 11:06

Analiza tus productos con todo lujo de detalle

 

Google Analytics, y especialmente con el comercio electrónico mejorado que ya os ayudamos a saber implementar,  nos permite medir el desempeño de los productos o servicios individuales que ofrecemos en nuestra web.

En los informes estándar, podremos analizar cuánto hemos vendido de cada uno de ellos, por ejemplo. Y con el comercio electrónico mejorado, incluso el porcentaje de veces que un producto visto fue añadido al carrito o comprado.

 

POST_DR_METRICS_Dimensiones personalizadas de producto_2

 

Pero en muchas ocasiones, los análisis los haremos agrupando dichos productos en categorías u otra clase de agrupaciones con algo en común.

Podemos segmentar o filtrar en base a la información que recogemos de los productos:

  • Nombre
  • Identificador
  • Precio (usando como criterio que estén en una franja u otra, por ejemplo)
  • Marca
  • Categoría (en el comercio electrónico, la categoría puede estar compuesta de hasta 5 niveles).
  • Variante (colores, tallas, etc.)
  • Cantidad
  • Cupón (para cuantificar la influencia de ofrecer o no descuentos)

Pero, ¿y si esta información se nos quedara corta? ¿Y si nuestro producto es muy complejo y está definido por una gran cantidad de variables por las que podría interesarnos analizar su desempeño?

Imaginemos que nuestro negocio es una inmobiliaria, y nuestra transacción, la solicitud de visita a un inmueble. A la hora de buscar vivienda o local, se van a tener en cuenta factores como el número de habitaciones, la superficie útil, cercanía a ciertos servicios, si tiene ascensor o no, etc. Si disponemos de esa información y permitimos al usuario realizar búsquedas filtrando por ella, ¿por qué no recogerla también en las transacciones? Podríamos, de manera sencilla y sin salir de Google Anaytics, analizar la influencia en la tasa de conversión de todos y cada uno de los posibles valores para esas variables.

Aquí es donde entran en juego las dimensiones personalizadas, que tanta flexibilidad aportan a la herramienta. La aparición de las dimensiones y métricas personalizadas de ámbito “producto” facilitan mucho su uso en el ecommerce a la hora de la implementación.

 

POST_DR_METRICS_Dimensiones personalizadas de producto_3

 

¿Cómo pasamos sus valores a Google Analytics?

Si estamos implementando con Google Tag Manager (lo más recomendable), el código para un producto en el comercio electrónico mejorado o enhanced ecommerce tendría este aspecto:

‘products’: [{  

        ‘name’: ‘Nombre del producto’,

        ‘id’: ‘123456’,

        ‘price’: ‘1000.00’,

        ‘brand’: ‘Marca del producto’,

        ‘category’: ‘Textil/Hombre/Camisas/Manga larga/Algodón’, // categoría (hasta 4 posibles niveles de subcategoría)

        ‘variant’: ‘Blanca’, // variación que no implica un cambio de identificador de producto

        ‘quantity’: 1, // Cantidad del producto adquirida

        ‘coupon’: ” // Descuento a nivel de producto individual

       }]

Si quisiéramos “enriquecer” la información recogida mediante dimensiones personalizadas de ámbito “producto”, tan sólo tendríamos que añadirlas a la lista de variables estándar:

‘products’: [{  

        ‘name’: ‘Nombre del producto’,

        ‘id’: ‘123456’,

        ‘price’: ‘1000.00’,

        ‘brand’: ‘Marca del producto’,

        ‘category’: ‘Textil/Hombre/Camisas/Manga larga/Algodón’, // categoría (hasta 4 posibles niveles de subcategoría)

        ‘variant’: ‘Blanca’, // variación que no implica un cambio de identificador de producto

        ‘quantity’: 1, // Cantidad del producto adquirida

        ‘coupon’: ”, // Descuento a nivel de producto individual

        ‘dimension1’: ‘valor para la dimensión 1’,

        ‘dimension2’: ‘valor para la dimensión 2’,

        ‘dimension3’: ‘valor para la dimensión 3’

      //y así con todas las dimensiones que necesitemos (y de las que dispongamos).        

