Analítica digital no es (solo) Google Analytics

Si queremos tener claro el encaje que tiene la analítica en nuestra estrategia y cómo podemos beneficiarnos de ella, es necesario tener claros sus conceptos básicos. Y, sobre todo, entender que la analítica digital es mucho más que Google Analytics (hablamos de esta herramienta porque es la más conocida y generalizada, pero aplica a cualquier otra).

El pensamiento analítico

Cuando hablo de analítica, me gusta empezar con este gráfico de Donald Rumsfeld, político y Secretario de Estado de EEUU en distintas legislaturas. Él entiende que la incertidumbre se puede gestionar con un esquema como este:

Al final el mundo se mueve entre las cosas que sabemos y las que no sabemos. Y dentro de las que sabemos, hay una parte de conocimiento -sabemos que sabemos- y otra que desconocemos - sabemos que no sabemos-. Igual que ocurre con la incertidumbre, hay cosas que no sabemos que sabemos y otras que no sabemos que no sabemos.

Suena a trabalenguas, pero si lo leemos detenidamente veremos que es muy interesante. En el contexto en el que estamos, lo que más nos debe preocupar es el punto de las cosas que no sabemos que no sabemos. Es el terreno de la máxima incertidumbre, pero es también el territorio de los hallazgos o de los insights. El análisis debería ser la respuesta a la incertidumbre, porque es donde podemos llegar a la fase máxima del análisis, del descubrimiento real.

Igual que una persona que utiliza correctamente Photoshop o Figma no tiene por qué ser un diseñado, lo mismo ocurre con la analítica. Utilizar una herramienta de datos, no nos hace ser analistas. Porque a veces nos pensamos que la propia herramienta nos va a dar las preguntas que nos tenemos que hacer. Y nos equivocamos.

Aquí es donde entra en escena la importancia de desarrollar el pensamiento analítico: la capacidad de identificar y definir un problema para resolverlo utilizando los datos en una secuencia ordenada paso a paso. De convertir algo grande en fragmentos pequeños que nos permitan definir y resolver problemas de una manera más sencilla que si intentamos sacar conclusiones de un todo.

Entendemos por analítica web el análisis sobre la actividad con el objetivo de enfocar acciones a acciones y resultados. Todo lo que no sea una acción o un resultado, no deja de ser una hipótesis o literatura.

Lo que buscamos con la analítica es cambiar las cosas y para ello el analista debe tener las siguientes habilidades:

• Contar con una curiosidad innata para cuestionarlo todo.
• Desarrollar una visión de contexto para comprender el negocio.
• Ser capaz de dividir cualquier problema en pasos más sencillos.
• Ordenar y entender las fuentes de datos (data design).
• Gestionar las herramientas y recursos necesarios (data strategy).

Todo análisis tiene un proceso

• Preguntar, si no tienes conocimiento del problema, del negocio, del cliente, no es posible analizar. Por eso es importante plantear las preguntas adecuadas antes de comenzar el trabajo.
• Preparar, reuniendo la información para entender de todo el ecosistema de datos cuáles van a ser útiles y cuáles no.
• Procesar esos datos, transformar todo lo que hemos encontrado en la fase de preparación en un sistema de datos, conectando con las bases o fuentes de datos que nos interesan para empezar el registro.
• Analizar, este es el punto clave, pero antes hay que tener claro todo lo anterior. Aquí empezamos a sacar conclusiones, explotamos las herramientas, revisamos informes e identificamos causas, patrones, correlaciones, etc. Y podemos empezar a plantear problemas y soluciones relacionadas con el negocio.
• Compartir los hallazgos de la investigación con el cliente. Con informes periódicos, visualizaciones de datos, storytelling, dashboard… en función de las características del proyecto.
• Hacer. Todo lo anterior tiene que ser traducible a acciones. Si no, el trabajo no está bien hecho.

Y esto no se queda aquí, sino que sería necesario empezar de nuevo. Un ciclo continuo. No es una foto en un momento determinado, el objetivo es la mejora continua.

Los insights o el Santo Grial

Parece que todo el mundo descubre insights todos los días. A mí me hace gracia esto, pero la verdad es que es más complicado de lo que creemos. Y la inspiración llega pocas veces. El de analista es un trabajo arduo, para el que se necesita de una gran disciplina y en el que no funcionan las genialidades e inspiraciones. En ocasiones el instinto te saca de problemas, pero los analistas no son tipos que vivan desconectados del mundo.

Una observación no es un insight. El grado de relevancia distingue uno de otro.

Avinash Kaushik, en su libro Analítica 2.0, nos habla de todo lo que es necesario antes de llegar al famoso insight.

Hay que definir el qué o destacar cuál es el dato a través del clickstream. El dato que nos va a devolver la herramienta  que tengamos instalada: visitas, visitantes, tiempo, abandonos, porcentaje de rebote, etc.

Cuánto. Por muchos informes que seamos capaces de generar, no nos engañemos. Esto va de incrementar ingresos, reducir costes y aumentar la satisfacción del usuario para que este vuelva. Al final una web es un negocio, y hay que tener en cuenta estos factores.

La experimentación cualitativa debe alejarnos de sesgos, lugares comunes e ideas preconcebidas. Saber el por qué de este análisis. Parece ser que si no es con datos no hay razón. Pero lo hemos visto en los últimos años: un dato puede retorcerse e interpretarse en función de intereses. Falla pronto, falla barato.

El qué más. Por muchos datos que tengamos y muy bien que hagamos las cosas tenemos que tener contexto para medirnos con nuestra competencia, tener la agilidad para no perder de vista lo que hacen los demás, extraer aprendizajes y situarnos frente a ellos. Como producto tenemos una propuesta de valor que no se puede fabricar sin mirar lo que hay alrededor. Para saber por qué eres distinto del resto, tienes que saber lo que están haciendo los demás.

