Nota: esta es la segunda parte de este post, aquí puedes encontrar la primera. Luego de haber terminado con diversas formas de ver la conversión, en este artículo veremos algunos análisis más avanzados (pero que están al alcance de cualqueira).
Funnel (o embudo de conversión)
No quiero entrar en demasiado detalle sobre qué es un funnel de conversión, pero básicamente es una visualización de las etapas de conversión de un usuario y cuántos voy perdiendo en cada instancia.
Para e-commerce, Google Analytics presenta una visualización automática de este funnel basada en la cantidad de usuarios que vio un listado de productos (o página de resultados), cuantos un detalle y cuantos terminaron comprando.
Lo pueden encontrar en “Conversions” – “E-commerce” – “Shopping Behavior”.
- ¿Qué decisiones tomaría?
En general este dato es uno de los más analizados para determinar si el e-commerce “está performando bien”. Nos permite un análisis más claro de nuestro ratio de conversión:
- 1er paso: ¿Está mucha gente llegando al site y no haciendo ninguna búsqueda? Seguramente debamos mejorar la visibilidad de la caja de búsqueda, o quizás no se entienda bien nuestra propuesta de valor y debamos mejorar comunicación de home page y landings.
- 2do paso: ¿Está mucha gente llegando a un resultado de búsqueda pero no viendo el detalle de nuestros productos? Esto puede ser un indicador que:
- Nuestros producto no es atractivo (falta de oferta o precios caros)
- No estamos mostrando la información que el usuario necesita
Deberíamos analizar nuestra oferta contra la competencia y posiblemente encuestar algunos usuarios para entender por qué abandonan en esta instancia.
- 3er paso: ¿Llegan a detalle pero pocos avanzan a comprar? Posiblemente debamos mejorar la descripción de los productos.
Existen muchos más análisis a realizar en base a esto, pero es una buena forma de identificar pasos problemáticos en nuestro flujo de venta.
Avanzadas
Conversión de usuarios vs sesiones
Uno de los aspectos interesantes a analizar cuándo vemos conversión es el comportamiento de usuarios en el tiempo. Sobre todo para productos caros o complejos, en general el usuario no termina la compra en ese momento.
Supongamos que es la compra de un televisor 50”. Un flujo podría ser:
- Primer día ingresa a revisar precios a nivel general para tener una idea
- Luego de conversar con su familia ingresa a ver marcas y modelos
- Pasa 2 días visitando los sitios de los fabricantes y buscando comentarios de los que le gustaron en la web
- Finalmente al 5to día está decidido y termina la compra.
En este caso, si miramos la conversión a sesiones veremos un 33% (3 sesiones y una compra).
Pero muchas veces este caso es bueno analizarlo como uno exitoso. El usuario siguió retornando a mi sitio y realizó la compra, sólo que por ser un producto complejo no lo hizo en una sesión.
Para analizar esto en Google Analytics una forma fácil es utilizar un segmento predefinido llamado “Sessions with Transactions”. Este segmento me da todos los usuarios que en el período de tiempo que estoy viendo tienen al menos una transacción.
Una vez seleccionado, si vamos por ejemplo a Audiencia, veremos el total de usuarios versus los usuarios que tienen transacciones y con eso podremos tener la conversión a nivel usuarios.
En este caso son 593 usuarios con transacciones, y 16.799 los totales, dando una conversión de 3.53%. Si ven arriba donde me indica la cantidad de usuarios del segmento van a ver que coincide, es decir, no necesito hacer más que mirar ese dato para tener la conversión a nivel usuarios.
Siguiendo el caso que venimos analizando, teníamos una conversión global en sesiones de 3.03%. Cómo podemos ver hay un porcentaje de usuarios que tuvo más de una sesión antes de comprar.
- ¿Qué decisiones puedo tomar?
En primer lugar es un buen indicador para mirar en caso que su ecommerce tenga productos caros o complejos, para entender si a pesar de tener una baja conversión a nivel sesiones, sube a nivel usuarios.
Y en todo caso si encuentran mucha diferencia, analizar oportunidades de retener al usuario y brindarle más información para reducir esa cantidad de sesiones hasta la compra.
Tiempo a compra
Siguiendo con el punto anterior, el análisis que hicimos no nos indica el tiempo que en general están tardando los usuarios en comprar.
