Google Analytics y el problema de las atribuciones

 

Informe de Rutas de Conversión de Google Analytics

Informe de Rutas de Conversión de Google Analytics

Google Analytics lleva bastante tiempo intentando dar una solución adecuada al problema de las atribuciones. Este problema se puede resumir de la siguiente manera: ¿cómo determinar de manera justa la contribución de un jugador, al resultado final del juego?

La primera incursión en este terreno, realmente tímida, fue la adopción desde el principio de los tiempos del criterio de última interacción, para asignar a los canales de tráfico el crédito de una conversión. Este criterio sigue vigente en los informes estándar de la herramienta.

Cuando vemos que el canal “orgánico” nos ha aportado 1.234 ventas por valor de 74.323 €, lo que nos está diciendo Analytics es que la sesiones en la que se verificaron esas conversiones, en este caso la venta, fueron originadas por un motor de búsqueda, y desde los resultados gratuitos (tráfico orgánico).

Esto es así para todas las fuentes de tráfico, salvo para “directo”. Las visitas directas por defecto no “machacan” a otras fuentes de tráfico que hayan originado visitas previas por parte de un usuario. Por lo que si accedo a un site por Adwords, y no convierto, y luego entro por directo, y convierto, la conversión se le adjudicará a Adwords (por defecto).

El criterio es bastante injusto. En primer lugar no nos dice nada del trabajo efectuado por las otras fuentes de tráfico con las que hayan podido interactuar los usuarios, antes de que la conversión se efectuara. Y, por otro, le resta peso al tráfico directo.

Consciente de esto, la gente de Google desarrolló los informes de Embudos Multicanal, que llevan activos por lo menos un par de años, y que son la base de lo que veremos a continuación.

Google-Analytics-MCF

Agrupaciones de canales en los informes de MCF.

En este blog hemos hablado varias veces de ellos, tanto a nivel general, como en detalle, así que no nos vamos a extender. Simplemente diremos que gracias a los informes de Embudos Multicanal, es posible analizar las diferentes interacciones realizadas por los usuarios antes de llegar a la conversión. También nos dicen si un canal es más propenso a asistir o a cerrar las conversiones.

Si alguien quiere profundizar, puede leer los siguientes artículos:

  1. Informes Multi-Channel Funnel de Google Analytics
  2. Embudos Multicanales: diseccionando la nueva funcionalidad de Google Analytics
  3. Informe de Embudos Multicanal

Fue todo un paso adelante, que permitió a muchos usuarios avanzados de la herramienta tener un atisbo de la verdadera naturaleza de los canales de tráfico en lo que se invierte.

Pero el problema estaba lejos de resolverse. Primero porque sólo se analizaban los datos en dos dimensiones (asistencias y conversiones) y, segundo, porque el criterio de base seguía siendo el de última interacción.

Como en todo asunto complejo, nos encontramos con que hay muchos otros factores que no se habían tenido en cuenta. Para empezar, no todos los responsables de asignar el presupuesto para inversiones en diferentes canales están de acuerdo con el modelo de atribución de última interacción.

Además, y lo que es más importante, el modelo de última interacción no es aplicable en todos los casos. De hecho, casi ningún modelo se ajusta 100% a la naturaleza de la estrategia de inversión de una empresa.

Así que Google dio un paso adelante y lanzó su informes de modelos de atribución, en los que es posible comparar los ingresos aportados por los canales según varios criterios. Incluso permite crear modelos personalizados para dar respuesta a la mayor cantidad posible de estrategias empresariales.

Modelos de Atribución en Google Analytics

Modelos de Atribución en Google Analytics

Para tener una idea más o menos clara de los criterios que rigen cada modelo, recomendamos leer los siguiente artículos de Google:

  1. Descripción general de los modelos de atribución
  2. Información sobre los modelos de atribución

La pregunta es: ¿y cómo sabemos cuál modelo es el adecuado? Esto requiere un estudio pormenorizado de las acciones y los objetivos de la empresa, y de la naturaleza de las inversiones en los diferentes canales. Y también paciencia.