       }]

La correspondiente etiqueta de GTM, cuando detecte la transacción y la envíe a Google Analytics, enviará automáticamente y sin que tengamos que hacer nada, toda la información adicional que hemos asociado a los productos.

Es decir, no habrá que definir variables en GTM que recojan esa información adicional ni tendremos que especificar en la etiqueta de la transacción qué variable corresponde con cada dimensión personalizada. Es por esto que sea necesario referirnos en el datalayer a las dimensiones de esa manera (‘dimension1’ por ejemplo) y no por su nombre (‘Número de habitaciones’ en el ejemplo de la inmobiliaria).

Ahora solo quedaría analizar nuestros productos utilizando estas nuevas variables como dimensiones secundarias en los informes estándar o mediante informes personalizados.

Desde luego, si el producto tiene cierta complejidad y disponéis de dimensiones personalizadas libres, os animamos a “enriquecer” de esta manera tan sencilla pero potente vuestras implementaciones.

 

Google Analytics 360 Suite hoy su gran lanzamiento

15/03/2016 a las 20:28

Os adjunto la carta que Paul Muret, responsable  y creador de Google Analytics, nos ha enviado para presentarnos la evolución de la herramienta en su Suite 360.

Hola,

Hoy estoy encantado de compartir la próxima evolución de Google Analytics: Google Analytics 360 suite.

Una revolución en el marketing está en marcha – las empresas se enfrentan a una explosión de nuevos dispositivos, canales, audiencias fragmentadas y compra programática – que lleva a un aumento exponencial en el volumen de datos. Con un creciente número de señales a monitorizar, es más difícil que nunca manejar todo, encontrar información útil, y convertir esas ideas en acción.

Es por eso que hemos construido el Analytics 360 Suite. Un sistema que integra sus datos con herramientas de marketing análisis, diseñadas específicamente para cubrir las necesidades de responsables del marketing o análisis dentro de una empresa y ayudarles a:

  • Visibilidad completa de la conducta del consumidor. Los responsables de marketing necesitan la visión completa de los datos de forma inmediata para ver lo que está sucediendo con sus usuarios en todos los puntos de contacto, canales y dispositivos. Comprender el contexto completo del viaje de un usuario en lugar de medir solamente una sesión, un único dispositivo, o el último-clic.
  • Obtener información útil, no más datos. Los profesionales del marketing necesitan una enorme potencia de cálculo, data science y algoritmos inteligentes, todos trabajando juntos para ayudar a dar sentido a los datos. Esa inteligencia hace el trabajo pesado y entrega rápidamente hallazgos de valor para que el equipo se dedique su tiempo a actuar.
  • Compartir conocimientos y colaborar con todo el mundo. Poniendo los datos en manos de todos fortalece objetivos en común y potencia las sinergias para conducir a una toma de decisiones más inteligente. Reducir el tiempo invertido en informes para crear rápidamente bellas visualizaciones de los acontecimientos más significativos del negocio, y luego compartirlo con toda la organización.
  • Ofrecer experiencias atractivas a las personas adecuadas. Hacer que su marca sea útil para los consumidores. Con integraciones a través de múltiples tecnologías de Google, la suite de productos que no sólo funciona bien con éstas, sino también con otros productos, incluyendo AdWords, DoubleClick y plataformas de terceros. Esto permite a los marketers tomar acciones inmediatas y mejorar la relevancia de los anuncios y las experiencias en sus webs.

 

Analytics 360 suite

¿Qué significa esto para usted?
No habrá ningún cambio inmediato en su cuenta. La suite 360 ​​Analytics BETA se irá introduciendo en clientes GA Premium a lo largo de 2016.

Es sólo el comienzo – vamos a seguir invirtiendo fuertemente en nuevos productos, características y funcionalidades. Es un momento emocionante para los que nos dedicamos al análisis de marketing, y esperamos compartir más información con usted pronto.

Para más información acerca de todos los nuevos productos y la suite 360 ​​Analytics, visite nuestro sitio web.

Cordialmente,
Paul Muret
VP, Analytics, video & display products

Cómo conocer la ruta del consumidor y el aporte de cada canal digital

13/02/2015 a las 10:41

 

Por Cristóbal Bello.

