La Analítica Web es quizás el area de mi trabajo que más me apasiona. Es entretenido resolver problemas concretos y encontrar respuestas a preguntas difíciles, dentro de un mar de datos.

Lo que comparto a continuación es una lista con los 14 errores o problemas más significativos que yo encuentro en los proyectos que incluyen Analítica Web.... Una mezcla de experiencias propias, y un poco lo que me queda de la literatura que frecuentemente leo en blogs y sitios web del tema.

1. Se analiza información parcial basada en una sola herramienta

La mayoría de quienes hacen la labor de análisis web, basan sus conclusiones en una sola herramienta. Esto produce información muy parcial e incompleta, porque ninguna herramienta tiene todos los datos ni toda la información relacionada con un proyecto web.

La información está distribuida en diferentes soportes y los datos están vinculados a varias fuentes y no solo una. A mayor complejidad del proyecto, mayor cantidad de fuentes / formatos. Las fuentes de datos pueden ser:

  • el propio sistema de analítica web (ej: Google Analytics),
  • paneles de los Adservers (plataformas que administran y/o sirven anuncios: Adwords, E-planning, etc),
  • sistema o servicio de email marketing (Ej: mailchimp),
  • sistema CRM de la empresa (online o no),
  • herramienta de encuestas (ej: SurveyMonkey),
  • algún webmaster tool (como el de Bing o el de Google),
  • registro de las actividades del proyecto (historial de cambios, modificaciones e incidencias importantes)
  • etc

Teniendo en cuenta todas las fuentes anteriores, es imposible pensar que una sola herramienta nos puede dar información suficiente para extraer conclusiones útiles y válidas.

2. Dificultades de integración.

Relacionado al punto anterior, rara vez un proyecto web tiene un sistema integrado de analítica web. Esto nos enfrenta a dos problemas posibles

  1. O se pierde mucho tiempo y recursos exportando los datos, resolviendo incompatibilidad de formato en la exportación-importacion,  eliminando datos o variables irrelevantes, para poder luego sacar conclusiones.
  2. Si no hay integración (ya sea manual o automatizada), solo tenemos información parcial

Una integración por software es caro (cualquier proyecto de Business Inteligence es caro), una integración manual requiere horas hombre, primero para armar el sistema y luego cuando se necesitan los reportes: para pasar los datos a un solo lugar, interpretar y concluir, etc

3. Falta de estrategia y planificación.

En la mayoría de los proyectos, la analítica web no sigue una estrategia (promocional o comercial) para la que se analizan datos, sino más bien que se va midiendo "lo que pasa", y lo que sucede es gracias a acciones promocionales independientes, descordinadas, y no planificadas. Conclusión: la información derivada no nos va a servir para nada!

La analítica web debe ser planificada, a grandes rasgos: partiendo del objetivo principal, desglosando luego los objetivos específicos. Esto nos permite definir las métricas utilizadas para medir el éxito o fracaso en cada ocurrencia de cada interacción que contribuya a los objetivos, por ejemplo, la venta de un producto en un e-commerce.

4. Demasiada información disponible.

En este punto me refiero a dos problemas inherentes a la analìtica web:

  • Existen muchas variables e información disponible, y en distintos niveles (datos de conteo básicos, promedios, indicadores, ratios, KPIs, KSIs), por un lado,
  • También hay muchas combinaciones posibles para "relacionar" (o filtrar) esa información para obtener relevancia (que los reportes que respondan a las preguntas concretas de lo que se quiere saber).

Vamos a considerar, por simplicidad, solo los datos de navegación en un sitio web. Con cada usuario anónimo que realiza una sesión de navegación en la web, se registran muchos datos:

  • fecha y hora de ingreso, y luego de cada página visitada o interacción realizada en la web
  • número de IP,
  • página de ingreso y subsiguientes hasta que abandona el sitio
  • referrer (última página que visitó antes de ingresar en el website) o si es visita directa o proviene de una campaña/medio
  • respuesta del servidor,
  • datos de su navegador y sistema operativo,
  • idioma,
  • datos del dispositivo o terminal,
  • datos de su proveedor ISP (con sus datos derivados de geolocalización: ciudad, país),
  • etc, etc

Este tipo de datos (agregados para todas las visitas), dan origen a otro tipos de métricas que en un segundo nivel son un procesamiento de los anteriores: indicadores, ratios, promedios. A su vez en un tercer nivel, una combinación de estos indicadores dan como resultado los KPIs y los KSIs.

Recordemos que solo vimos datos de navegación en la página web (no consideramos ni la del sistema de email mkt, ni la de los adservers, ni ninguna de las nombradas anteriormente)

Tenemos entonces: diferentes fuentes de datos, diferentes tipos y niveles de información, y distintos puntos de vista o enfoques de análisis.

Todo este exceso de información genera confusión y sensación de caos, primero, luego frustración y abandono del proyecto.

