Analytics 2.0

Mucho más que taggear

Analytics 2.0 - Mucho más que taggear

Como hacer reportes autoexplicativos

Aristotle_Bust_White_Background_TransparentLa Digital Analytics Association define Digital Analytics como la medición, recolección, análisis y reporte de datos de internet con el objetivo de entender y optimizar la usabilidad digital. No es un tema menor que análisis y reporte estén como cosas separadas. Análisis y reporte son procesos realmente distintos.

1. Analysis: Es el proceso de desagregar un tema o sustancia compleja en partes más pequeñas para lograr un mejor entendimiento de esta. La técnica ha sido aplicada en el estudio de las matemáticas y lógica desde antes de Aristóteles (384–322 D.C.), aún cuando análisis en si es un concepto relativamente nuevo. La palabra proviene del antiguo griego ἀνάλυσις (analusis, “desagregar”, de ana- “arriba, a traves” y lysis “aflojar, relajar”). Como concepto formal, el método ha sido atribuido a Alhazen, René Descartes (y al filósofo contemporaneo René Dechamps :-) ), y Galileo Galilei. También ha sido atribuido a Isaac Newton, como una forma práctica de identificar hallazgos en físcica. Definición completa de análisis.

2. Reporte: Reportar es un trabajo informacional (normalmente escrito, hablado o televisado) realizado con la intención especifica de transmisión de información o relatar hechos de una forma simple y comprensible. Los reportes son generalmente utilizados para mostrar los resultados de un experimento, investigación, consulta. La audiencia puede ser pública o privada, individual o pública. Los reportes son utilizados en Gobierno, Negocios, Educación, Ciencia, entre otros. Los reportes utilizan características como gráficos, imágenes, voz, o vocabulario especializado con el objetivo de persuadir a una audiencia de tomar una decisión. Uno de los formatos más comunes de reporte es IMRAD: Introduction, Methods, Results and Discussion. Definición completa de Reporte. Como puedes ver, en las definiciones antes mencionadas hay dos puntos importantes. La definición de análisis menciona que se trata de una persona tratando de desagregar información para identificar hallazgos, con su modelo mental. En ese proceso la persona genera constantemente preguntas y respuestas que terminan generado el contexto final sobre el cual el “hallazgo” tiene sentido. Yo llamo a esto sentido personal de la información (del inglés P.I.S. or personal information sense). El mayor desafío que tiene un analista es transferir el P.I.S. a quien reporta. En la definición de reporte se menciona que es vital presentar junto a este el método. Sin embargo el P.I.S. no es método sino más bien la linea conductiva de un proceso de identificación de hallasgos. 43824002

Porque es esto tan importante? Fui testigo una innumerable cantidad de veces de presentaciones de reportes realizadas, en el mejor caso, por el mismo analista, o por, el peor caso, otra persona (alguien más cool que el analista a quien “debemos esconder” por su extraña interfaz de comunicación (???)). En la mayoría de los casos me fue practicamente imposible comprender que quería decir cada una de las pantallas de la presentación, o como esa persona relacionaba el “insight” o hallazgo con la información mostrada. La respuesta es justamente que el P.I.S. normalmente no es correctamente transferido a la/s personas reportadas en el documento de la presentación .

Para lograr transferir el P.I.S. en tu presentación puedes utilizar un método muy simple. La analítica es parte de la lógica (del Griego antiguo: λογική, logike) que describe el uso del razonamiento valido. Entonces el P.I.S. puede transferirse utilizando los métodos lógicos de cada slide. Uno de esos métodos es el silogísmo (del Griego: συλλογισμός – syllogismos – “conclusión”) es una especie de argumento lógico en el que el rasonamiento deductivo es utilizado para llegar a una conclusión basada en dos o más proposiciones que son o se asumen ciertas. Hay un número infinito de silogismos posibles, pero solo un número finito de tipos distintos lógicos, los cuales clasificaremos a continuación. Noten que el silogismo anterior tiene forma abstracta:

Premisa mayor: Todos los M son P.
Premisa menor: Todos los S son M.
Conclusion: Todos los S son P.

