Obtén los insights correctos de tus datos con el análisis de cohortes
Existe la idea errónea de que el análisis de datos al más alto nivel con el alcance más extenso proporcionará la visión general más amplia. En realidad, es todo lo contrario; los datos pueden ser engañosos si son demasiado amplios. Las dimensiones adecuadas, la segmentación de los datos y la alineación correcta de estos es lo que ayuda a ver lo que funciona y lo que no. Lo más relevante, quizás, es es analizar los datos en el contexto adecuado.
Despejando el ruido
Es realmente complejo aislar el contexto, y el contexto puede significar muchas cosas diferentes al mismo tiempo. Una de las primeras cosas que aprendes en clases de estadística es que los datos nunca pueden determinar la causalidad, solo la correlación. Y cuando se trata de correlación, es necesario eliminar la mayor cantidad de ruido ambiental posible para demostrar que se trata de una correlación sólida. Los datos nunca pueden estar completamente limpios de ruido, pero la elección de filtros que eliminen la mayor parte de ellos puede proporcionarte una visión más clara.
A continuación, se muestra un ejemplo de la vida real sobre la comparación de “manzanas con manzanas”. El objetivo: comparar los hábitos familiares de consumo de una docena de manzanas. Determinaremos que una “familia” tiene que tener un mínimo de 4 integrantes y compararemos el consumo de una compra del mismo tamaño (una docena):
Manzanas con manzanas: hábitos de consumo en familias con más de 4 integrantes a lo largo del tiempo.
Cuando se observan los datos desagrupados, pareciera que el sábado fue un día pico de consumo, pero por lo demás, es difícil entender los datos. Al agrupar los datos por día de compra, las tendencias son fáciles de ver: la Familia A consume manzanas lentamente pero a un ritmo bastante constante, pero al parecer se cansa de las manzanas al Día 3, cuando el consumo se nivela. La Familia B, por otro lado, al principio no estaba entusiasmada con la compra de manzanas, pero aumentó su consumo en los Días 3 y 4 (¿tal vez encontraron una rica receta de tarta de manzana?).
Volviendo al mundo de la tecnología publicitaria, examinemos nuevamente el ejemplo anterior de ingresos promedio por usuario (ARPU). No basta con comparar el ARPU de un día con el del día siguiente. Debemos considerar todo el ruido y filtrarlo: comparar el ARPU en días similares de la semana, comparar el número de usuarios, la actividad, y si hubo o no una promoción u oferta que pudiera haber impulsado más compras. Al analizar cualquier indicador clave de desempeño (KPI), debes asegurarte de que estás haciendo una comparación directa de tus datos con datos paralelos; comparando manzanas con manzanas.
Cohorte al rescate
Cuando se trata de mantener los KPI al mismo nivel y evaluar el éxito de la estrategia, el análisis de cohorte es la herramienta que necesitas.
Análisis de cohorte: agrupar usuarios con características comunes para medir KPI específicos para estos grupos en diferentes períodos de tiempo.
El análisis de cohorte no se trata solo de analizar los KPI. Al descubrir tendencias ocultas, el análisis de cohorte proporciona las percepciones que necesitas para optimizar las campañas en vivo y realizar cambios en tiempo real que pueden aumentar el engagement y los ingresos.
Cómo empezar con el cohorte
El análisis de cohorte puede parecer un poco abrumador al principio, pero con unos pocos pasos simples, te puedes convertir en un profesional en poco tiempo.
Crear una consulta
Lo primero y más importante es establecer qué es lo que te interesa averiguar. Definir tus KPI y métricas de éxito te llevará en la dirección correcta. ¿Estás midiendo las campañas de forma paralela para comparar las fuentes de medios? ¿O quizás estás midiendo el éxito de la misma campaña en diferentes regiones? ¿Y cómo es que defines el éxito? Tan pronto como tengas ideas sólidas sobre la pregunta que estás haciendo y las métricas que necesitarás para responderla, ya habrás hecho la mitad del trabajo.
