¿Le están engañando sus indicadores clave de rendimiento de marketing móvil?

Publicado: 2016-04-12

La próxima vez que mire su panel de control de marketing, tómese el tiempo para hacer de abogado del diablo: sus indicadores clave de rendimiento de marketing pueden estar llevándolo en la dirección equivocada. ¿La razón?

Las métricas representan una forma de narración. Antes de que los puntos de datos que estás midiendo fueran números en una pantalla, eran una colección de momentos, historias o eventos. Los conceptos comerciales importantes como la retención, la rotación, la permanencia, el costo por adquisición y el valor de por vida son historias que los analistas de marketing y los científicos de datos construyen formas de contar.

Detrás de cada punto de datos hay un conjunto de suposiciones y metodologías para calcular las métricas que está rastreando, y dado que a veces hay varias formas aceptadas de medir la misma idea ( LTV, por ejemplo ), es probable que esté haciendo concesiones matemáticas.

Como resultado, sus KPI favoritos pueden estar engañándolo o comunicándole una historia incompleta. Es importante comprender los secretos que pueden estar guardando sus métricas clave de marketing . Así es cómo:

Profundice en la operacionalización

El proceso de pasar del objetivo comercial (p. ej., aumentar la participación del cliente) a una métrica tangible y rastreable (p. ej., número de usuarios que regresan en un mes, número de sesiones por usuario que regresa, número de conversiones por usuario que regresa, o...) se denomina operacionalización. . El primer paso es pensar en una idea que desee medir. Luego, haga una lluvia de ideas sobre cómo cuantificar estas ideas, generando una lista de opciones. Una vez que tenga una lista de posibles formas de medir su idea, puede evaluar las ventajas y desventajas (es decir, qué tan técnicamente factible es medir algo y si ese número es la mejor representación de lo que está tratando de capturar). Después de este proceso, que puede requerir algunas pruebas e iteraciones en el camino, llegará a la forma o formas en que desea realizar un seguimiento de su métrica.

Para ver un ejemplo de operacionalización no relacionado con el marketing con el que probablemente esté familiarizado, eche un vistazo a las clasificaciones de US News and World Report Education, que miden la "excelencia académica". Al profundizar en los números, verá que la compañía analiza algunas dimensiones diferentes para compilar sus puntajes generales, incluidas las tasas de donación de ex alumnos, las calificaciones académicas de pares y más. US News recopila esta información a través de encuestas autoinformadas.

Para ver un ejemplo de marketing de cómo se ve este proceso, eche un vistazo al centro de ayuda de Google Analytics, donde la empresa revela cómo mide las visitas al sitio web, el tiempo en el sitio, las visitas de regreso y más desde las perspectivas técnicas y analíticas. Puede ver claramente cómo funciona el código de seguimiento de Google Analytics para traducir conceptos abstractos en números cuantificables y luego generar los números que ve cuando inicia sesión en su tablero.

Por lo general, en su ajetreado día a día, los especialistas en marketing ven esta métrica final, no lo que sucede detrás de escena. Pero es importante saber exactamente lo que está cuantificando para que pueda evitar dar un giro equivocado basado en suposiciones o conclusiones incorrectas.

Conozca las formas en que los datos pueden malinterpretarse

Probablemente haya aprendido que cuando trabaja con un conjunto de datos, es importante verificar sus números con cordura. Pero aún no has terminado. Necesita examinar cómo llegaron a ser sus números. Podría darse el caso de que el diseño de su experimento tenga fallas.

Además, incluso suponiendo que sus datos le muestren lo que cree que es, aún podría interpretarlos incorrectamente. Aquí hay algunos culpables comunes para tener en su radar:

Sesgo : este concepto estadístico refleja una idea fundamental del muestreo: que los grupos que analiza deben ser representativos de su población general. En un contexto de marketing, los sesgos pueden ocurrir por una variedad de razones. Por ejemplo, las personas de su muestra pueden compartir un rasgo en común que no está tratando de rastrear o incluir en su análisis actual. Aquí hay un ejemplo: podría terminar generalizando el comportamiento de compra para todos sus clientes, aunque en realidad tenga una mayor proporción de personas más ricas en su muestra que su base de clientes promedio.

Factores de confusión: puede estar obsesionado con la relación de dos variables, sin darse cuenta de que hay una tercera variable oculta que está impulsando la correlación. Por ejemplo, puede notar que sus ventas están aumentando en las vacaciones de verano y concluir que las vacaciones son los mejores días para las compras, pero en realidad, las ventas están influenciadas por el hecho de que es un día caluroso.