Las premisas y la conclusión de un silogismo pueden ser de cualquiera de cuatro tipos, que están etiquetados a continuación con letras:

Código Cuantificador Sujeto Cópula Predicado Tipo Ejemplo
a Todos S son P Afirmativas universales Todos los humanos son mortales.
e Ningún S es P Negativas universales Ningún humano es perfecto.
i Algunos S son P Afirmativas particulares Algunos humanos son saludables.
o Algunos S no son P Negativas particulares Algunos humanos no son inteligentes.

En Analytics, Aristoteles utilizaba generalmente las letras A, B and C (de hecho, las letras griegas alphabeta y gamma) en lugar de dar ejemplos específicos, lo cual era una innovación en su tiempo. Normalmente se utiliza  es en lugar de son como cópula, por ejemplo todo A es B en lugar de todos los As son Bs:

Forma Se escribe
Todo A es B AaB
Ningún A es B AeB
Algún A es B AiB
Algún A no es B AoB

Entonces se puede transferir el Sentido personal de la información (P.I.S.) utilizando, por ejemplo, los silogismos que expliquen el razonamiento válido que se está utilizando para llegar a las diferentes concusiones, ergo, a los hallazgos o insights. Permitiendo de esta manera a la persona reportada comprender como has llegado a la conclusión y porque estás sugiriendo lo que estas sugiriendo. El razonamiento válido no es suficiente, debe estar, claro está, soportado por información válida o sea, soportada por modelos estadísticos comúnmente aceptados. Podrías decir entonces, cada vez que mostramos el producto B en un funnel de conversión del producto A el valor del ticket promedio se incrementa en un 20% (R 0.8, modelo anova), entonces si incrementamos la aparición del producto B en x% más en el mismo proceso, deberíamos conseguir un incremento del X% en el valor del ticket promedio con un nivel de confianza del 95%. En este ejemplo, estamos utilizando un razonamiento válido en conjunto con un método estadístico válido. No solo conocemos que decisión tomar, sino además el riesgo asumido con dicha decisión (incrementando X% la aparición del producto B).

Caos de información? Gobierno de Analítica, tu única salvación

La mayoría de las empresas fueron fundadas en un tiempo en el cual la información no abundaba y era muy costosa. Además cuando llegaba en muchos casos estaba desactualizada y se utilizaba más como confirmar una decisión tomada que para tomar la decisión.

Hoy en día tener información ya no es costoso. De hecho hay informacióon por todos lados y casi en tiempo real a costos tendientes a cero. Esta avalancha de información en lugar de mejorar los procesos de toma de decisiones en muchos casos los empeora o incluso hace imposible.

market research

Los ejecutivos y gerentes plantean como su gran problema actual, que están nadando en datos. La mayoría de ellos ya han intentado resolver el problema contratando recursos mejor preparados en Big Data, Estadística, Analítica y Data Mining sin que esto le haya reportado un resultado mejor al obtenido anteriormente. Todos los esfuerzos infructuosos enfocados a mejorar los procesos de tomas de decisiones en un mundo con exceso de información terminan, en general, generando una gran frustración.

Big Data

El tema es que el problema no se basa en conocimientos técnicos, sino en cultura. Estas empresas nacieron en mundos con carencia de información lo que impidió que se desarrollara dentro del ADN de su cultura el “componente” orientado a datos. Las empresas son sistemas y como tales tienen partes que interactúan entre si con un objetivo en común, esas interacciones generan la información que nos permiten saber que recurso está impidiendo que una empresa alcance sus objetivos o mejores sus resultados y porque está ocurriendo eso. Lo que significa, que parte del sistema no está interactuando de manera correcta (cuello de botella) impidiéndole a la empresa obtener mejores resultados como un todo. Algunas de esas partes del sistema son “Humanos”, o sea personas interactuando con otros creyendo que están acercando a la empresa a sus objetivos.

Digital Analytics

Sin embargo no siempre las buenas intenciones generan grandes resultados empresariales, lo que explica porque contratar a un genio de Big Data, de por si solo, no terminó solucionando los problemas de exceso de información. No se trata de que tan bien se analiza la información existente o disponible, sino cuanta información de las interacciones del total del sistema está disponible. La cultura orientada a datos requiere que cada recurso de la misma comparta la información que explica la realidad que cada uno genera en la misma.

Decision making scenario = Σ information(interaction 1) + information(interaction 2) +  information(interaction x)

La formula mencionada anteriormente explica lo importante que es compartir la información. En general esta información termina no intencionalmente oculta por cada empleado en un anotador al lado de su computador.