A continuación te mostramos una fórmula útil para las preguntas del análisis de cohorte:
Agrupa usuarios con características similares paracomparar el comportamiento y las métricas en un período de tiempo específico..
Ejemplos de filtros y agrupaciones que puedes elegir en el análisis de cohorte
Las características son la dimensión mediante la cual estarás midiendo tu resultado. Los KPI son la métrica real que analizarás, y el período de tiempo establecerá la ventana para la medición.
Tomemos un ejemplo en el que estamos tratando de evaluar el éxito de una determinada campaña en diferentes países. Queremos ver el comportamiento de los usuarios el día que instalaron la aplicación, el día siguiente a la instalación inicial y vCuando sarios días después. Al alinear los días de instalación, podemos analizar el comportamiento del usuario y la interacción con la aplicación nivelando el campo de juego. Alinear esta métrica para todos los usuarios permite comparar eficazmente manzanas con manzanas. Al definir el cohorte que queremos examinar en el panel de control, elegiremos la aplicación correspondiente. En el siguiente ejemplo, vamos a agrupar el cohorte por país y seleccionar la semana del 1 al 7 de abril de 2019 . Estableceremos el tamaño mínimo del cohorte en 10usuarios. Agregaremos un filtro para la campaña correcta: la campaña venta_primavera_abril. Así es como se verá la selección:.
Configurar la agrupación de cohortes, filtros y dimensiones en el panel de control de AppsFlyer
Cuando estemos listos, pulsamos el botónAplicar para ejecutar la consulta.
Análisis de los resultados
La vista de nuestros datos estará determinada por los eventos in-app predefinidos. En este ejemplo, veremos dos métricas predefinidas diferentes: sesiones promedio por usuario e ingresos promedio por usuario.
Si observamos el número promedio de sesiones por usuario, esto es lo que vemos:
Los usuarios rusos están muy involucrados con la aplicación, pero ¿es todo?
A primera vista, la campaña de primavera parece estar funcionando excepcionalmente bien en Rusia (RU) y muy mal en Indonesia (ID). Si observamos la vista en forma de tabla de los datos, podemos ver que hay un crecimiento gradual menor en India (IN) y China (CN), con un gran aumento en las sesiones promedio por usuario en Rusia el día 30. Es importante tener en cuenta que estos datos son acumulativos por defecto.
Desglose en forma de tabla de las sesiones promedio por usuario, agrupadas por país. El Día 0 es el día de la instalación.
Pero estos datos no nos muestran el panorama completo. Podemos ver que hay un alto nivel de engagement en Rusia, en comparación con otros países, el cual sigue aumentando con el tiempo. ¿Esto significa que la campaña tuvo más éxito en Rusia?
Cada historia tiene (al menos) dos versiones
Apenas. Si cambiamos la vista de datos a los ingresos promedio por usuario, veremos una historia totalmente diferente: mientras los usuarios rusos están activos en la campaña, no están gastando dinero. Los usuarios chinos, sin embargo, están promediando un gasto alto por visita. Podemos concluir, entonces, que hay espacio para optimizar la campaña para el mercado ruso y animarles a realizar compras (como una oferta especial, un cupón o una barata). Dado que los usuarios chinos se estancan alrededor del día 4, podemos programar una campaña de retargeting en ese momento. Los usuarios indios están mostrando una pendiente constante en el gasto, que es exactamente lo que estamos buscando.
Otro dato interesante que podemos obtener de estos dos análisis de cohorte es el extraño comportamiento de los usuarios de Indonesia. Aunque hay una cantidad decente de instalaciones (249), prácticamente no hay lanzamiento de aplicaciones y no hay ninguna compra. Esto puede indicar fraude y requiere un análisis más profundo a través del panel de control de Protect360.
Tus percepciones están a la espera
Ahora que hemos cubierto los conceptos básicos del análisis de cohorte, darle sentido a la gran cantidad de datos que llegan a tu panel de control es un poco menos desalentador. Verifica el reporte relacionado con el Cohorte, denominado Retención, para obtener información sobre una lógica similar en el análisis del nivel de baja de tus aplicaciones.
