El objetivo final de toda metodología relacionada con la analítica digital es siempre el mismo: realizar un análisis para tomar las decisiones más adecuadas que permita optimizar la estrategia de la empresa.
 

¿Qué tipos de análisis son los más comunes en analítica digital?

Acotándolo al terreno de la analítica digital, lo más común es que tengamos:

• Análisis periódicos: los que realizamos en base a dashboards o informes ya definidos y que hacemos semanal o mensualmente (como por ejemplo análisis de las campañas en medios de pago).
• Análisis ad-hoc: los que debemos realizar porque haya surgido una situación inesperada o porque hemos detectado algo en el análisis estándar (en el primero tenemos que ser especialmente ágiles).

“En ambos casos la clave está en la velocidad con la que seamos capaces de llegar al análisis y en que dediquemos el tiempo necesario para tomar las decisiones correctas.”

En el primer caso seguimos un proceso más estándar:

1. Definición de objetivos y kpis
2. Control de datos (calidad del dato).
3. Integración de fuentes de datos (extracción de los datos necesarios).
4. Definición del dashboard (lo que implica visualización y automatización).
5. Análisis y toma de decisiones.

El objetivo de los cuatro primeros puntos es llegar con la mayor rapidez y solidez (desde el punto de vista de la calidad del dato) a la toma de decisiones.

Tenemos claro lo que necesitamos analizar para gestionar el día a día de la empresa, así que tratamos de estandarizar el proceso para hacerlo lo más eficiente posible.

El segundo caso, engloba todos aquellos análisis que no podemos estandarizar, los análisis ad-hoc.

Al contrario de lo que dice el dicho, dedican tanto tiempo a ‘afilar el hacha’, que al final no saben que árbol cortar.
 

¿Dónde pierden más tiempo las empresas en la toma de decisiones?

En la detección y definición del problema

Los errores empiezan antes incluso de saber que deben tomar una decisión, antes de poder aplicar la metodología que explico más arriba.

Empiezan porque las empresas no suelen contar con una correcta estrategia de medición que les permita detectar y definir los problemas (u oportunidades) a tiempo.

Para tomar una decisión es necesario que seamos conscientes que algo requiere nuestra atención, y que debemos hacer algo para solucionar el error o aprovechar la oportunidad.

Para detectar los problemas a tiempo, nos podemos apoyar en:

• Sistemas de alerta temprana: podemos establecer unos intervalos para las KPIs de nuestro negocio, y definir alertas para cuando los rebasen por encima o por debajo (desde las que podemos definir en Google Analytics o en cualquier tipo de herramienta).
• Análisis periódicos: y por supuesto, los problemas que detectamos en los análisis que realizamos semanal o mensualmente.

La situación varía en función del tipo de análisis a realizar

Normalmente ambos ‘sistemas’ están orientados los análisis periódicos.

En la mayor parte de las empresas no existen los sistemas de alertas y los análisis periódicos están mal definidos y se hacen de forma manual.

Por lo que normalmente no se enteran de que tienen un problema hasta que este estalla (sistemas de alerta), y como les cuesta tanto llegar a la fase de análisis en sus dashboards o informes periódicos, en muchas ocasiones o los detectan tarde o no se enteran.

Así que en cualquier caso es demasiado tarde para actuar.

El problema se agrava cuando debemos hacer un análisis ad-hoc. No tenemos ninguna parte del proceso estandarizado, y es especialmente importante que nos organicemos bien para ser igual o más rápidos que en los análisis periódicos, en llegar al análisis y toma de decisiones (más aún si se trata de una urgencia ya que debemos pasar del paso 1 al 5 en cuestión de horas).

En estos casos tenemos claro el objetivo y KPIs del análisis desde el primer momento y, si hemos hecho bien las cosas, además estamos seguros de estar midiendo bien (calidad del dato), por lo que el primer punto clave se encuentra en la extracción y procesamiento de los datos.
 

El data scientist como figura clave de la analítica digital actual

Es en este momento, y más ahora con el rápido crecimiento del volumen de datos a gestionar, donde surge la figura del data scientist, del que tanto se está hablando últimamente.

Es una persona que debe combinar la estadística, la programación y el conocimiento del negocio.

Una vez detectado el problema debe:

1. Ser capaz de entender el negocio para entender el problema en su totalidad.
2. Dominar las diferentes fuentes de datos disponibles y ser capaz de extraer, procesar y combinar los datos necesarios
3. Y por último, dedicar el tiempo necesario para analizar los datos extraídos y encontrar una solución al problema para tomar la decisión correcta (llegar al punto 5 de la metodología).

“Por lo tanto la clave para tomar mejores decisiones, además de tener una buena metodología de medición,
está en la velocidad con la que seamos capaces de llegar al análisis y en que le dediquemos el tiempo necesario.”

Fuente: Tristán Elósegui, fundador y consultor de marketing online en Matridiana.