Data Driven Culture

La solución es indefectiblemente agregar el componente “Orientación a datos” al ADN de las culturas empresariales. Esto no es algo que se hace cambiando a toda la gente de la empresa sino generando el entorno adecuado donde las personas desarrollan sus capacidades comprendiendo que significa esto dentro de la estructura actual de la compañía.

Analytics structure

El objetivo de la empresa debe ser extremadamente claro de modo que cada persona comprenda como su actividad acerca a la empresa al mismo. Como pequeños escalones que cada uno aporta para llegar al resultado de negocios esperado. El mayor desafío es coordinar todas esas actividades.

Analytics Governance se refiere al conjunto de actividades con foco en comprender que recursos componen el sistema empresa, diseñar el sistema de medición y generar un proceso virtuoso de mejora de los procesos de toma de decisiones, dejando en evidencia que recurso no están acercando a la empresa a sus resultados y porque.

Analytics goal

Las empresa que logren implementar un plan de Gobierno de Analítica serán las que en el futuro cercano van a hacer la diferencia.

En cuanto a las empresas nuevas, recomiendo profundamente que inicien con actividades de Gobierno de Analítica, de modo tal que su cultura tendrá en el ADN el componente orientado a datos desde el inicio

Data Driven culture

México recibe el primer GAUC

El próximo 25th de abril estaré llegando a México para participar como speaker en el primer primer GAUC(Google Analytics User Conference) de México. El objetivo es motivar el encuentro entre usuarios de Google Analytics, consultores y expertos en web analytics de la industria en Latinoamérica y ejecutivos de Google responsables de su desarrollo.

Interactuar uno-a-uno entre usuarios de Google Analytics para compartir experiencias, aprender novedades y funciones avanzadas, y profundizar sobre la importancia de la medición en Internet.

.

GAUC Mexico 2012

Mi charla será sobre “Meta Analytics: Como optimizar el flujo de dinero utilizando información de Google Analytics”. En general se analiza la información de un sitio o proyecto online de manera aislada, como sin relación entre las partes del sistema haciendo muy difil comprender cual es el recurso que está limitando o restringiendo la optimización de los resultados (dinero). Meta Analytics introduce dos conceptos clave, la idea de identificar las interacciones del sistema analizado como principal fuente de información y la comprensión de la mente humana, ni más ni menos que la principal responsable de procesar la información. La mente humana está siempre dispuesta a jugarte malas pasadas a no ser que estés listo para jugar el juego…lo estás? Nos vemos el 25!

Mi más sinceras felicitaciones a Francisco Pellat y toda la gente trabajando detrás de escena por la exquisita organización!

Medición de Churn Rate en negocios no “opt-out”

El Churn Rate (también llamado attrition rate) es una métrica muy útil, que mide el número de individuos o items ingresando o egresando de un conjunto en un período de tiempo específico. El Churn rate, cuando es aplicado a una base de datos de usuarios, se refiere a la proporción de clientes contractuales o subscriptores que dejan a un proveedor en un período de tiempo determinado. Es un potencial indicador de insatisfacción de clientes, ofertas más baratas o mejores de un competidor, acciones de venta o marketing más exitosas por parte de la competencia, u otras razones relacionadas con el ciclo de vida de clientes (o customer life cycle) (Wikipedia).

Churn Rate in Communities

Entonces si trabajas con o en una celco (empresa que provee servicios de telefonía móvil) contabilizarás el Churn Rate como la cantidad de clientes que cancelan sus planes en un momento determinado. Simple y dulce :-)

Ahora bien, nuestro amigo el Beto “Albert” Einstein una vez dijo “En teoría, teoría y práctica son lo mismo, en la práctica no”. Así que vayamos a uno de esos casos donde no es lo mismo, uno de esos casos poco dulces y sexys.

Un buen ejemplo es un sitio de comunidad, digamos que queremos medir el churn rate de una comunidad en particular, ¿Cómo podríamos determinar que un usuario nos está abandonando? O sea, el opt-out en una newsletter no es Churn, cierto? El punto es que en una comunidad el usuario nunca dice”Me estoy yendo de tu comunidad!”, entonces…en que momento decimos, este usuario es parte del Churn?

