Índice de contenidos
Artículo en colaboración con Alejandro Bertolet. Doctor en la Universidad de Harvard.
Vivimos un momento histórico. La insólita crisis provocada por el SARS-CoV-2, comúnmente conocido como coronavirus, ha paralizado como nunca antes nuestras vidas y actividades. Los aspectos sanitarios, epidemiológicos y económicos monopolizan la información estos días. Al mismo tiempo, esta crisis nos obliga a poner el foco sobre las nuevas tecnologías, forzando transformaciones abruptas de procesos tradicionales hacia lo digital. En un momento como éste, por tanto, la optimización de las herramientas digitales con las que trabajamos cobra relevancia e interés.
Aprovechando la coyuntura, en este artículo vamos a desgranar los procesos de optimización de tasas de conversión (CRO) de visitas a sitios web. Al mismo tiempo, iremos estableciendo paralelismos con otros problemas de máxima actualidad que la crisis del coronavirus ha traído consigo, como el uso de modelos de propagación de la enfermedad. A menudo en este tipo de situaciones, los árboles no nos dejan ver el bosque, centrándonos demasiado en los detalles. Así nos dejamos abrumar por datos y gráficos instantáneos y sin perspectiva, lo que nos impide visualizar el conjunto. Por ello, es fundamental establecer metodologías que permitan cerciorarnos de que los resultados que obtengamos contienen significado y no están sesgados.
¿Qué es el CRO?
Denominamos Conversion Rate Optimization (CRO), más que a una disciplina, a un conjunto de técnicas y herramientas que usamos para mejorar el rendimiento de un sitio web respecto a su tasa de conversión.
Fases de un proyecto CRO
El objetivo esencial de un proyecto CRO es establecer una metodología de trabajo que nos permita seleccionar y articular aquellas técnicas que nos ayuden a mejorar el rendimiento de nuestro proyecto. Es decir, las herramientas CRO nos proporcionan un framework que nos sirve de guía para optimizar el número de conversiones de nuestro sitio web. Sin embargo, no todos los proyectos digitales son aptos para aplicar una estrategia de CRO. Esto depende, en general, del grado de madurez digital que tenga el proyecto. Consecuentemente, antes de iniciar un proceso de CRO debemos determinar el grado de madurez digital que tiene el proyecto con el que vamos a trabajar. Esto es importante, pues no tiene mucho sentido comenzar a analizar un proyecto digital que no ha llegado a implementar un plan de medición.
Dependiendo del grado de madurez digital podremos actuar en diferentes niveles. En general, el proceso de CRO se estructura en diferentes fases: análisis, hipótesis, testing y desarrollo. Este esquema suele ser representativo de la mayoría de los procesos de optimización. Por ejemplo, cualquier gobierno o administración, a nivel mundial, necesita hoy de procedimientos de optimización de sus políticas y actuaciones con el objetivo de limitar, en el menor tiempo posible y de la forma menos disruptiva posible, los efectos de la pandemia de Covid19.
Análisis
El análisis de la situación inicial del sitio web comienza por observar las desviaciones en los Key Performance Indicators (KPI) principales del modelo de negocio. Estas desviaciones reflejan ineficiencias en algún punto del diseño del modelo de negocio. Para identificar estas ineficiencias podemos hacer uso de datos cuantitativos como datos cualitativos disponibles. En resumen y de forma general, el análisis inicial consiste en escrutar: modelo de negocio, fuente de datos y tipos de datos.
Modelo de Negocio
Lo primero, entonces, es clasificar el modelo de negocio del proyecto dado que los KPI difieren según el tipo de modelo utilizado. Por ejemplo, los KPI de e-commerce difieren respecto de los de un medio digital. Esta clasificación nos permite entonces una mayor especificidad en el análisis, ahorrandonos esfuerzos extra al concretar nuestro foco.
Fuente de datos
La correcta selección de las fuentes de datos es de vital importancia para el análisis CRO, dado que una mala implementación en los planes de medición pueden desvirtuar, enmascarar o sesgar las métricas de un negocio y, por tanto, propiciar malas decisiones.
Para ilustrar la importancia de una adecuada selección de las fuentes de datos, consideremos el siguiente ejemplo: analizamos una web que sufre una caída de tráfico repentina en Google Analytics seguida de una recuperación parcial del tráfico, sin llegar a los niveles previos a la caída, como se observa en la siguiente gráfica de evolución temporal del tráfico de visitas al sitio web.