 

Desde el momento en que  se comenzaron a conocer las métricas de conversiones asistidas en Google Analytics, se abrió una nueva manera de analizar la ruta del consumidor o el “consumer journey”. Dándole una nueva perspectiva a las personas en marketing de cómo funciona (o trabajan en equipo) los canales, como mailing, search, social media o display en la generación de conversiones o ingresos.

Cabe destacar que no todas las marcas y sus acciones generan una ruta del consumidor larga, más bien algunas resultan cortas, ya que depende del tipo de conversión, lead, tipo de producto que cada sitio posea.

Desde el punto de vista del tiempo, para saber si la ruta es larga o corta, es decir si se toman muchos o pocos días antes de generar una conversión, hay que observar el reporte de lapsos de  días en el menú de conversiones

Conversiones -> Embudos Multi-Canal -> Lapso de Tiempo

post_crist_1

Si un porcentaje representativo de conversiones  está sobre cero días, vale la pena conocer un par de datos más. Para eso hay que ir a:

Conversiones -> Embudos Multi-Canal -> Conversiones por Contribución

post_crist_2

 

DEFINIENDO LAS MÉTRICAS

1. Las conversiones por contribución

Son la cantidad de compras y leads,  donde cada canal descrito a nivel de fila ha contribuido conversiones sin ser  el canal de último clic o el último de la ruta

2. El valor  de las conversiones asistidas.

Simplemente es el dinero que estos canales generaron sin ser el último canal de la ruta.

3.Conversión de último clic o directa.

Es la cantidad de compras y leads provenientes de la última fuente de tráfico previa a la conversión.

4.Valor de las conversiones por interacción de último clic o directa.

El dinero que estos canales aportaron de dicha manera.

¡Y la última métrica! (y relevante en este post):

5. Conversiones de contribución/de interacción de último clic o directa.

Esto es una relación expresada con una simple división:

post_crist_3Cuando el resultado es cercano a 0 quiere decir  que existen pocas conversiones por contribución  y el  canal funcionan de manera más directa.

Cuando el resultado es igual a 1, quiere decir que la cantidad conversiones por contribución son  iguales a las de último clic.

Cuando el resultado es mayor a uno quiere decir que las conversiones por contribución son mayores y el canal aporta más asistiendo.

Esto nos indica en que etapa de la ruta a la compra funcionan  los medios. Por ende, cada canal lo podemos agrupar por su valor en las famosas etapas como se muestra a continuación, dibujando finalmente el consumer journey.

post_crist_4

 

post_crist_5Es interesante darse cuenta de como se comporta los medios digitales según la naturaleza de cada sitio, por ejemplo:

–          El  resultado número  1, posee a los canales más dispersos, y varios que actúan más de manera indirecta que directa, influenciado por el hecho de que la conversión es una compra.

–          En el resultado numero 2 los canales resultan ser todos directos, influenciado  por que la conversión es una solicitud de contacto, existiendo una ruta más corta en comparación con el primer resultado.

TAKE AWAYS

Para las marcas, entender la manera en que la audiencia interactúa con ellas y el camino que generan resulta relevante, ya que entrega un entendimiento, mapeo y posibilidades de mejoras hacia el cliente. Esto, desde el punto de vista de interferir de mejor manera en la comunicación de los canales, sabiendo como influye  cada uno en la venta final.

Por un camino paralelo, resulta interesante poder conocer como influye cada campaña  pagada en search o inclusive cada keyword. Esto permite por ejemplo cuestionarse la táctica de landing pages según posición de campañas, u optimizar keywords solo de last click, o potenciar orgánicamente nuevas keywords. El juego aquí será amplio, dependiendo de  cuantas campañas, y cuánto y cómo influyan en la ruta de compra.

PD: Google Analytics permite obtener estas métricas y  analizarlo a nivel únicamente de  AdWords

Por último, hilar en lo más fino va a consistir en evaluar cual  vendría siendo el mejor modelo de atribución en base a la realidad de cada sitio. Existen 7 modelos de atribución, el más usado por defecto es el de last click, pero lo visto anteriormente crea la oportunidad de volver a optimizar el presupuesto desde otros puntos de vista.

NOTA

Comprender como se recopilan los datos de atribución que posee Google puede resultarte importante (lo es 🙂 ). Para ello, recomiendo leer esta ayuda de google.