Para ver esta información Google Analytics cuenta con un reporte en “Conversions” – “Multi-channel Funnels” – “Time Lag”.
La información que nos provee es la cantidad y valor de transacciones que hubo para usuarios que tardaron N días en terminar su compra.
Como vemos en el informe, hay una gran concentración en 0 días (casi 60% de las ventas) y luego va decreciendo en el tiempo. Pero es interesante percibir que 40% de las ventas no ocurre en una sola sesión.
Del mismo modo, podemos ver que en el día 5 si bien hay pocas transacciones hay un valor mucho más alto. Esto podría referirse a lo que mencionaba en la sección anterior de compras que por ser “caras” necesitan más tiempo desde la primer visita a la decisión.
Atribución
Cuándo hablamos de fuentes de tráfico, mencionamos su conversión. En general cuando se trata de esta manera estamos pensando en las sesiones que entraron por esa fuente de tráfico y compraron en ese momento.
En general esto se suele llamar atribución Last Click o Last Interaction.
Pero como vimos, puede que un usuario entre varias veces al sitio antes de comprar.
Supongamos que la primera vez que entro fue por un anuncio pago, pero luego la segunda vez que entró y compró tipeo directamente la URL en su navegador.
En este caso veríamos que el “anuncio” tiene una conversión de 0, y el tráfico directo tiene una conversión de “100%”. ¿Pero es justo medirlo así? Si no hubiésemos hecho esa campaña paga quizás este usuario nunca hubiese comprado.
Para trabajar esta problemática y lograr ser más justos a la hora de evaluar nuestras fuentes de tráfico, se suele trabajar con modelos de atribución. ¿Que hacen los modelos de atribución? Toman una conversión y se la asignan a distintas fuentes de tráfico según los criterios que establezcamos.
Uno común es por ejemplo “First Click”, el inverso al “Last click” que mencioné antes. Atribuye toda la transacción a la fuente que por primera vez uso el usuario para acceder al sitio.
Otro común es una distribución lineal. Si un usuario ingreso 4 veces antes de convertir, le asignará el 25% de la transacción a cada fuente por la que el usuario accedió.
Uno más complejo sería Time Decay, en el que también distribuímos la conversión entre varias fuentes, pero le damos más peso a las que están más cerca en el tiempo. Por ejemplo, si ingresó primero por tráfico pago, luego por directo, y luego por orgánico, se atribuiría 20% a pago, 30% a directo y 50% a orgánico.
Lo interesante es que Google Analytics tiene una herramienta poderosa para comparar el resultado que daría cada modelo para elegir el que mejor se adapte a su negocio.
Se puede acceder desde “Conversions” – “Attribution” – “Model Comparison Tool”.
En la misma vemos las atribuciones por cada fuente de tráfico bajo los distintos modelos.
Cómo decía en el ejemplo, si vemos Directo con “Last Click” tiene 354 conversiones atribuidas, pero sólo 144 cuando tomamos “First Click”.
Del mismo modo, con First Click y Time Decay tanto el tráfico orgánico como el pago tiene una suba importante, demostrando que son fuentes donde el usuario suele llegar por primera vez al sitio aunque después termine realizando su compra de forma directa.
Nuevamente la decisión a tomar con esta información es ajustar más eficientemente nuestras inversiones y esfuerzos en distintos canales de tráfico, y no mirar simplemente la conversión directa de las fuentes pagas.
Más avanzadas (fuera de scope)
Podríamos seguir escribiendo durante horas de métricas a mirar en un e-commerce.
Creo que cubrimos un gran terreno, pero no quería dejar de mencionar análisis como cohorts o análisis de life-time value que pueden proveer datos interesantes para la toma de decisiones.
El life-time value nos podría ayudar a determinar cuánto podríamos “gastar” en adquirir un usuario, viendo cuánto nos compra en el tiempo (en base a la “lealtad” que conseguimos luego de primer compra mediante compras repetidas).
Los cohorts me podrían ayudar a ver si estoy mejorando mi performance en el tiempo. Por ejemplo ver métricas como la retención (ver si los usuarios vuelven a visitar mi sitio en el tiempo) y analizar si a lo largo del tiempo se incrementan.
Me encantaría saber su opinión y que otras métricas les gustaría incluir en esta lista. ¡Dejen sus comentarios!