Seguramente debe haber muchas formas, yo voy a contarles la mía. Fisgoneen la base de datos tratando de identificar en que periodo el 80% de los que se fueron ya no vuelven más (o el número más cercano), recuerden que todo lo que pueden saber sobre el futuro está relacionado con el pasado. Entonces, digamos que empezamos a revisar nuestra base de “Conocimiento” desde February 2011 (el año pasado). En enero 100 personas se loguearon en el sitio y luego no lo hicieron en Febrero. Desde ahora, tomaremos estos como nuestra población de análisis.

1- De esos 100 usuarios, 10 se loguearon nuevamente en Marzo.

2- 5 se loguearon por última vez en Abril.

3- Y 5 se loguearon durante algún momento entre Junio y (‘current_date’) :-)

4- El 80% que quedó al inicio nunca se volvió a loguear (hasta el momento).

Entonces podremos contar esos como nuestros usuario Churn de hace tres meses. Digamos digamos que hace tres meses fue Enero 2012, entonces tu consulta en la base de datos debería ser algo así como Where (‘last_login’) between (’01-01-2012′) and (’01-31-2012′).

Entonces, ahora que ya tienes una de las métricas más importantes para el KPI Churn Rate solo resta la más simple. Ahora solo tienes que calcular la cantidad de usuarios en tu base de datos durante el mismo período de tiempo. Eso es simple, solo corre la siquiente query “where last login is from (‘registration_date’) to (‘three_month_ago’)”.

Listo!

CR = Churn / Users in Database

Entonces, cual es tu churn rate?

Metricas estándar y no estándar

Si estás leyendo este blog probablemente ya conoces sobre Visitantes Únicos, Visitas y Páginas Vistas, etc. Esas son Métricas Estándar, lo que significa que lo que esas métricas miden se basa en una definición hecha por un organismo reconocido y aceptado como el regulador en el tema, en este caso la Web Analytics Association, y que la comunidad de Analytics reconoce como aceptada. De hecho cuando alguien dice “Yo tengo 10.000 Visitantes Únicos”  todos sabemos que está hablando de 10.000 Navegadores Únicos que están siendo medidos por una Cookie en particular.

Standard vs Non-Standard metrics

Las métricas Estándard son muy importantes, de hecho la Web Analytics Association tiene un comité que trabaja específicamente en esa temática, el Comité de Estandarización (que realmente hacen un gran trabajo). Las métricas Estándar se enfocan en análisis externo, o sea que buscan respuestas en información relacionada con la companía/proyecto en relación con el entorno (uno o varios competidores). O sea, con métricas estándar puedes hacer analytics externo para controlar, o bien para benchmarking (sinceramente no soy muy fanático del benchmarking externo, pero existe). Esto significa que no deberías utilizar métricas standard para analytics interno nunca? No, no estoy diciendo eso. Solo digo que ese no es el foco principal pero si son útiles para tus actividades de analytics interno entonces adelante!.

Por otro lado tenemos las métricas no estandar. Estas son las utilizadas para medición y benchmarking interno. En este caso no importa que las métricas no sean estandar ya que no se utilizan para comparar tu performance con la de un tercero sino para medir tu propio nivel de performance.

Porque les cuento todo esto? Porque es importante que al momento de identificar los KPI’s o “sensores” para medir tu propia performance es importante que seas creativo, creando una métrica que permita capturar información específica que tu o alguien más de tu compañía quiera capturar.

Entones, al buscar esas métricas para medir tu performance interna olvídate sobre todo lo que sabes y piensa en cual sería esa métrica ideal, como estaría compuesta y que nombre es el que todo el mundo podría comprender al “leerla” y no olvides describir la composición de la misma y explicarla cada vez que la utilices, recuerda que al ser una creación propia no todo el mundo debe saber que significa tener más o menos resultado en esa métrica.

Descargar el documento de Métricas Estandar de la Web Analytics Association

Dad está de vuelta para impactar en tus conversiones

Parece que nada ha cambiado en muchos años…fíjense en este post del 2006 “Desired Advertising – DAD – Is that possible?” y díganme si no es actual? Lo es, y lo es por una razón muy básica y es que se basa en que la publicidad debería enfocarse en dar un servicio en si mismo y no para el consumidor y no como una estúpida e intrusiva forma de robar la atención de la gente.