5. Alto costo de implementación y análisis.

Un buen sistema de analítica web puede resultar injustificado para proyectos web de pequeña a mediana escala. Lo que se gana en información desarrollando e implementando un sistema bien hecho, no compensa la retribución de los recursos necesarios para obtenerla (implementación de sistema, honorarios de analista web, pago de servicios, mantenimiento, etc).

Cuando medir es muy caro y el costo de los errores resulta ser más barato (aunque es difícil saber esto) no se justifica desarrollar un complejo sistema de analítica, con un Google Analytics, pegando el código de seguimiento y luego mirando los reportes ya es suficiente!

Hay otra cosa: generalmente no se asignan bien los recursos económicos para los proyectos web, por desconocimiento. Se gasta mucha plata en diseño y desarrollo, y se pijotea al máximo en promoción, y una parte de la promoción es la medición de resultados

6. Uso y abuso de la configuración "por defecto".

Los sistemas modernos de analítica web son altamente configurables, pero la falta de conocimiento y cultura en este area, hace que siempre se utilicen las herramientas en su configuración por defecto, sin ninguna o con una pobre personalización.

Es necesario ir un poco más allá en las integraciones de analítica web y sitio web para poder ganar en información: configurar funeles de conversión, utilizar el modo de comercio electrónico, etiquetar eventos y campañas de pago, etc.

7. No se tiene en cuenta al usuario ejecutivo (destinatario de los reportes)

El perfil de los usuarios destinatarios de la información de la analítica web rara vez se tiene en cuenta para crear reportes relevantes y comprensibles, por ende, al gerente o director de una empresa no le sirve de nada un reporte con un montón de información que no entiende y datos que no le competen a su función (ej: impresiones, CTR, bounce rate, páginas por usuario, etc), y ante la incertidumbre: o pregunta hasta obtener la información que requiere, o con frecuencia adopta una postura escéptica ante el proyecto.

Tener en cuenta al usuario es muy importante, porque es precisamente quien debe tomar decisiones basadas en la información que se le da, si no, para qué sirve la analítica web?

8. Asincronicidad en el manejo de información:

Pocos manejan bien los tiempos de reporte y el tiempo medido entre un reporte y otro.

El factor temporal es importantísimo, puesto que:

  1. los reportes tienen que tener el mismo tiempo de duración (el periodo de medición de datos, por ejemplo: un mes)
  2. los reportes no deben solaparse entre sí (ej: dos meses consecutivos donde el reporte del primer mes se solapa en algunos días respecto al reporte del segundo mes).
  3. deben ser entregados a tiempo, para evitar el defasaje entre los periodos de optimización, testing y vuelta a reportar (la web es tán dinámica que las oportunidades se pierden rápidamente si no se actúa a tiempo!), esto es, hay que definir fechas concretas de las entregas de los reportes.

9. Se menosprecia o ignora el valor de "crear historial" y el valor de la información histórica

Hay que tener historial de datos para sacar conclusiones, puesto que los datos:

  1. reflejan eventos inéditos y
  2. hay estacionalidades propias de los productos o servicios vendidos en el proyecto web.
  3. existen otras tendencias temporales, recién luego de un año o dos tendremos historicidad suficiente como para descubrir o detectar las tendencias que se da en el mundo online respecto a nuestro negocio.

El historial de datos vale dinero. Me canso de decirles a muchos clientes: hagan una cuenta propia en los sistemas de analítica web, tengan cuentas propias en los Adservers, para no perder la información cuando se peleen con el webmaster o cuando dejen de contratar a quien les administra la publicidad online!. El valor de la información es altísimo, y en mi opinión la propiedad de la información es del propietario del proyecto, no de un servicio, no de un tercero.

Debemos ver nuestro sistema de analítica web, como una base de datos con conocimientos, una acumulación de experiencias cuantiosas que nos ayudan a comprender lo que se hizo, lo que no se debe hacer, lo que pasó... Si a la historicidad le agregamos una lógica de negocios coherente, pronto conoceremos la rentabilidad del sistema web, sabremos dónde comprar publicidad y dónde no, qué productos dejan de ser atractivos, y muchísima información de valor.

10. Falta de visión integral.

La analítica web no es una isla ni es el centro del universo (por más que esté de moda, sea cool, etc)... Por ende uno tiene que involucrarse en la empresa que está detrás del proyecto web que está analizando. Esto aún no sucede en el ámbito de las empresas, pero debemos hacer un esfuerzo por conectar lo offline con lo online (existe una interdependencia y una relación entre ambas).

Para dar este salto cualitativo (ver un poco más allá de lo que una simple herramienta o reporte nos muestra), empecemos preguntándonos, por ejemplo: cuánto contribuye el proyecto online al beneficio obtenido por la empresa? y también: qué nivel de participación tiene el proyecto online (y sus canales) en el objetivo global de la empresa? , qué grado de conocimientos o interés tienen los empleados sobre el proyecto online y su rol en él?, están alineados los objetivos de la empresa con el proyecto online, se "tira para el mismo lado"?