La mejor forma de ajustar un modelo es tomar decisiones basadas en él, y analizar el resultado de esas decisiones. Si casan con lo esperado entonces nuestro modelo es correcto. Descrito así suena sencillo, pero no queremos engañar a nadie. No lo es. Y lo peor, hay dinero en juego. En ocasiones, mucho dinero.

El problema de fondo es que para modelar algo tan complejo como la aportación de los canales a las conversiones de forma seria, se tiene que hacer uso de las matemáticas. Y aquí tocamos hueso.

Al inicio de este post decíamos que el problema se resume en cómo determinar de manera justa la contribución de un jugador, al resultado final del juego. No es un comienzo casual, porque precisamente todo esto está relacionado con la teoría de juegos.

Evidentemente la gente de Google es consciente de esto, así que a sus clientes Premium los ha dotado de una herramienta más: el Explorador de Modelos (Data Driven Atttibution), del cual hablamos hace poco en este mismo blog, en el artículo “El modelo de atribución basado en datos”.

Modelo de Atribución Basado en Datos

Modelo de Atribución Basado en Datos de Google Analytics Premium. Fuente: http://analytics.blogspot.com.es

Este modelo utiliza un algoritmo desarrollado por el premio Nobel de Economía Lloy S. Shapley  para la justa distribución de los resultados de un equipo entre sus miembros.

Como explicamos en el post citado, con la información que recoge, Analytics (Premium) 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, y muestra la probabilidad de que un usuario realice una conversión en un punto determinado de la ruta, dada una secuencia particular de eventos.

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”.

Además del aparato matemático que hay detrás, uno de los puntos fuertes de este informe es que se genera con datos que van más allá del tráfico que llega a un sitio procedente de las diversas fuentes (orgánico, referente, de pago, social…). También tiene en cuenta los datos de todos los productos de Google que se hayan enlazado con Analytics: Adwords, la red de display, o DoubleClick.

El Modelo de Atribución basado en Datos varía con el tiempo, y se ajusta según la información que recibe la herramienta. El objetivo es ayudar a determinar el mejor modelo de atribución posible.

Puede parecer que con este último paso, Analytics ha tocado techo en lo que ha modelos de atribución se refiere. Ellos han puesto las herramientas, y ahora nos toca a nosotros poner la cabeza a trabajar para sacarle partido a toda esta información.

Análisis multidispositivo

Sin embargo hay otro factor, relacionado con lo que hemos visto hasta ahora, que lo complica todo: “la realidad multidispositivo”.

Cuando accedemos a un site, en la actualidad, lo podemos hacer tanto desde un PC, como desde una Tablet o un Smartphone. Un usuario puede haber visto un banner navegando con su PC, pulsar sobre él, y acceder a un sitio web. Luego, en una segunda visita que realiza con su Tablet de forma directa, efectuar una conversión.

El primer canal fue Display, y el segundo fue Directo. La conversión se realizó en la segunda sesión, pero Analytics no puede saber, por defecto, que hubo una primera sesión gracias a Display, puesto que para la herramienta estamos hablando de dos usuarios diferentes. Según Analytics, tenemos a dos personas distintas en juego.

Siguiendo con el ejemplo, en el caso anterior Display no recibirá ningún crédito por la conversión, y directo se lo llevará todo. Por lo tanto, los datos para construir nuestro modelo de atribución son incompletos, por no decir erróneos.

¿Qué ha hecho la gente de Google? Pues ha empezado por implementar el User-ID (sólo para Universal Analytics).

¿Y qué es el User-ID? Pues es un identificador único capaz de reconocer a un usuario a través de diversos dispositivos. El concepto es simple: en lugar de identificar a un usuario mediante un Client-ID que Analytics genera por defecto, y que se incluye en la cookie que se guarda en el navegador, se utiliza un ID que sustituye ese código en determinado momento, bajo el cual se engloban todos los hits y las sesiones que se produzcan a partir de ese momento, y hasta que dicho parámetro se envíe a Analytics.

Para entender con todo detalle cómo funciona y cómo implementar el User-ID, recomiendo la lectura de este post de Justin Cutroni: Understanding Cross Device Measurement and the User-ID.