Ayer justamente mi amigo Diego twitteaba enojado porque lo llamaban reiteradas veces del call center de empresas automotrices “Para esto contratan a los genios del marketing?”. O sea, empresas que invierten mucho en marketing terminan llamando a una base poco cualificada para “convencerlo” que necesita comprar un auto.

Siguiendo con el razonamiento previo y obviamente teniendo en cuenta el Código de Ética de la Web Analytics Association, imagina cuanto mejor sería para tus clientes o potenciales clientes que los contactes considerando sus intereses y necesidades siguiendo el Modelo Dad

Yahoo! Web Analytics individual tracking

Si crees que es algo un poco sofisticado para tus conocimientos, la respuesta es no…para nada.

Lo único que necesitas es una solución de Analytics que te permita la medición de individuos (individual tracking) y tener una registración y/o login en tu sitio web. Entonces aquellos que acepten la cookie de medición podrán ser monitoreados en cuanto a sus intereses particulares en un momento específico (lo que se llama información referida a momento, la cual es la mejor información para procesos de conversión). Basándonos en esta información podremos crear segmentos basados en comportamiento (behavior) y/o datos demográficos (demographics) y o actitud (attitude) y en base a esta contactar a la gente, para dar un ejemplo, con una newsletter que le agregue valor. Podrías por ejemplo enviarles promociones basadas en lo que ellos están buscando comprar en un momento específico, o informarles sobre eventos que ellos están interesados en atender justamente en el momento en que lo buscan.

En este caso hice un test rápido en Yahoo! Web Analytics, solo porque la tenía a mano (y es muy buena!), pero podrías utilizar cualquier otra que tenga individual tracking. Solo tienes que crear el segmento, exportar los ID’s (si no sabes utilizar API, si lo sabes entonces no tengo que darte muchas instrucciones sobre el tema :-) ) y hacer el envío personalizado a los usuarios cuyos ID’s exportaste. Pruébalo y dime cual fue tu lift!

Subestimar a las herramientas de Analytics es un gran primer paso

En más de 10 años trabajando con información de Internet veo la misma situación ocurriendo una y otra vez. El primero contacto que tiene la gente con el mundo de  Analytics está relacionado a herramientas. Ya hablamos bastante de esto, cuan difícil es para los “civiles” :-) separar lo que son las prácticas de las herramientas de analytics. Cometimos el mismo GRAN ERROR de branding que cometió la gente de CRM, llamar a las herramientas del mismo modo que las prácticas. En nuestro caso es peor porque siquiera existe una herramienta de “Analytics” como un todo, sino de site centric behavioral analytics (o de análisis de comportamiento de usuarios dentro de un sitio específico, sea lo que sea que llamemos sitio).

Entonces, cuando alguien se encamina en el mundo de la Analítica su principal foco está en aprender a utilizar herramientas para sacar alguna información, siendo el sueño de largo plazo aprender a implementarlas. La verdad es que Web Analytics (Agregué el termino Web porque la Web Analytics Association habla específicamente de Web Analytics en su post “Optimizing the Online Business Channel with Web Analytics“) se refiere a la recolección, análisis y reporte de la usabilidad web por parte de visitantes y clientes de un sitio web. Entonces, las herramientas son solo una parte del proceso, pero la parte más importante en los modelos de Analytics es generar insights que permitan tomar decisiones eficientes de negocios en base a grandes volumenes de información.
Es importante tener conocimientos sobre las herramientas? Si, sin embargo yo jamás dejaría de darle un empleo a alguien en Intellignos solo porque no sabe utilizar una herramienta en particular, si esta persona tiene la mente analítica necesaria. Aprender a utilizar herramientas es un proceso bastante simple, que lleva tiempo, pero simple, que se trata de comprender la lógica del “lenguaje” con el que la herramienta genera sus comunicaciones. En el peor de los casos es un tema de Helps y FAQs, algo que cualquier persona podría eventualmente hacer, siempre que sea perseverante….nada diferente a aprender a utilizar excel. Pero nunca podrás ser un buen profesional de analytics si no eres capaz de identificar patrones y tendencias en grandes volúmenes de información que sirvan para tomar decisiones que generen ingresos a la/s empresa/s.

Por otro lado las herramientas están vivas, siempre, cambian y mejoran constantemente entonces, como podrías basar tu core competence en algo que no es sostenible en el tiempo? Vamos, no se trata de saber como obtener un set de datos de una herramienta específica, sino de identificar que set de datos se necesitan y luego eventualmente identificar la forma de obtenerlo en una herramienta en particular.