Tras consultar con cliente, nos comunica que sufrió un hackeo por lo que, en primera instancia, pensamos que el posicionamiento SEO pudo verse afectado y, por tanto, la caída de tráfico era orgánica. Sin embargo, analizando otras herramientas comprobamos que no el sitio web no había sufrido caída de posiciones. En Search Console, incluso, se observaba un incremento de los clics en los resultados de búsquedas orgánicas (véase la siguiente gráfica).
Como consecuencia, el tráfico orgánico no había sufrido una caída sino que el equipo de IT había modificado la etiqueta de Google Analytics y no se estaba realizando una correcta medición de las visitas. En este ejemplo, si nuestra única fuente de datos hubiesen sido los datos aportados por Google Analytics, habríamos tomado decisiones con datos erróneos. Así, la selección de las herramientas y la correcta implementación de las mismas son importantes para realizar un análisis productivo.
Algún paralelismo podemos establecer con las fuentes de datos usadas en la modelación del progreso de la epidemia de Covid19. En general, los modelos se construyen a partir de hipótesis más o menos acertadas pero basadas en la observación de la realidad. Es bastante habitual, igualmente, determinar los parámetros de los modelos mediante ajustes a los datos de los que disponemos. Pero, ¿son estas fuentes de datos fiables? En general, vemos una gran variabilidad en la definición de casos contagiados, curados e incluso fallecidos a causa de Covid19 entre países e incluso regiones subnacionales. Además, no debemos excluir los sesgos asociados a estos datos reportados: no todos los pacientes con la enfermedad son diagnosticados, sino generalmente sólo los más graves, lo cual hace que nuestras fuentes muestren un retrato de la realidad que puede inducir a error. Por ello, un correcto análisis incluye la evaluación de estos posibles sesgos y, potencialmente, métodos para estimar una corrección.
Tipos de datos
Por último, el análisis debe completarse empleando adecuadamente datos cuantitativos como cualitativos. Los datos cuantitativos pueden recogerse con herramientas de analítica web como Google Analytics. Este tipo de herramientas permiten tener un mayor conocimiento de lo que sucede en nuestro sitio web. Sin embargo, su limitación es que se quedan en un análisis descriptivo, es decir, podemos evaluar qué está pasando pero no por qué. Esto puede complementarse haciendo uso de datos cualitativos, que pueden recogerse a través de herramientas como Hotjar, que permite realizar mapas de calor de sitios web, grabar sesiones de usuarios o realizar encuestas. La combinación de ambos tipos de datos es necesaria y nos ayuda a recopilar información que nos permita plantear una hipótesis de lo que está sucediendo.
Igualmente, al analizar la evolución de la pandemia que estamos sufriendo, no sólo son importantes los datos cuantitativos en número de contagiados, hospitalizados y fallecidos, por poner algunos ejemplos. La división cualitativa por edades y otras características también es fundamental a la hora de analizar el problema. Por ejemplo, no pueden emplearse los datos cuantitativos brutos de una sociedad muy envejecida para predecir lo que ocurrirá en sociedades más jóvenes, dado que el virus parece tener un comportamiento extremadamente diferente en estos grupos de edad.
Hipótesis
Una vez conocemos el modelo de negocio, sus KPI principales y analizamos los datos extraídos, podemos plantear los supuestos por los que se están dando las desviaciones observadas en los KPI. El planteamiento de estos supuestos representa la fase de hipótesis. Es decir, buscamos enunciados que podamos refutar a través de un experimento. Esto es importante dentro de los entornos digitales. En los equipos de desarrollo o marketing nos encontramos en situaciones en las que tenemos que tomar decisiones que no sabemos cómo van a repercutir en nuestro modelo de negocio. Así, el definir una determinada arquitectura de la información o escoger un determinado copy para una landing puede ser una decisión que nos afecte en menor o mayor medida. Es por eso que, tras plantear la hipótesis, desarrollamos experimentos para validar si determinados cambios mejoran o empeoran nuestra tasa de conversión.
De igual manera, una vez disponemos de datos relativamente fiables y, al menos parcialmente, corregidos de sesgos, el uso de modelo nos permite formular hipótesis del comportamiento de la epidemia. De la confirmación de estas hipótesis dependen, en gran medida, las medidas adecuadas a aplicar para optimizar la contención del virus. Por ejemplo, una posibilidad es que el número de personas contagiadas con Covid-19 sea muy superior al número oficial reportado, debido, no sólo a los sesgos de detección antes mencionados, sino a que una parte significativa de la población no desarrolle síntoma alguno o estos sean muy leves. Esta hipótesis, de ser validada, nos posiciona en un escenario muy distinto al que deberíamos afrontar si no es correcta. La formulación de estas hipótesis permite crear diferentes situaciones para las que diferentes actuaciones pueden ser necesarias, permitiendo a las administraciones estar preparadas ante un abanico de potenciales salidas.