Como el post de Cutroni es muy completo y claro, aquí sólo vamos a destacar lo principal al respecto: quién facilita el User-ID, cuándo y cómo.

Pues el User-ID es cosa nuestra. Si el Client-ID lo genera Analytics, el User-ID tenemos que pasárselo nosotros a la herramienta, en el momento en el que el usuario se registra o se loguea en el site. Dicho User-ID puede ser cualquier identificador, siempre que no incluya datos personales.

Cuando eso ocurra, y como decíamos antes, la sesión y los hits quedarán englobados bajo ese User-ID. Si el usuario se desloguea, las instrucciones de Google dicen que el User-ID debe dejar de pasarse.

Esto implica modificar el código de nuestras páginas, y/o crear las macros correspondientes en el Google Tag Manager, si hemos implementado Universal Analytics a través de él. Es importante tener esto en cuenta: para tener datos en los los informes multicanal y sus derivados no es necesaria la customización del código de Analytics, a diferencia del User-ID y el seguimiento multidispositivo.

¿Qué se gana con todo esto? Pues que cuando un usuario accede a un sitio desde uno o más dispositivos en sesiones distintas, y se loguea, todas las sesiones, y sus conversiones, quedarán registradas correctamente y se asignarán a ese usuario.

Analytics podrá entonces asignar las conversiones por dispositivo de forma adecuada para ese subconjunto de usuarios (registrados o logeados), y generar informes que muestren los patrones de uso de diferentes dispositivos, y cuáles son los hábitos más comunes para llegar a la conversión. Por ejemplo:

Tablet → Móvil → Tablet → PC → Conversión.

Pero un momento… Empezamos hablando de canales de tráfico, y hemos terminado hablando de dispositivos. Y tiene lógica porque si uso distintos dispositivos para acceder a un sitio web, sin el User-ID no seré el mismo usuario para Analytics, y lo que haya hecho gracias a los canales de tráfico como el usuario A no se puede relacionar con lo que hecho gracias a los canales de tráfico como el usuario B.

Tal y como explica Justin Cutroni en el post que hemos citado anteriormente, para poder unificar todo esto tenemos que habilitar la funcionalidad del User-ID en la propiedad correspondiente. En el proceso, tendremos que crear una vista de User-ID, que será la que incluirá los informes de Dispositivos. Esta nueva vista (o perfil), sólo recoge  datos que contienen hits en los que el User-ID ha sido informado (no hay que olvidar que es necesario modificar el código de nuestro site para tener datos).

Esta nueva vista, como hemos dicho, tendrá los nuevos informes multidispositivo, así como el resto de informes que ya conocemos. Entre ellos, los de Embudos Multicanal. Es necesario tener en cuenta que los datos diferirán mucho de los del resto de perfiles: sólo estamos operando con un subconjunto de nuestros usuarios: aquellos que se loguean o registran, y envían el User-ID a Google Analytics.

De todas formas, las ventajas son considerables: se trata de un subconjunto de usuarios muy importante. El análisis de su comportamiento es esencial.

Todavía queda mucho por hacer

Con todo esto, otra vez parece que el tema de las atribuciones ha sido superado… ¡Pues nada más lejos de la realidad! Los lectores avanzados seguramente ya saben a lo que me refiero: ¿qué pasa con el mundo offline? ¿Si antes de buscar en Google y pulsar en un anuncio de Adwords, el usuario vio un anuncio de televisión, como le asigno crédito al anuncio?

Estoy seguro de que la gente de Google está trabajando para dar respuesta a esta última pregunta. La compra de Adometry por su parte, hecha pública en mayo de este año, es un indicador evidente de hacia dónde van los tiros.

Autor:

Consultor de Analítica y Optimización Web en Metriplica, especialistas en dar valor a los datos de tu web.

5 Comments

  1. Pingback: Cómo utilizar Google Analytics para estrategias de Social Media

  2. Wow, sin palabras me has dejado con todo este contenido. Conforme ibas “hablando” se me iban ocurriendo mil ideas.

    Mil gracias por esta información que ha generado un “brainstorming” en mi cabeza.

    Un saludo!

    PD: empiezo a seguirte!

Leave Comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.