 

 

 

Metodología de Optimización

31/10/2014 a las 10:24

Antes de empezar con la metodología vamos a ver que es esto del CRO, que no y por qué es importante.


¿Qué es Optimización?

Si buscamos Optimización en el RAE nos lo define como: “buscar la mejor manera de realizar una actividad”, por lo que aplicado al mundo Web podríamos decir que es mejorar los procesos claves de la web para conseguir que los usuarios tengan una experiencia de uso más satisfactoria y en consecuencia aumentar los ratios de conversión


¿Qué no es Optimización?

– Cambiar el color de los botones o el tamaño de las imágenes por probar, no tiene sentido empezar a probar cosas sin una lógica, sin haber detectado un error o una posible mejora.

– Hacer cambios basándose en opiniones personales y mejores prácticas, porque no siempre lo que funciona para unos tiene que funcionar para otros, lo que si hay son estrategias y métodos que te pueden ayudar a averiguar que no funciona en tu web y arreglarlo. Porque optimizar tu web no es como jugar a los Lemmings donde todos hacen lo mismo.


La importancia de la optimización de tu sitio web

¿Por qué deberías hacer CRO en tu web? El principal motivo para realizar CRO es el “show me the money ”.

show-me-the-money

Si estamos atrayendo cada vez más usuarios a través de campañas de PPC o Email Marketing (que por cierto, ellos si que están optimizando constantemente), pero una vez llegan a nuestra web los perdemos estamos dejando de ganar dinero y perdiéndolo en las campañas.

Si somos capaces de mejorar nuestro ratio de conversión en la web, no solo ganaremos más dinero, sino que las campañas de atracción se podrán optimizar todavía mejor y además estarán mejor situadas.

Hay que destacar que la parte de la conversión es la más complicada de todas., por lo que hay que prestarle especial atención.

atraccion

Y si esto no es suficiente por si solo, además te ayudará a mejorar la experiencia de usuario, ya que podremos mejorar la facilidad de uso de nuestro site adaptado a lo que buscan nuestros clientes favoreciendo que tengan una percepción positiva sobre nuestros productos y/o servicios, que a la vez se puede transformar en un aumento de los ratios de conversión.

Después de ver porque deberías hacer optimización en tu web vamos a definir brevemente los diferentes pasos de que consta.

Como hemos dicho, las “best practices” no siempre son unas buenas aliadas pues cada negocio tiene un contexto diferente y lo que le va bien a una web es muy probable que no funcione en otra. En lo que si creemos es estructurar el proceso de optimización y seguir una metodología.

El no tener el proceso de optimización estructurado puede tener una serie de problemas como:
– Test que duran demasiado tiempo
– No tener claro que testear
– Malos resultados
– No se sacan conclusiones ni se aprende nada
– Problemas técnicos

Así que vamos con una metodología que puede ayudar a mejorar tus procesos de optimización:

optimization project
Paso 1 – Investigación

– Tener claro los objetivos de la empresa:
Si trabajas en esa compañía ya deberías saberlos, pero si eres una agencia o freelance no hay mejor manera que preguntar, al responsable de eCommerce, al de ventas, etc.…

– Conocer a tus clientes, que buscan en tu web:
Es indispensable conocer a tus usuarios, uno de los principales fallos no solo a la hora de planificar los test sino incluso de diseñar la web entera es que no conocemos a nuestros usuarios y clientes potenciales en la red y no diseñamos la web de acuerdo a sus necesidades y objetivos.

Para esta parte podemos usar los datos cuantitativos obtenidos a través de la herramienta de analítica que estemos utilizando, y además es recomendable recopilar datos cualitativos a través de encuestas online, encuestas por email (a posteriori) u otras herramientas como user tests que nos ayudarán a entender cuales son sus objetivos, donde no estamos cumpliendo sus expectativa y en definitiva nos ayudarán a decidir que partes son las que están fallando para testear nuevas propuestas.

Hemos de tener en cuenta que en nuestra web tendremos usuarios diferentes, que nos visitarán con diferentes propósitos y que tendrán diferentes percepciones de nuestro producto pero que nuestra web será la misma para todos, por lo que también tendremos que decidir si decidimos hacer experimentos que afecten a todos los usuarios de nuestra web o por si el contrario decidiremos hacer experimentos por segmentos.