“Dicho lo dicho”, el mejor consejo que puedo darles es…si estás dando tus primeros pasos en esta industria mira a tu herramienta de Web Analytics a la cara y decile “No me importas, no te necesito, solo eres un conjunto de lineas de código” :-)

El valor de una sonrisa – Analytics te permite medir lo no medible

Si solo lees un par de renglones seguramente no vas a entender que tiene que ver este post con Analytics (algo que seguramente es muy bueno para mucha gente, pero supongamos que siendo este un blog específicamente de Analytics, que no hable de eso es algo malo para un visitante).

The value of an smile

Hace aproximadamente unos 10 días estuve de vacaciones luego de unos 2 años. Cuando no tomas vacaciones por tanto tiempo, tu expectativa es que todo salgo bien.

En el segundo día de vacaciones mis hijos me pidieron ir a un restaurante temático relacionado con Dinosaurios…. así que fuimos al restaurant todos juntos. Si bien no tenía ni la mejor comida ni el mejor precio, la idea era ir a pasarla bien y vivir la “experiencia” junto con los dinosaurios.

Cuando llegamos al restaurante pedimos una mesa y nos comunican que hay una demora de 45 minutos, mi tentación de irnos a otro lugar fue muy fuerte, si no fuera porque mis hijos nos hicieron recordar quien manda :-). Así que llegamos nos dispusimos a esperar 45 minutos cuando una camarera de muy mala manera nos dice que no podemos esperar ahí en el salón ya que había gente comiendo y eso podría hacerlos sentir incómodos (ok, aceptable…) y nos invitó a esperar o bien afuera (donde hacia un poco de frio, al menos para como estábamos vestidos nosotros) o bien en la tienda de obsequios del restaurante (o sea, se imaginan 45 minutos con dos chicos de 3 y 5 años esperando en una tienda de obsequios?). Así que decidimos la tienda de obsequios. Luego de lograr estar ahí 45 minutos sin comprar nada (un gran KPI) me dispuse a ir por mi mesa. Nadie me atendía hasta que dos personas me ladran (sonó más como un ladrido que como palabras) debe esperar 10 minutos más, no tenemos su mesa todavía. A los 10 minutos la camarera nos invitó a sentarnos y con una gran sonrisa nos dijo “Bienvenidos!!!”. Mi respuesta fue, es la primer sonrisa que ven en este restaurante. Al comentarle lo ocurrido nos ofrece llamar a la Gerente del restaurante cosa que aceptamos. La Gerente tambien con una sonrisa, nos dice que hay mucha gente y el trabajo puede ser muy estresante, pero que no es escusa. Así que nos invita a pasarla bien el resto del la estadía y nos vuelve a pedir disculpas las cuales fueron aceptadas.

Al pedir la cuenta para poder pagar e irnos, vemos que nos habían hecho un descuento del 20% por el “inconveniente”. O sea, como una forma de decir “el servicio fue menor del esperado, entonces el precio debe tambien serlo”. Cuanto menor el precio, menor la expectativa  (precio= expetativas – producto o servicio realmente entregado). Pero más allá de la anécdota, el punto es, todo es medible.

Mi queja era simple, nadie sonreía en un lugar donde la expectativa es que si lo hiciera. Aún cuando uno tiene que esperar 45 minutos, si uno decide hacerlo entonces el problema no es el tiempo, sino la sonrisa. Ellos entendieron que la falta de sonrisa valía 20% del servicio. Entonces imaginen que el restaurante utilizara el KPI  Smile Rate y le explicara a sus empleados lo que esto significa…”Cada vez que no sonreís perdemos el 20% del ticket como mínimo, en otros casos al cliente”. De hecho es un gran negocio para el restaurante pagar un “fee por performance” a su equipo. “Si sonríes y el cliente está contento, te pagamos el 2% de cada ticket como parte de tu salario”. Recuerdan la frase “dime como me mides y te diré como me comportaré, mídeme de manera ilógica y no te quejes si me comporto ilógicamente”. Ok, el “Smile rate” es bien claro. Permite a las personas comprender la relación existente entre dos variables importantes, su salario y su sonrisa. O sea, los deja en una situación de “acción”. Si quiero ganar más, debo sonreír más.

