Inicio > Blog ecommerce > Guía CRO eCommerce por Arnau Vendrell

Guía CRO eCommerce por Arnau Vendrell

Vuelvo a la carga con un nuevo post y no vengo solo, en realidad vengo con un pedazo de post del simpar de Arnau Vendrell de isocialweb.com, más que un post es una guía sobre CRO para eCommerce que os va a dejar con la boca abierta. El tito Jordi siempre os trae lo mejor.

Dale Arnau

El crecimiento de un e-commerce lleva implícito, en gran medida, la capacidad de estructurar un sistema de toma de decisiones basada en datos.

Suele ser habitual no dar importancia a los datos y a los análisis cualitativos, pero incluso a un nivel microscópico (e-commerce muy de nicho o validación de venta de un producto), es capital demostrar nuestras hipótesis y tener una metodología de extracción de información de valor (rendimiento, preferencias, medios, dudas, comportamientos, etc.).

Guía CRO eCommerce por Arnau Vendrell

Correcto etiquetado y fiabilidad del dato

La calidad del dato es una parte fundamental en cualquier proyecto digital y muchas veces infravalorado hasta que se necesita.

Es en aquel momento en el que algo sucede (incremento en ventas/caída del ratio de conversión) que surgen preguntas de negocio que no somos capaces de responder. Los datos en Google Analytics no son retroactivos por lo que no podría recomendar más encarecidamente que antes de iniciar un proyecto se definiera todo lo que se quiere medir y de qué modo.

Lo primero que necesitamos es un plan analítico, es decir documentar toda la información que un futuro puede ser accionable. Dentro de estas acciones incluimos:

  • Estandarización de UTM’s para campañas: Si vamos a lanzar campañas de pago por ejemplo en Facebook queremos que todo el mundo (incluído empresas externas) entiendan que la fuente es “facebook”, no “fb”, ni “fbook”, ni “FBAds”, ni “facebook.com”.
  • Unificación de tags y reaprovechamiento de variables y activador: El hecho de tener documentado toda la estructuración de medición nos permite que un mismo activador pueda ser usado por diferentes etiquetas, eso permite simplificar el modelo y hacer más simple el sistema.
  • Definición de particularidades de proyecto: Si se debe crear una propiedad que incluya la agrupación de varios dominios (vista cross-domain) o se debe incluir una vista solo para usuarios logados, etc.

Aquí podéis ver un ejemplo donde la nomenclatura de la “fuente” no está estandarizada lo que te obliga a tener que agruparla con expresiones regulares para poder analizarla:

El plan analítico sería al análisis del dato lo que una jerarquía de enlazado lo sería al SEO o una estructuración de audiencias a una campaña de remarketing.

Una implementación que nos resulta muy útil en iSocial es etiquetar todos los clicks que un usuario hace en una página, esta información si bien de base es muy “cruda” (revela poca información nos permite generar y estudiar comportamientos según patrones de uso (clics) una vez aparecen las dudas de negocio: ¿qué banners rinden más según categoría?, ¿cada cuanto deben rotarse los productos en portada?, etc.

El plan analítico se puede hacer perfectamente con un Google Sheets, pero es importante que al ser un documento vivo y de alto valor sea modificado por el menor número de personas.

Visualización y explotación

Una vez sabemos que lo que medimos está bien medido es hora de preparar nuestros propios sistemas de visualización. Tener un documento al que hacemos seguimiento con una KPI’s ejecutivas nos permite detectar ineficiencias a gran escala y profundizar en base a esa métrica. Sería como un índice en un libro. En mi experiencia, es mejor acostumbrarse a analizar unos KPI’s de valor que luego te permitan hacerte preguntas sobre las que profundizar (y no al revés).

En la siguiente imagen vemos como una KPI’s diaria de transacciones e ingresos no muestra correctamente el progreso del proyecto como lo hace un informe trimestral:

La simplicidad en la elección de las métricas al igual que la correcta visualización y factor de escala nos permiten tener una correcta imagen de la situación. Personalmente me gusta mucho la visualización de datos trimestrales siempre apoyados con datos mensuales y semanales según la tipología de proyecto. Si bien el avance semanal de un proyecto en términos orgánicos puede ser poco indicador de una evolución, la evolución de un CTR promedio de una campaña de pago en la que invierto 50.000€ semanales sí puede darme información de valor.

Otro ejemplo interesante puede ser el sesgo que se obtiene si no se estudia la atribución de las transacciones e ingresos. Como se muestra en la imagen más abajo, vemos un caso en el que el tráfico orgánico convierte el 38% de las veces como interacción directa (sin pasar por otros canales antes). Lo que no nos dice Google Analytics de una forma “fácil de visualizar” es que además convierte un 18,62% de las veces sin ser la primera conversión y asiste al 28% del resto de conversiones que suceden en la web:

Esta imagen da una perspectiva muy diferente del valor que aporta el canal orgánico. Como decíamos, la adquisición lleva implícita una serie de KPI’s del mismo modo que también lo hace el comportamiento.

Saber cuales son las 5 páginas con mayor tasa de salida (exit-rate) nos permite enfocar nuestros esfuerzo e identificar si éstas se van corrigiendo/modificando en el tiempo. Este mismo análisis también se puede realizar por agrupaciones de contenidos (página-producto, página-listado, página-checkout) y saber cómo rinden en conjunto cada sección.

Obviamente una modelización del embudo y del proceso de compra haciendo las respectivas diferenciaciones (categoría de dispositivo, tipo de usuario, etc.) nos permite evaluar qué pasos deben ser mejorados de una forma bastante eficiente:

Como herramientas de seguimiento de KPI’s  se puede usar desde la propia herramienta de tracking; Google Analytics, Adobe Analytics, etc. a herramientas más pensadas para la visualización de datos como Google Data Studio, Klipfolio, etc.