Adults-Perception-Model

– Conocer bien tu web:

Para empezar no estaría mal realizar un compra (o bajarse un folleto, o generar un lead, … cualquiera que sea el objetivo de la web) y ver como funciona el proceso de primera mano. No sería la primera vez, ni la última, que se empiezan a mirar datos y a planear cosas sin ni siquiera haber visto el proceso de compra en primera persona.

Una vez visto esto ya podemos empezar a echar un ojo a los datos, lo cual hace indispensable disponer de una herramienta de medición donde podamos ver por donde vienen nuestros usuarios, por donde se van, los embudos, demografía, tasas de conversión….

Herramientas que pueden ser útiles en este paso: SurveyMonkey, ClickTail, Inspectlet, …

 

Paso 2 – Listado de problemas y creación de hipótesis

Escribe la lista de todos los problemas que has ido encontrando en la primera fase y priorizarlos.

Definir que vamos a testear, a quién (segmentar usuarios o no), dónde (qué páginas), cuando, … Las mejores páginas para testear son las que tienen mucho tráfico y problemas:

trafico-problemas

Hay miles de elementos que podemos testear, pero los vamos a clasificar en tres ejes:
– Problemas funcionales:
– Problemas de accesibilidad
– Problemas de usabilidad

Una vez definido todo lo anterior es el momento de crear hipótesis y propuestas de mejora que sean suficientemente significativos y persuasivos para nuestro propósito, que es mejorar la conversión

Herramientas que podemos utilizar: Google Analytics nos puede ayudar a ver que páginas son las que tienen más tráfico, más salidas, etc …

 

Paso 3 – Experimentos

En este tercer paso ya toca meterse de lleno en los test. Lo primero será diseñar las alternativas a testear. Hay que tener en cuenta que los cambios que se quieran proponer tienen que ser técnicamente viables, por lo que sería conveniente hablar con el departamento de IT, el desarrollador web, diseñador web, etc. responsable para verificar que no vamos a probar algo que luego no se podrá implementar.

Es el momento de poner a prueba esas hipótesis mediante experimentos.

testAB

Ejemplos de herramientas que puedes utilizar para realizar tus test: Optimizely, Virtual Website Optimizer, …

 

Paso 4 – Análisis de resultados

Analiza los resultados. Qué hipótesis han funcionado, cuales no, …. Etc.
La hipótesis ha sido correcta, ¡genial! Quizás ahora es el momento de hacer los cambios en la web. Qué la hipótesis no ha sido correcta, no pasa nada, muchas veces ocurre y de los “no” también se aprende y se sacan conclusiones.

También hay que tener en cuenta que la muestra haya sido estadísticamente significativa, sacar conclusiones de 10 visitas no nos va a decir mucho.

Herramientas: Para analizar los resultados del experimento podremos utilizar la misma herramienta con la que hemos realizado el test.

 

Paso 5 – Repetir

El otro día leí esta frase en twitter en temas de empresa, pero que también se puede usar en temas de optimización y es que la optimización es como en los videojuegos hay que “Guardar y seguir jugando”.

Seguro que más de uno leyendo esto ha jugado a videojuegos, cuantos os pasasteis una pantalla de Super Mario Bros y la volvisteis a jugar hasta coger todas las monedas, o cuantos habéis jugado a algún juego de rol y habéis repetido la misma pantalla hasta conseguir todas las armas o encontrar la más poderosa de todas? Seguro que más de uno ; )

marioworld

En optimización web es más de lo mismo, imaginamos que la página que decidimos optimizar es como una pantalla de un videojuego, tenemos una hipótesis, la probamos, y si funciona bien la implementamos en la web, ¿pero con pasarnos esa pantalla ya vale? ¿O aun podemos mejorar? Aunque el test haya funcionado ¿seguro qué no hay otra opción que funcione aun mejor? Posiblemente si, es por eso que hemos de guardar ese cambio y seguir jugando y probando nuevas hipótesis, el proceso de optimización no acaba nunca, siempre hay algo que se puede mejorar.

