KPis

El proceso de crear unos buenos KPIs (I)

En el mundo del negocio electrónico, no todo se basa en poner un producto a la venta, con una buena página web y esperar vender y facturar millones. Bueno, puede pensar que algo así va a funcionar, pero a la larga se necesita algún tipo de análisis que valide que las cosas se están haciendo correctamente, que las inversiones de marketing se están gestionando correctamente, que el producto cumple las expectativas manteniendo unos niveles de calidad aceptables...

De todas estas cosas se suelen encargar los data scientists, que recopilan toda la información que pueden en enormes bases de datos, la extraen en forma de información usable y se resume toda ella en pocas celdas de una hoja de cálculo para ser presentada a posibles inversores, equipos de marketing, managers, departamento de contabilidad,...

Dado que el proceso de creación de algo tan resumido trae consigo muchísimos problemas, los cuales aumentan exponencialmente a medida que se sufragan los anteriores por desearse cada vez mayor profundidad en el análisis de datos, vamos a ver en una serie de artículos el proceso que va desde la recopilación de los datos hasta la definición y cálculo de los llamados KPIs (Key Performance Indicators del inglés), así como cómo se puede llegar a predecir KPIs futuros en base a los pasados con ciertas garantías de éxito. Esta primera parte tratará de lo que llamaremos datos puros (raw data) que suelen ser necesarios para llevar a cabo todo lo demás en esta ardua, pero necesaria tarea.

Diagrama de relaciones entre KPIs

Diagrama de relaciones entre KPIs

Dame, dame datos

Como hemos dicho, todo pasa por comparar datos y la evolución de los mismos a lo largo del tiempo. No todo es tan sencillo como decir 'el mes pasado facturé 1.000€, este he facturado 2.000€ por tanto mi negocio prospera'. Si la inversión del mes pasado en marketing fueron de tan solo 100€ (de los que se recuperaron 1.000€) y en el mes actual hemos tenido unos gastos de 5.000€ (de los que solamente se han recuperado 2.000€), se puede decir que el dinero de marketing se está yendo literalmente a la basura... Así mismo,  si por ejemplo hablamos de una empresa de productos cosméticos, podría pasar que la gente que ha depositado ese dinero sean todo mujeres de entre 40 y 50 años residentes en España, y que en cambio la inversión de marketing del segundo mes haya traído sobretodo jóvenes varones de 18 a 25 años de Reino Unido (lo cual explicaría el fiasco del segundo mes). Así pues, vemos que los datos puros no sirven de nada sin un contexto donde analizarlos. Por tanto primero procederemos a definir las variables de desglose que se desean tratar en nuestra fantástica hoja de cálculo.

Variables de desglose

En el mundo del comercio electrónico existen tantas variables de desglose como imaginación tenga el Data Scientist al cargo de elaborar los cálculos y predicciones necesarios. También cabe destacar que, cuanto más se desglosen los datos, mayor es la cantidad de números y variables a tratar y estudiar (aumentando por ello el tiempo que lleva al análisis, que puede llevar de unos pocos minutos en el caso de variables no desglosadas a semanas y semanas, lo cual imposibilita el tomar una decisión). Nos encontramos pues con la primera dialéctica: detalle vs tiempo.

Detalle vs tiempo

En una hoja de cálculo donde los datos no aparezcan desglosados perderemos mucho detalle del por qué de las cosas (facturan mejor hombres o mujeres, de qué país, de que rango de edad, de que fuente proceden...) en pro de realizar análisis la mar de rápidos. Por contra, en una hoja donde tengamos decenas o cientas de variables de desglose, el análisis será súper detallado (se podrá llegar a encontrar tal vez el filón de oro, la llave del éxito de dicho negocio) en pro de tardar días y días en explotar tan exhaustiva cantidad de información.

Algunas variables de desglose

Existen hemos dicho tantas como se deseen, pero las más utilizadas y extendidas hoy en día suelen ser:

X=\{Countries\}\times\{Platforms\}\times\{Sources\}\times\{Genres\}\times \{AgeRanks\}\times\cdots

  • País de procedencia: para saber cuales son los países que mejor convierten.
  • Plataforma: para saber si conviene más invertir en móvil, en web,...
  • Fuente de procedencia: para saber si invertir el dinero de marketing en Google Adworks, en anuncios en redes sociales, en anuncios de televisión, de radio,...
  • Género: para saber si enfocar el producto a hombres o mujeres
  • Rango de edad: para saber qué humor o sentido darle a la publicidad del producto
  • ...

¡Y todo esto cada mes!

¡Y encima, toda la información desglosada que sacamos, debe ser extraída y analizada mes a mes, por tanto, en muchos casos acabado un periodo empieza el siguiente, casi sin tener tiempo de tomarse un respiro! ¿A que es fantástica la vida del Data Scientist de marketing?

Datos de usuarios y datos de conversión

En el modelo de negocio online clásico, suele partir de usuarios, que interactúan gratuitamente con la web y los productos que ofrece y terminar en una minoría de usuarios que acabarán siendo clientes potenciales del mismo. Por tanto el primer paso es separar los datos puros de usuarios de los datos puros de conversión (todos ellos, recordemos segmentados según las variables que hayamos considerado en el paso anterior). Veamos a continuación los dos tipos de datos citados así como la información que se puede extraer de cada uno de ellos:

Datos de usuarios

Supongamos que estamos analizando el mes n, con n>1 (es decir, un mes cualquiera que no sea el primero de la empresa). Si se tratase del primer mes, todas las variables referidas al mes anterior carecen de sentido, ergo podrían ser evaluadas como cero.

