Técnicas avanzadas de personalización [Dynamic Yield]

Índice de contenidos

Donde no llega un test de optimización

Una de las formas fundamentales y básicas de mejorar la conversión de un sitio web es realizar tests de optimización (A/B o multivariante). 

Dada una versión inicial de un elemento (desde un texto o botón a una landing completa) y una o más variantes alternativas, iremos mostrando una y otra(s) a diferentes usuarios y midiendo la tasa de conversión de los diferentes grupos. Cuando se hayan recogido los suficientes datos, las frías y objetivas matemáticas nos dirán qué versión funcionó mejor.

Pero en muchas ocasiones, nos encontramos con que, por mucho que se alargue el test, no obtenemos más que resultados inconcluyentes o una victoria pírrica por parte de una de las opciones. 

Ejemplo de un test de optimización sin resultados concluyentes


Puede ser que nuestra hipótesis de mejora no fuera correcta y que un posible cambio en lo que estamos poniendo a prueba no supone ninguna diferencia.

Pero es más habitual que esos resultados globales escondan otra cosa. Hablamos de que dicho cambio podría haber tenido una influencia positiva sobre una parte de los usuarios a los que se les mostró, mientras que fue negativa para otra parte, compensándose ambos resultados.

La clave aquí sería segmentar para poder dar con esos patrones. Y la manera más eficiente de hacerlo es con una herramienta especializada en personalización, como Dynamic Yield, de la que ya os hablamos hace un tiempo.

El predictive targeting o como personalizar con el piloto automático puesto

Simplificando, en Dynamic Yield podemos plantear un test A/B de una manera similar a como podríamos hacerlo, por ejemplo en Optimize.

Configuración de un test A/B en Dynamic Yield


Una vez lanzado, el test empezaría a mostrar una variante u otra a diferentes usuarios, midiendo su grado de conversión y arrojando, con el tiempo e idealmente, un vencedor. Nada nuevo aquí.

Pero en esta herramienta, por debajo y sin nuestra intervención, está funcionando la “magia” del predictive targeting.

¿En qué consiste? La herramienta podrá arrojar una variante vencedora en términos generales, pero internamente va evaluando el resultado contra diferentes perfiles de usuario. Ésto evitaría el problema que comentábamos antes de resultados positivos para una parte de los usuarios y negativos para otra que acaben compensándose y hagan pensar que el experimento no ha servido de nada. Esta es la verdadera personalización.

La clave aquí será la creación previa de una serie de reglas en la herramienta que nos permitan clasificar a los futuros usuarios en audiencias significativas. Las audiencias de Dynamic Yield se construyen de una manera similar a cuando creamos audiencias de remarketing en Google Analytics en base a segmentos avanzados. Definimos las condiciones para pertenecer a una audiencia y ésta se va poblando a medida que llegan visitas que cumplan esos criterios.

Aparte de las audiencias por defecto (por canal de adquisición, por tipo de dispositivo, etc.), podemos crear otras más personalizadas: usuarios que hayan visitado cierta sección, que hayan comprado en el último año, que se conecten desde cierto país y un largo etcétera. 

Con el test en marcha, en el momento en que Dynamic Yield detecte que cierta variante funciona significativamente mejor que otras con cierta audiencia, nos avisará de ello, ofreciendo la opción de asignar de manera fija esa versión a los usuarios que encajen con ese perfil. ¡Voilà! Ya tenemos una personalización respaldada por un análisis con resultados estadísticamente significativos.

Ejemplo de oportunidades de personalización detectadas por el predictive targeting en un test A/B. Fuente: dynamicyield.com


De un test lanzado para el total de los usuarios iremos obteniendo, a medida que los datos lo permitan, personalizaciones concretas para ciertos grupos de usuarios. Serviremos a cada persona aquello que sabemos que va a funcionar mejor con ella o que le va a resultar más relevante. Y todo ello, de manera automática y sin que requiera un análisis concienzudo por nuestra parte. 

¿Qué te parece? ¿Has probado ya Dynamic Yield? ¡La personalización es la clave!

Share on facebook
Share on twitter
Share on linkedin
Share on email
3 min
Suscríbete a nuestra newsletter

Los mejores artículos de analítica digital para potenciar tu negocio.

Deja un comentario

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

Entradas relacionadas

¿Qué es Gtag y cómo implementarlo para App + Web?

Gtag es una etiqueta de seguimiento que nos permite unificar los productos de Google y que está basada en eventos predefinidos. Es ahora con el lanzamiento de las propiedades de App + Web cuando realmente resulta útil para poder estandarizar y aunar la medición de nuestras apps y webs.

5 minutos

Dificultad

Cómo configurar una propiedad App+Web en Google Analytics

Las nuevas propiedades de App+Web de Google analytics nos permiten añadir hasta 50 flujos de datos de uno u otro tipo. En este artículo te explicamos cómo crear este tipo de propiedades y cómo configurarlas para web.

5 minutos

Dificultad

Nuevas propiedades App + Web de Google Analytics

Las propiedades App + Web son el nuevo modelo de propiedades de Google Analytics que nos permiten consolidar los datos de páginas webs y aplicaciones en un solo sitio, facilitando el análisis multiplataforma.

3 minutos

Dificultad

Ir arriba

Esta web utiliza ‘cookies’ de terceros. Al clicar aceptar está aceptando el uso que realizamos de las cookies. Para más información puede consultar nuestra Política de cookies