Solo después de este trabajo estaremos en condiciones de llegar al famoso insight. Y es que, el camino es mucho más largo que echarle un vistazo a los informes de una herramienta de medición.

Datos y métricas. Dimensiones

Cómo funcionan las herramientas, por ejemplo Analytics que es el más popular. Lo que hace el sistema es , a través de cookies y etiquetas de JavaScript, enviar la información a los servidores de Google Analytics. Estos lo procesan y lo devuelven en la herramienta.

Hemos hablado de datos y KPIs, pero hay una parte fundamental en todo esto que que son las métricas.

Los datos son tablas, ficheros de un log, hojas de cálculo, bases de datos… Mientras, las métricas se expresan como elementos numéricos pero no son solo números. Son el resultado numérico de un concepto predefinido que se ha medido en una escala. Y, lo más importante, en un periodo de tiempo establecido.

La prueba del algodón. Para saber si estamos ante una métrica o un simple dato podemos plantearnos si seríamos capaces de construir con él un gráfico lineal que marque una tendencia. Por ejemplo, usuarios es una métrica porque  se refiere a un periodo y podemos compararlo.

Dimensiones, o cómo segmentar a la audiencia. Son atributos de datos que podemos aplicar al conjunto completo para clasificarlos en función de uno o varios criterios, en grupos a los que ponemos nombre. Sin estos segmentos perdemos toda la potencia de nuestro análisis. Es lo que nos permite saber de qué ciudades nos llega más tráfico, cuántas a través de móvil o cuántos son mujeres. Esta información añadida es un segmento. Y es lo que nos permite poner el foco a la hora de buscar soluciones.

Las dimensiones nos permiten segmentar comportamientos en función de un criterio. Y esto nos abre la puerta para detectar patrones de los usuarios que nos interesan.

Egométricas y KPIs

Todos los KPIs son métricas, pero no todas las métricas son KPIs. ¿Para qué vale un visitante único? Realmente para nada. Lo importante es saber, por ejemplo, cuánto de ese tráfico vuelve, cuántos se registran, cuántos acaban siendo suscriptores de pago o cuántos se van y por dónde lo hacen. Y toda esta información no nos la da el dato de visitantes únicos. Por eso las métricas, en muchas casos, pueden estar sometidas a nuestro interés, a nuestros egos, y podemos dar un mensaje que no es honesto.

En definitiva, ¿cuál es la calidad de nuestro tráfico? ¿Somos capaces de hacer algo con los datos que hemos obtenido?

Qué es un KPI, Key Performance Indicator. Si bien todo lo que medimos son métricas en el momento en el que la herramienta nos devuelve un dato cualitativo, no tas las métricas son KPIs. Dicho de otra manera, los KPI son los indicadores que nos permiten saber si nuestro negocio funciona.

Algunas claves para detectar un KPI

• Ha de mostrar un proceso encaminado a conseguir un objetivo. Nunca es una cifra bruta sino un porcentaje o un ratio, por ejemplo. Y siempre dentro de un espacio de tiempo.
• Tiene que ser capaz de desencadenar una acción, de mostrarnos cuál es el siguiente paso a dar. Es una alerta que nos advierte de la necesidad de tomar una determinada decisión.
• Si no lo tengo, no puedo explicar los objetivos de mi negocio.

Crear un plan de medición

Sin un plan no vas a ningún sitio. Pero es necesario saber a dónde queremos ir, tener claro el objetivo que buscamos, por lo general facilitado por el máximo directivo de la empresa.

A partir de ahí nos marcamos la estrategia que iremos traduciendo a un nivel táctico, qué vamos a hacer sobre el terreno para intentar alcanzar ese objetivo, con distintos planteamientos, por ejemplo, para diferentes segmentos. Y una vez establecidas estas acciones saber cómo lo vamos a medir, qué KPIs vamos a emplear.

Data storytelling

Es un terreno apasionante en el que intervienen muchos perfiles. Para un correcto data storytelling, es importante tener presente:

• Estrategia: ¿Qué es lo que quiero comunicar?
• Datos: ¿De qué fuentes voy a extraerlo?
• Diseño: ¿Qué elementos visuales son los más adecuados para explicar nuestros datos?
• Comunicación (la gran olvidada): ¿A qué audiencia nos dirigimos? Todos los datos no son relevantes para todo el mundo.

El resultado puede tener distintas formas:

Narrativa + datos. En un informe, por ejemplo, en el que damos una explicación profunda a lo qué sucede utilizando indicadores. Muy preciso, pero poco fresco.

Visualización + datos. Es una herramienta muy poderosa para mostrar un insight, tendencias, correlaciones o causalidades relacionadas con el pasado o un hipotético futuro. Nos sirven para apoyar nuestras ideas, para hacernos fuertes con nuestra idea. Al final recordamos mejor las imágenes, historias, que los datos.

Visualización + narrativa. Es el nivel más próximo a contar una historia y es lo más potente y lo más eficaz a la hora de convencer. Es el data storytelling real. No hay nada que convenza más que una buena historia.  Y, en el fondo, los analistas somos contadores de historias que nos basamos en la estructura clásica de introducción (explicación de cómo nos enfrentamos al problema), nudo (cómo lo analizo) y desenlace (explicar el problema y sus posibles soluciones).

Y hasta aquí este corto paseo por el mundo del analista. Como puedes ver, la capacidad de extraer datos de tu herramienta de medición preferida no es suficiente para obtener las respuestas que estamos buscando.