11. Sobreestimación del alcance de la analítica web.

La analítica web nos dice que pasan cosas, y describe la forma como se comportan los usuarios interactuando con los medios digitales trackeados, pero no nos dice por qué hacen lo que hacen (puesto que existen tantas decisiones y razones como personas).

La analítica web nos ayuda a descubrir "patrones comunes" de comportamiento (nos dice: "los usuarios hacen esto, y esto y esto"), podemos tener un path común de navegación hasta de 5 mil usuarios en 10 niveles!!... Pero no podemos saber nunca por qué hacen lo que hacen, puede haber una o varias razones (incluso diferentes grados de ponderación entre distintas razones sobre el total!).

Con la analítica web como única herramienta para tomar decisiones solo podríamos inferir (conocer y enumerar las causas posibles que se nos ocurran, y apostar por una, o mejor dicho adivinar). Lamentablemente sobreestimar el alcance de la información de la analítica web a muchos les hace cometer graves errores.

Veo esto todos los días: gente que no tiene ni puta idea diciendo: "acá pasa esto porque bla bla bla..."!!

Para saber aquello que la analítica web no nos puede decir es necesario:

  • hacer encuestas a los clientes (y potenciales clientes)
  • incluir módulos de votación en el sitio web con preguntas clave
  • dialogar con los agentes comerciales y de atención al público, ya que están en constante contacto directo con el público objetivo
  • hacer estudios de mercado centrados en las necesidades reales de nuestro público objetivo

12. Se omiten los indicadores económicos, o no se los tiene en cuenta.

El objetivo principal de la analítica web moderna es permitirnos saber si gracias a nuestro proyecto web estamos ganando o perdiendo dinero, o por lo menos, tener un panorama futuro del retorno de la inversión. A mi no me sirve de nada saber cuántos fans en facebook tengo, o cuánto aumentaron las visitas el último mes, o si ahora los usuarios en promedio gastan 30 segundos más de su tiempo en el sitio web.

En definitiva me interesa saber si lo que estoy invirtiendo (hosting, dominio, desarrollo y mantenimiento web, publicidad, pagos para gestión, etc) está retornando en dinero: ventas, beneficio, más clientes reales, etc.

O sea, los modelos de analítica web deben tender a identificar y contemplar dos elementos:

  • valor de la conversión (cuánto vale adquirir un contacto, registración o suscripción de un cliente)
  • costo de la conversión (cuánto te cuesta conseguir un contacto, registración o suscripción de un cliente)

De esta manera, luego puede contrastarse y estimar el costo/beneficio, por producto, o por canal, o de la manera en que se necesite conocer la rentabilidad económica de las acciones, la inversión, la publicidad, etc

Lamentablemente falta mucho aún para comprender esto en proyectos web de empresas que no son del sector tecnológico o informático.

13 Uso deliberado de los indicadores estándares.

Uno generalmente se amolda a una herramienta y adopta sus indicadores. Las herramientas seriales de analítica web deben garantizar que mínimamente les sirva a todo el mundo y esto exige una alta estandarización.

No obstante cualquier literatura profesional de analítica web nos dice que debemos crear nuestras propias métricas (KPIs / KSIs) que sean capaces de medir los propios procesos del proyecto que contribuyen directamente a los objetivos que se espera lograr.

14. Falta de conocimientos sobre inferencia estadística.

Trataré de mostrar esto con un ejemplo (muy poco probable en la práctica pero bastante didáctico). En la información estadística granular (la que se mide y registra) yo puedo tener:

  1. 99 usuarios compraron un producto de $ 1 cada uno, y
  2. 1 solo usuario compró un producto de $ 100,

El sistema, con estos datos, puede calcular el ingreso promedio por usuario, que en este caso es $ 1.99 = ($ 99 + $ 100)/100

Luego, al ver este indicador podemos decir "el ingreso promedio por usuario es de $ 2" Pero es verdad esto? refleja este dato la situación real?. Lo más lógico y acertado sería concluir que:

  1. el 99% de los usuarios genera un ingreso de $ 1, y
  2. el 1% de los usuarios genera un ingreso de $ 100

En la teoría estadística a esta situación se lo conoce como una variabilidad de datos muy ámplia (varianza o desviación estándar elevadas).

Casos como este (aunque no de manera tan extrema) suceden muy frecuentemente en la manipulación o procesamiento de datos para llegar a los indicadores o KPIs. Por ende, es muy fácil equivocarse y cometer errores al sacar conclusiones, por eso hay que tener mucho cuidado, saber segmentar productos y usuarios, y definir distintos grupos o estratificaciones, para que la analítica web refleje lo que realmente sucede en el proyecto web.

Para ser un analista web, hay que conocer mínimamente los principios básicos de la Estadística y su metodología de investigación.

En DDW te enseñamos a utilizar los medios online para promocionar tu empresa de manera efectiva. Vende más y llega a tu público conectado. Y si lo prefieres, nos ocupamos nosotros de promocionar tu negocio en Google, en Facebook o en otros medios online. Contáctanos para solicitar una propuesta!