Extracción cualitativa

El valor de la mejora de conversión de un e-commerce no siempre está en lo que somos capaces de medir, sino que a veces se encuentra en lo que no sabemos que no sabemos y en la confirmación de lo que sabemos que no sabemos.

Y para eso no hay nada mejor que los test cualitativos que nos permiten detectar ineficiencias que los datos difícilmente revelan (i.e. no entiendo qué significa este tipo de filtro y por lo tanto no lo uso) y otros que simplemente no se podrían revelar (i.e. me gustaría mucho que se incluyera este tipo de producto).

El análisis cualitativo no reside en el proceso continuo de generación de acciones de descubrimiento y validación de nuestro negocio. Dentro de estas acciones destacamos desde los tests de usuario, cuya finalidad reside en intentar que un usuario realice una tarea en tu proyecto (i.e. intenta comprar este tipo de producto) a las preguntas abiertas sobre el proyecto (¿qué te hubiera gustado encontrar aquí?).

En la imagen a continuación vemos una mejora que se detectó a través de un test de usuario en el que pedíamos al usuario testado que comprara un producto. Cuando llego a una categoría para elegir la oferta vio que al colocar el ratón encima te mostraba un icono de Instagram o un texto de comprar. En ambos casos te llevaba a la ficha de producto, pero eso simplemente no es lo que se visualizaba y se encontraba perdido y sin saber qué hacer:

Este tipo de ineficiencias, aunque obvias cuando las descubrimos, son el día a día de la frustración de los usuarios dentro de nuestros proyectos.

Herramientas de análisis cualitativo tenemos de muchos tipos, desde propuestas que te permiten encuestas abiertas como Hotjar a propuestas de ordenación de menús con Optimal Workshop. Sin embargo, ninguna de ellas supera el valor que se obtiene al acercarnos a nuestros usuarios, clientes:

  • ¿Por qué devolviste el producto?
  • ¿Qué podríamos hacer para que volver
  • ¿Por que no finalizaste nuestra compra?
  • ¿Podrías intentar hacer esto?

Nuestro objetivo no es solo entender su deseo, sino alinear su comportamiento con nuestro negocio y activo digital (web/app).

Hipótesis de negocio y priorización

Hasta ahora hemos estado modelando y extrayendo información sobre la que poder actuar, pero para hacerlo de una forma eficiente debemos trasladar ese comportamiento o mejora a una cuestión de negocio. No todo se debe implementar, ni todo debe realizarse ahora mismo.

Priorizar y generar las lógicas de negocio detrás de los cambios en el e-commerce es una parte fundamental tras la generación de propuestas. Por eso una vez tenemos todo el listado de mejoras será momento de darles la ponderación que estimemos. Para ello podemos usar Google Spreadsheet o sistemas más sofisticados como Airtable, en cualquier el objetivo es generar una priorización de trabajo.

A la hora de priorizar debemos entender 2 cosas:

  1. Usaremos criterios objetivos: A diferencia del método habitual que suele ser organizar por “Impacto” y “Riesgo”, es mucho más acertado hacerlo por criterios en los que todos estemos de acuerdo: ¿Este problema se muestra en los primeros 5 segundos de una sesión? ¿Sucede above-the-fold (lo que se visualiza en pantalla sin hacer scroll)? ¿Se corrige a lo largo de la sesión o persiste?, etc.
  2. Diferenciaremos el problema de la mejoras: No es lo mismo un problema de funcionamiento o uso en el e-commerce (i.e. la página da un error 4XX al hacer clic en un producto) que una mejora que creemos queda mejorar ciertas métricas (i.e. permitir al usuario comprar como invitado).

Ejemplos de estas matrices de priorización podemos usar por ejemplos las de ConversionXL:

Ejecución de test y resultados

Una vez hemos priorizado las acciones propuestas y tenemos claro por donde empezar, nos embarcamos en un proceso constante de ejecución de tests e implementaciones directas.  A lo largo de este proceso buscamos:

  • Lanzar test y ejecutar acciones de forma paralela sin influenciar los resultados entre ellos, es decir queremos que las métricas que se midan no se vean afectadas entre experimentos.
  • Desarrollar un sistema de evaluación crítico (y de negocio) en el que no prime únicamente la significancia estadística. Es muy habitual a la hora de realizar tests buscar siempre una validación estadística, pero no todas tienen que validarse con una significancia del 95%. Por ejemplo, para conseguir un 95% de significancia estadística en un experimento cuyo ratio de conversión actual es del 2%, y quiero un mínimo efecto de interés del 5%, un poder estadístico del 80% y solo hay una variante necesitamos 498.520 usuarios.

Obviamente, no todos los e-commerce tienen tanto tráfico, ni puede permitirse el lujo de mantener un experimento único corriendo durante meses. Por ello, recomendamos primero definir un claro criterio de ejecución de test (por ejemplo Agile A/B testing) a la vez que decidir qué criterio se va a emplear para dar un test como concluyente. Aquí dejo una reflexión sobre los mitos alrededor de la significancia estadística.

A nivel de herramientas recomendamos el uso de Optimizely y Google Optimize, aunque hay muchas otras en el mercado valen.

Conclusiones

Como se ha podido observar, hemos pasado de un nivel más documental y estructural a un proceso ágil de detección ineficiencias, prospección junto al usuario de mejoras y ejecución constante de tests para generar una mejora contínua de nuestro e-commerce.

En el mundo del CRO tiene más importancia el enfoque en el valor compuesto, es decir cómo vamos apalancando valor en nuestro proyecto a través de las mejoras continuas, que los cambios troncales que generan máximos rendimientos.