Como hemos dicho al principio del post hacer CRO es encontrar fallos en la web y arreglarlos, pero también es mejorar lo que ya funciona, así que ¿a qué esperaras para optimizar tu web?

 

El modelo de atribución basado en datos

20/05/2014 a las 09:56

data-driven-hero-v2

Fuente: http://analytics.blogspot.com.es/

 

Una funcionalidad de Google Analytics de la que no habíamos hablado todavía es Data-Driven Attribution o el modelo de atribución basado en datos.

Establecer un modelo de atribución multicanal realista es complejo y, normalmente, algo que hacemos utilizando criterios bastante subjetivos. Sabemos las combinaciones de canales que mejores resultados nos están dando, pero es difícil valorar el mérito de cada integrante de esas secuencias de contacto. Con esta funcionalidad, Google Analytics nos ahorra ese trabajo. Y, además, lo hace de una manera algorítmica.

Utiliza como base la información de rutas de conversión del embudo multicanal, así como los datos de flujo de comportamiento de aquellos usuarios que no convierten.  Para ser más concretos, además de los datos del tráfico procedente de búsquedas orgánicas, del directo y del de referencia, el método Data-Driven Attribution analiza los datos de todos los productos de Google que hayamos enlazado con Analytics, como AdWords, la red de display de Google o DoubleClick for Advertisers. También incorpora la información de costes que hayamos podido importar. Necesitaremos, como es natural, tener activo el seguimiento de comercio electrónico y definidos los objetivos.

Con toda esta información, detecta cómo la presencia de un punto de contacto comercial en particular (definida por el tipo de canal y su posición relativa a otros puntos de contacto) se relaciona con cambios en la tasa de conversión.

 

Ejemplo de modelo

Informe del explorador del modelo. (Fuente: http://analytics.blogspot.com.es/)

Es decir, los modelos probabilísticos resultantes muestran la probabilidad de que un usuario realice una conversión en un punto determinado de la ruta, dada una secuencia particular de eventos. Es importante destacar que el algoritmo tiene en cuenta el orden en el que un determinado punto de contacto entra en juego. Por ejemplo, “Display precediendo a Búsqueda de Pago” se modela por separado de “Búsqueda de Pago precediendo a Display”.

Vemos un ejemplo (simplificando un poco): Tenemos una combinación de Búsqueda Orgánica, Display e Email (en ese orden) que arroja un 3% de probabilidades de conversión. Cuando eliminamos Display, la probabilidad baja a un 2%. El incremento del 50% observado cuando Display está presente sirve de base para el cálculo de atribución.

data-driven-how-it-works

Fuente: http://analytics.blogspot.com.es/

No solo es una manera mucho más avanzada de establecer el modelo sino que, así como la información en la que se basa es cambiante en el tiempo, también lo es el modelo, que se autoajusta en función esas posibles variaciones. Una vez habilitada esta funcionalidad, comienza inmediatamente a recoger datos. Tendremos el primer modelo a los 7 días, actualizándose éste con una frecuencia semanal.

Aunque el algoritmo utilizado es el que desarrolló el premio Nobel de economía Lloyd S. Shapley para la justa distribución de los resultados de un equipo entre sus miembros, el analista no tiene por qué abandonar su actual modelo de atribución para abrazar “a ciegas” el nuevo que nos presenta Google. Éste está disponible junto a los tradicionales en la herramienta de comparación de modelos de atribución y en el informe de análisis del ROI.

Desde este último, si vemos que ciertos canales tienen un éxito mucho mayor que el resto (mejores valores para el ROAS o el CPA, por ejemplo) según los cálculos obtenidos por el modelo de atribución basado en datos, podemos plantearnos incrementar nuestra inversión en dichos canales. En la misma línea, si detectamos canales que no funcionan bien bajo el prisma de este modelo, deberíamos revisar nuestra estrategia de marketing al respecto y optimizar nuestros  esfuerzos en ellos.

Podemos, y así lo recomiendan desde Google, ir adquiriendo confianza en el modelo gradualmente, poniéndolo a prueba de manera controlada. Se trataría de trabajar sobre combinaciones concretas de canal y tipo de objetivo que éste nos destaque (por el lado positivo o todo lo contrario) y verificar después si el resultado es el previsto. Llegados a un punto, podríamos dejar de lado las comparaciones con anteriores modelos y trabajar en exclusiva con éste.