Testing
Para validar una hipótesis, pueden utilizarse diferentes técnicas. Una herramienta que podemos usar es Google Optimize, que permite crear, por ejemplo, tests A/B, tests multivariantes y splits. Estos últimos consisten en mandar tráfico a versiones totalmente diferentes para probar cual tiene una mayor tasa de conversión. Una técnica de experimentación de especial interés es el test A/B. Este test consiste en manipular una variable manteniendo el resto constante, que sirven de control.
Por ejemplo, en un proyecto teníamos una landing page para recoger leads en la que la tasa de conversión era muy baja. Analizando métricas de comportamiento a través de Google Analytics y visualizando sesiones grabadas, pensamos que el footer de la landing page distraía a los usuarios. Esto probablemente hacía que en lugar de rellenar el formulario se fueran a otras secciones de la web y no terminase por contactar. Nuestra hipótesis consistía en que una menor distracción podría aumentar la tasa de conversión.
Para testearlo, tomamos la landing page original como grupo de control y creamos una variante a la que quitamos el footer. Los resultados de dicho experimento se muestran en el siguiente gráfico:
Como vemos, conseguimos pasar de una tasa de conversión del 1,48% al 3,45%, incrementando así el número de leads conseguidos. Cuando esto ocurre, implementamos estos cambios, dado que nuestra hipótesis mejora los resultados. No obstante, no siempre se puede validar la hipótesis. En ocasiones, nuestras hipótesis no se corroboran y el grupo de control tiene una mayor tasa de conversión que la variante.
Como ejemplo, implementamos en una ficha de producto unos anclajes internos para facilitar el acceso a la información del producto. El resultado fue que la versión original tenía una tasa de conversión mayor que la variante por lo que al final no se implementó ningún cambio.
En la figura podemos observar como la tasa de conversión de la versión original era de un 13,26% y de la variante del 12,16%, por lo que no procedimos a la fase de implementación.
Siguiendo con el paralelismo en la optimización de estrategias ante la crisis del Covid19, las hipótesis planteadas en la fase anterior deben testearse. En este caso, las herramientas de las que disponemos para validar o refutar las hipótesis propuestas son escasas y requieren recursos. Sin embargo, las propias administraciones pueden diseñar experimentos ex profeso para tal fin. Por ejemplo, podremos determinar la magnitud real de los contagiados con este virus mediante el uso de tests serológicos a toda la población o, en su defecto, a subgrupos diseñados para ser representativos del total de la misma. La elección y el diseño de los métodos correctos para testear cada hipótesis es fundamental, pues malos experimentos pueden producir resultados erróneos con consecuencias dramáticas en nuestras decisiones.
Implementación
Una vez que hemos validado nuestra hipótesis pasamos a su implementación. Estos procesos son continuos e iterativos dado que estamos constantemente validando diferentes aspectos de nuestros proyectos.
Este framework de trabajo no deja de ser un proceso en el que basándonos en el método científico logramos reducir el riesgo en nuestra toma de decisiones para maximizar los resultados. Esto no siempre se consigue dado que requiere de amplios conocimientos en diferentes materias, como negocio, marketing, experiencia de usuario, diseño, estadística etc…
Conclusión
En definitiva, el esquema análisis-hipótesis-testeo-implementación no sólo es la estructura fundamental del CRO, sino que resulta básico para cualquier proceso en el que queramos optimizar nuestra actuación ante una problemática concreta. Por supuesto, las herramientas adecuadas en cada caso vendrán especificadas por la naturaleza y particularidades de cada problema concreto, ya sea virtual o tan de actualidad como la crisis que nos está tocando vivir.
Somos una agencia CRO especializada y comprometida con los resultados, puedes revisar nuestros casos de estudio y ver cómo ayudamos a empresas a crecer.
Guía SEO 2022
(para directores y managers)
Con este ebook ejecutivo vas a conocer:
- Cómo funciona el SEO (de verdad).
- Las áreas importantes del SEO.
- Si debes o no implementarlo en tu negocio (y cómo).
- Cómo se dirige y gestiona el SEO
- Casos de éxito SEO.
Deja un comentario