No sería genial hacer un modelo Anova con las series “Sonrisas” e “Ingresos”? Nunca digas que algo no se puede medir como primera respuesta. Se creativo, si todavía no encontraste la respuesta, no será que todavía no as investigado lo suficiente?

Gestión de restricciones vs. atribución directa

El més pasado asistí a eMetrics New York, el cual es probablemente el evento más importante de nuestra industria, el cual estuvo exquisitamente organizado por gente fabulosa como Jim Sterne (un poco de historia de eMetrics) y con una variedad de temas para satisfacer incluso al más paladar más particular.

Lamentablemente no pude asistir a todas las presentaciones porque estuve en nuestro stand, sin embargo puedo decir que la calidad de las presentaciones fue en general bastante buena. El único tema fue que, aparentemente, estamos en presencia de una nueva palabra de moda, permítanme presentarles a la mejor, la más importante y relevante palabra de la industria del “marketing digital”…con ustedesssss…”Attribution“. Ahora en serio…me sorprendió con cuanto esmero y entusiasmo los presentadores querían atribuirle a UN objeto de sus sistemas una conversión o venta. Es como querer atribuirle a quien hace un gol todos los meritos…vamos, no es así…

Dale una mirada a la siguiente presentación…

Entonces mi sugerencia es gestionar restricciones (Si claro, el modelo de Eli Goldratt). Porque? Dale una mirada a la siguiente presentación:

Entonces, si podemos identificar las interacciones entre las partes del sistema y basándonos en series de datos podemos comprender la dependencias entre estas porque no crear un modelo que permita atribuir a cada objeto un porcentaje de la conversión final? Dejemos esto para otro post, ya estuve trabajando en ello :-)

Claustrofobia Analítica

La posibilidad de que existan dos proyectos basados en sistemas similares son practicamente nulas. O sea, aún cuando ambos sean, por ejemplo, sitios de eCommerce relacionados a productos para Golf, y el sitio del competidor tambien lo sea, la probabilidad de que ambos funcionen de la misma manera son nulas. Todos los elementos de ambos sistemas no interactuarán de igual manera, tampoco la experiencia del usuarios será igual generando sistemas distintos.

Habiendo mencionado esto es facil de comprender porque es tan importante que las plataformas de información (Website Analytics, Social Media Analytics, etc) tengan flexibilidad analítica. Cada vez que utilizo una herramienta de información siento cierta Claustrofobia Analítica…Quiero decir, siento la necesidad de utilizar la información con total libertad para encontrar los cruces adecuados que me permitan comprender e identificar tendencias cosa que no ocurre y da la sensación de que estoy encerrado entre tablas standard, casi físicas.

 

 

Yo se que, cuanta más flexible la herramienta, más difícil de utilizar. Tambien se que cuan importante es que todos en las compañías tengan la información necesaria y no solo aquellos que tengan más experiencia, aquellos que pueden hacer consultas en bases de datos por ejemplo, pero vamos, las plataformas pueden tener un front end sencillo y usable por cualquiera y ADEMÁS la posibilidad de hacerle consultas libres a sus bases de datos. Cuanta mayor información, más flexibilidad necesitamos para poder darle uso adecuado y eficiente.. El problema es que generalmente los proveedores de estas plataforma están más enfocados en tener a todos contentos y pagando sus tarifas que pensando en como ayudar a generar valor con la información, o como proveer una solución que SIRVA a las personas que tomen decisiones en serio. Tambien es cierto que abrir la posibilidad de que se puedan correr consultas en la base de datos puede generar costos bastante altos pero…que importa? Si genera costos, y esos costos se basan en información que sirve para generar más ingresos, las empresas pagarán por ello. O sea, no es que las empresas piensan en que costo tienen que pagar sino por el resultado que se puede generar. Tambien podrían decir, como puedo estar seguro que lo que pago por la información voy a recuperarlo. La respuesta es, “no puedes”. Pero podrás estar seguro de que tan posible es generar ese resultado y con que margenes de riesgo te manejas. No porque algunas soluciones sean gratuitas todas deban serlo. No parece muy inteligente dejar de pagar por información que podría optimizar los resultados empresariales solo porque hay que pagar por ellos, si así fuese las empresas no comprarían materia prima :-)Cuanto más conozco las plataformas de información, más amo a las bases de datos