De hecho, si nuestro negocio online está arrancando, no tendremos más remedio que comenzar a trabajar con uno de los modelos basados en reglas hasta alcanzar el volumen de datos de entrada mínimo a partir del cual puede realizar sus cálculos el nuevo: 10,000 rutas y 400 conversiones por tipo al mes.

En resumen, el modelo de atribución basado en datos es una estupenda funcionalidad. Con los modelos actuales ya vemos qué secuencias de canales funcionan mejor. Con el que estamos tratando, vamos un paso más allá y obtenemos una medida de la efectividad de cada canal en cada posición de esas secuencias. Es más, combinando esos valores con los datos de e-commerce y de costes de campaña, obtenemos un cálculo adecuadamente ponderado de su rentabilidad.

Por último,hay que señalar que se trata de algo concebido para la versión Premium de Google Analytics, sin previsión de incorporarlo también a la versión gratuita. Casi un año después, sigue estando solo disponible para la herramienta de pago y sin visos de que esto cambie. Un aliciente más (y no pequeño) para que todos aquellos a los que nos preocupa la precisión a la hora de evaluar la rentabilidad de nuestras campañas de marketing, demos el paso hacia la “hermana mayor” de esta herramienta de analítica web.

 

Cómo identificar a los usuarios más valiosos de tu web con Segment Builder

29/07/2013 a las 10:16

La nueva herramienta de Google Analytics, Segment Builder, ha llegado con la intención de cambiar nuestra relación con los segmentos y las posibilidades que estos nos brindan, y tiene toda la pinta de que lo va a conseguir. Al leer sobre esta herramienta (por ejemplo en el post de mi colega Natzir) todos hemos pensado que puede ser “la caña”, pero para saber a ciencia cierta cómo y hasta donde podemos llegar con ella no hay nada mejor que ponerse manos a la obra y usarla.

Así que vamos a hacer un segmento para poder identificar a los usuarios más valiosos de nuestro site. Consideraremos que éstos usuarios son los que regresan con una mayor frecuencia, los que han visitado el site recientemente y los que hacen un gasto considerable en nuestro ecommerce.  Los usuarios que cumplen con estas 3 cualidades son los más valiosos para cualquier web con ecommerce.

Mejora tus campañas de marketing aplicando técnicas de psicología del comportamiento (conductismo)

03/06/2013 a las 09:25

psicologia-comportamientoEl Dr. BJ Fogg de la universidad de Stanford es el creador de un modelo de comportamiento en el que defiende que, para que modifique una conducta, es necesario que se produzcan a la vez 3 elementos claves:  el Disparador o Activador (Trigger), la Habilidad y la Motivación.

Según mi punto de vista, estos elementos los podemos utilizar para ver qué nos falta en cada mensaje de nuestras campañas según el tipo de conducta que se quiere modificar. De hecho, ¿no lanzamos campañas de marketing para modificar conductas?  😉

Medición Offline: La historia de un reto con final feliz

08/05/2013 a las 09:30

medicion-offline-onlineActualmente, el incremento de las ventas por Internet crece 10 veces más que el de las tiendas físicas. Durante los últimos años, éste es el tipo de titulares que se ha venido repitiendo constantemente, haciendo que nadie dude del canal online, más bien al contrario.

Como consecuencia, las tiendas físicas (brick and mortar) han perdido protagonismo, pero no nos debemos olvidar su verdadero papel, ya que actualmente generan el 98% de las ventas del retail versus el 2% generado por el ecommerce en España.

Muchos de los líderes del sector han entendido que estos dos canales no son excluyentes; al revés, son complementarios, y el usuario hace uso de ellos indistintamente. Un ejemplo de ello es Apple, y sus tan cuidadas experiencias in store, y otro es Amazon, que siendo un gigante del online, se está planteando abrir tiendas físicas. ¿Por qué ahora? Algo está cambiando.

Se advierte al usuario del uso de cookies propias y de terceros de personalización y de análisis al navegar por esta página web para mejorar nuestros servicios y recopilar información estrictamente estadística de la navegación en nuestro sitio web. Política de cookies Acepto