Falacias lógicas: lo más probable es que aprendiste sobre estas en la escuela primaria o secundaria (han vuelto para atormentarte en tu carrera de análisis de marketing). Aquí hay algunos de los más comunes que podrían asomar la cabeza en su análisis de datos:

Falacia ecológica: Sacar conclusiones sobre un individuo basándose en un grupo.
Falacia de blanco o negro: Asumir que dos estados son las únicas posibilidades cuando en realidad hay más opciones.
Causa percibida: Asumir que algo está causando otra cosa, pero en realidad no existe una relación causal. Esta falacia está relacionada con la expresión “correlación no es causalidad”, que quizás hayas escuchado en clases de estadística o ciencias en el pasado.

Camina la charla

Jugar al abogado del diablo a menudo es más fácil decirlo que hacerlo: es posible que no esté de acuerdo con el C-suite, pase más tiempo analizando su conjunto de datos y angustiándose por las historias no contadas que le preocupa que se estén escapando. Es posible que esté bajo presión para obtener números para un informe trimestral o una campaña de relaciones públicas, o puede estar ansioso por hacer un juicio de campaña basado en lo que está leyendo en su tablero de análisis.

Sin embargo, es importante mantenerse firme y asegurarse de que está haciendo un pronóstico preciso basado en las complejidades de su conjunto de datos. De lo contrario, sus pronósticos, proyecciones e incluso la medición de los resultados pueden estar fuera de lugar.

Para comenzar, aquí hay algunas métricas que a menudo se interpretan incorrectamente.

Métrico	interpretación común	Posible historia oculta	Qué hacer al respecto
Alta tasa de retención	Las altas tasas de retención sugieren que su producto está haciendo felices a sus clientes. Podrías pensar que estás en una buena posición.	Son sus clientes más valiosos los que se están moviendo y sus clientes de menor valor los que se quedan, al menos por ahora.	Mire las estadísticas de su muestra retenida frente a la muestra batida. Luego, elabore una estrategia para una campaña o campañas que apunten a mantener cerca a sus valiosos clientes.
Alta tasa de abandono	Las altas tasas de abandono pueden llevarlo a creer que hay algún problema con su producto.	Es posible que esté atrayendo a la base de clientes equivocada (es decir, su producto/mercado no se ajusta) o puede estar perdiendo usuarios ante un nuevo competidor del que necesita diferenciarse.	Analice cómo varían sus tasas de abandono entre sus diferentes segmentos de clientes. Determine si hay patrones claros, como el canal de atribución o la demografía.
Aumento de Usuarios Activos Diarios (DAU) o Usuarios Activos Mensuales (MAU)	Sus usuarios están abriendo su aplicación, por lo que deben participar.	Están abriendo su aplicación, pero no están completando ninguna conversión valiosa mientras están en la aplicación.	Explore lo que hacen sus usuarios después de iniciar sesión en su aplicación. Puede decidir realizar un seguimiento de las nuevas métricas que destacan los diferentes niveles de "activo" (es decir, las personas que pasan una cierta cantidad de minutos dentro de la aplicación, las personas que interactúan con una función en particular, etc.).
Mayor permanencia después del lanzamiento o actualización de una función	La nueva característica o actualización está provocando el aumento de adherencia porque ha mejorado el producto.	Una campaña de mensajes exitosa, inversión publicitaria u otra causa podría estar contribuyendo al aumento de la permanencia.	Asegúrese de atribuir causalidad únicamente cuando pueda aislar todas las variables. De lo contrario, es posible que solo esté viendo una coincidencia o correspondencia.
Aumento de desinstalaciones después de una campaña	La campaña se entregó justo antes de las desinstalaciones, por lo tanto, la campaña provocó el salto en las desinstalaciones y algo en ella estaba dañando las relaciones con sus clientes.	Las desinstalaciones en realidad no se informan necesariamente a medida que ocurren. Tanto Apple como Google usan métodos que pueden causar un retraso de tiempo entre una desinstalación y el momento en que se entera. Una desinstalación informada el 30 de marzo podría haber ocurrido en cualquier momento antes del 30 de marzo, incluso mucho antes de la campaña del 29 de marzo.	Ciertamente, puede observar patrones o saltos en sus desinstalaciones, pero no cometa la falacia de decidir que un cierto aumento en las desinstalaciones significa que una determinada campaña fue la culpable.

Antes de que te vayas

A medida que practique la interpretación y el trabajo con datos, comenzará a tener una idea de cómo sus métricas pueden estar engañándolo. Si cometes un error, aprende de él. Y recuerde mantener informado a su equipo: a medida que cambian las prioridades de la empresa, es muy probable que los KPI que son más importantes también cambien.