UserData_{n, x} =\begin{Bmatrix} Dau_n & Wau_n& Mau_n\\NewUsers_n& NewUsersRet_n&\\MktSpent_n&NewMktUsers_n&PayersRetained_n \end{Bmatrix}

con x \in X y n\in\mathbb{Z}^+

  1. Dau_n DAU o Daily Active Users, son los usuarios activos únicos que visitan el sitio web al día (típicamente se escoge el promedio de los DAU de ese mes en cuestión).
  2. Wau_n WAU o Weekly Active Users, son los usuarios activos únicos que visitan el sitio web a la semana (como un mes suele tener 4 semanas, se suele coger como promedio de los WAU de dicha semana).
  3. Mau_n MAU o Monthly Active Users, son los usuarios activos únicos que visitan el sitio web al mes.
  4. NewUsers_n New Users, son los nuevos usuarios que llegan al sitio web durante ese mes por primera vez.
  5. NewUsersRet_n New Users retained from previous month, son los usuarios que llegaron al sitio web por primera vez el mes anterior (Nu_{n-1} ), y han vuelto al sitio web durante el mes actual (forman parte de losMau_n ).
  6. MktSpent_n Marketing Spent, son los gastos de marketing, que a efectos prácticos supondremos que todos vienen dados en la misma divisa (si no, se tendrían que hacer las conversiones necesarias).
  7. NewMktUsers_n New users from marketing campaigns, son los nuevos usuarios del mes actual que llegan al sitio web a través de una campaña de marketing con coste.
  8. PayersRetained_n Retained Payers from previous month, son los usuarios que pagaron en el sitio web el mes anterior, y que han sido retenidos en el mes actual (fijaros que, pese a tener que ver con conversión, solamente exigimos que aparezcan en el mes actual en el sitio web, de ahí que esta variable aparezca en el primer grupo).
Ejemplos de datos de usuarios y adquisición para crear unos buenos KPIs

Ejemplos de datos de usuarios y adquisición para crear unos buenos KPIs

Datos de conversión y monetización

De forma similar al caso anterior, tenemos unas cuantas variables que podemos observar a nivel de conversión de usuario estándar a usuario pagador o premium. Notemos que, habrá datos que dependerán del mes en cuestión, serán pues variables, y otras que sirven solamente para categorizar el tipo de usuario pagador:

UserData_{n, p, x} =\begin{Bmatrix}GrossRevenue_n&Payments_n&Payers_n\end{Bmatrix}

con x \in X, n\in\mathbb{Z}^+ y

p = (name, revShare, type)\in P = \{PaymentPlatforms\}

  1. PaymentPlatform Nombre de la plataforma de pago, una simple pero eficiente manera de categorizar los pagadores según su método de pago o procedencia favorita.
  2. RevShare RevenueShare, el porcentaje del pago que nos llevamos después de que la plataforma de pago se haya llevado su parte correspondiente (suelen oscilar entre un 60 y un 70% del total).
  3. Type El tipo de pago suele catalogarse en una de las siguientes categorías:
    1. Direct, un pago directo a través de tarjeta de crédito, Paypal o similar.
    2. Indirect, no se trata de un pago como tal, si no que se ofrecen bienes al usuario a través de su interactuación con la plataforma (por ejemplo, al rellenar una encuesta, ordenar una pizza, registrarse en algún sitio, ver un vídeo, etc...) Son lo que se conocen típicamente con el nombre genérico de Offer Walls.
    3. Ads, anuncios subministrados por diferentes empresas anunciantes, y por los que la empresa que los ubica en su sitio web gana una pequeña cantidad de dinero.
  4. GrossRevenue_n, los ingresos brutos del mes con la plataforma de pago en cuestión. En particular, los ingresos netos podrán calcularse fácilmente con la operación GrossRevenue_n\times RevShare.
  5. Payments_n, el número de pagos o transacciones monetarias que ha habido en el mes actual.
  6. Payers_n, el número de pagadores únicos del mes actual. Evidentemente, cada pagador puede hacer más de un pago así que todos los meses debe cumplirse que Payers_n\leq Payments_n.
Conversion data for KPis

Ejemplos de datos de conversión y monetización para crear unos buenos KPIs

Y ya estamos a punto para empezar el baile

Con toda esta información, se puede inferir una cantidad brutal de datos que nos ayudan a comprender como funciona la empresa, si crece o se estanca, si se recuperan los gastos de marketing, si el dinero se invierte bien o mal, etc... Así que, ¡a partir de la segunda parte, empezará el buen baile!

Let's go dancing

Let's go dancing!

En la segunda serie de este artículo aprenderemos a montar unos sólidos y robustos KPIs en base a toda esta información que habremos sacado. De este modo veremos cómo, con apenas una veintena de dígitos podemos llegar a componer más de 50 KPIs, indicadores que nos ayuden a entender mejor el mundo del comercio electrónico. Su definición será casi una odisea, pero debido a que hemos dejado claro de buen inicio los datos que nos hacen falta a tal efecto, todo se basará en combinarlos para tener datos comparables y útiles mes tras mes.

Comments 23

Responder a Patricia Cancelar respuesta

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *