Cómo diseñar un super KPI: el número

Hace unas semanas compartía con vosotros un post dónde intentaba explicar cómo podemos diseñar un super KPI que sirva como estrella polar en tu estrategia de negocio. Era un planteamiento teórico sobre el objetivo de Datola, y como toda teoría, funciona y suena bien sobre el papel, ¿Pero es algo tangible? ¿Se puede implementar? ¿Es útil? El objetivo de este post es ir un paso más allá y conseguir para nuestro super KPI el número real que lo representa.

Resumen del super KPI

Recordemos brevemente las fórmulas teóricas a las que habíamos llegado:

Hoy vamos a ver el siguiente paso: cómo obtener los números que necesitamos para aplicar las fórmulas. ¡Vamos a allá!

Interés del blog

Para el interés del blog buscamos dos números: los usuarios que acceden a la web y las visitas a páginas del blog que permanecen en ella durante más de un minuto. 

En estos momentos Datola tiene integrado en su página tanto GA4 como Universal Analytics. Podríamos conseguir el número desde cualquiera de las dos propiedades. Pero sabiendo que Universal Analytics tiene fecha de caducidad y que estamos diseñando un KPI que nos marque el camino a seguir en el futuro, parece lógico decantarse por GA4.

Comencemos por lo más sencillo: el número de usuarios. Vamos a centrarnos en el mes de junio para sacar el KPI. Simplemente tenemos que entrar en GA4 y buscar el número de usuarios para el mes de junio. En ese periodo 290 usuarios visitaron la web.

Ahora vamos a por los usuarios que han visto una página del blog durante más de un minuto. Lo primero que tenemos que hacer es ir a nuestra guía de etiquetado para ver cómo podemos identificar las páginas del blog. Encontramos una dimensión llamada content_type que indica el tipo de contenido que se está visualizando. 

Vamos a GA4, al informe de “Engagement > Pages and screens” y ponemos como dimensión secundaria content_type:

¡Perfecto! Ahora solo tenemos que filtrar la tabla para quedarnos con las páginas cuyo content_type es post. Podemos utilizar para ello el buscador que trae la tabla de los informes por defecto de GA4

Revisamos que las páginas que nos devuelve son correctas y ¡sorpresa! Se nos están colando varias páginas que no son artículos del blog 😭. 

Reto 1: Superar errores de etiquetado

Sí, señoras y señores, hay que asumirlo, hay un error de etiquetado en la web de Datola. Esto pasa en las mejores familias, y sólo podemos ser humildes y reconocerlo. 

Los que lleváis ya un tiempo en el mundo de la analítica seguro que os habéis encontrado con esta situación miles de veces. Vais a vuestra herramienta de analítica a buscar el número que necesitáis y os encontráis con que hace un tiempo que no se recoge o que se está recogiendo mal. A los que estáis empezando, simplemente recordaros que es super importante comprobar siempre que los datos que estáis utilizando son correctos.

Si os encontráis con esta situación debéis de hacer dos cosas:

1. Iniciar el proceso para la corrección del etiquetado, normalmente notificando el error a la persona encargada de la implementación del tagging.
2. Buscar otra vía para obtener el dato que estabais buscando, aplicando filtros, buscando dimensiones alternativas… Lo que se os ocurra, sed creativos 🙂

En este caso vamos a intentar utilizar otra dimensión que recoge el autor del artículo. Vemos que las páginas de contenido general, podcast y newsletter tienen como autor “Equipo Datola”, mientras que los artículos del blog tienen el nombre de la persona que firma el artículo:

También hay algunas páginas que no tienen asignado un autor, aparecen como (not set). Lo que haremos es filtrar para excluir todas las páginas donde el autor sea “Equipo Datola” o “(not set)”, quedándonos así sólo con las páginas de artículos del blog.

Reto 2: Superar las limitaciones en funcionalidades de GA4

Aquí empieza la frustración de GA4 para aquellos que estábamos acostumbrados a utilizar Universal Analytics.

Ingenieros de GA4, ¿por qué no se puede incluir una funcionalidad de filtrado como la que teníamos en las tablas de los informes de Universal Analytics? Eran realmente útiles para hacer análisis exploratorios rápidos sobre el propio informe. En las tablas de los informes de GA4 sólo podemos buscar un valor, pero no podemos hacer filtros un poco más avanzados: exclusiones, filtrado por valores de métricas, expresiones regulares…

Como alternativa GA4 nos proporciona una herramienta maravillosa (no todo iba ser malo con el cambio 😉) que nos permite jugar con los datos de una forma muy flexible: el explorador. Podéis acceder a él desde el menú principal. O si ya estáis sobre un informe predefinido y queréis seguir trabajando sobre él, podéis abrir el editor de comparación y pulsar directamente en el botón del explorador.

Con esta segunda opción os creará ya una tabla predefinida, con las dimensiones y métricas del informe:

En este caso, yo he preferido crear uno de cero con las dimensiones y métricas que me interesan. Como dimensiones he utilizado el Page title y author y como métricas Active users y Views

Tal y como habíamos comentado antes, para quedarnos sólo con las páginas que son artículos del post, he aplicado un filtro que tiene una expresión regular para excluir aquellas páginas cuyo autor es Equipo Datola o (not set):

Reto 3: Superar el cambio de métricas en GA4

Sólo nos queda aplicar la segunda condición, que era que los usuarios estuvieran más de un minuto en la página. En este punto tengo que enfrentarme de nuevo a la frustración que me genera utilizar GA4. Los que me conocéis sabéis que llevo un par de años trabajando con Adobe. Estoy viviendo el cambio a GA4 desde la barrera y, aunque lo sigo de cerca, la realidad es que no he tenido que hacer muchos análisis con ella. Es por esto que cada vez que quiero utilizar algo que consideraba “básico” en GA3 y veo que en GA4 no es posible, siento esa impotencia y esas ganas de gritar ¿POR QUÉ GOOGLE? ¿POR QUÉ? ¿Por qué nos obligas a migrar a una herramienta que no tiene al menos lo mismo que la anterior? ¿¡Por qué no tengo la métrica de tiempo medio en página!?

Aquí sólo me queda suspirar y comentar la jugada con mis colegas más experimentados en GA4. Verificar que efectivamente esa métrica ya no existe, al menos de momento, ¿quién sabe lo que tendremos dentro de una semana o de un mes? Es el problema de intentar trabajar con una herramienta que está en construcción….

Y por supuesto, hay que buscar una alternativa. No tenemos la métrica de tiempo en página pero tenemos la del tiempo de interacción medio.

Vamos a utilizar esta métrica y a modificar ligeramente la fórmula que habíamos definido para medir el interés del blog. Así pues, la fórmula nos queda así:

Interés de la newsletter

El siguiente punto es la métrica para el interés de la newsletter. En este caso tendremos que consultar la herramienta de emailing. Se está utilizando Mailer Lite. Como estamos calculando las métrica para el mes de junio vamos a revisar los datos de la news enviada ese mes.

Hemos enviado la news a 456 suscriptores y la han abierto 149. Por tanto la fórmula para el interés de la newsletter queda como:

Interés del podcast

Vamos ahora a obtener los números para medir el interés del podcast. En este caso Anchor es la plataforma utilizada para la difusión del podcast. Vamos al dashboard de la herramienta para saber cuántas reproducciones hubo en el mes de junio. Aquí podemos tomar dos aproximaciones:

1. Contabilizar sólo las reproducciones del episodio que se mencionó en la news de junio.
2. Contabilizar las reproducciones totales de cualquier episodio.

Por un lado, podría tener sentido utilizar sólo las reproducciones del episodio de la news de junio, ya que lo vamos a comparar con el número de suscriptores de la news de ese mes. Pero por otro lado, puede que hubiera nuevos suscriptores que no supieran de la existencia del podcast y se animaran a escuchar los episodios anteriores. O quizás, alguno tenía algún capítulo pendiente y con la news se acordó y se puso al día. Así que vamos a utilizar la opción 2.

En junio hubo un total de 117 reproducciones y como vimos antes, se envió la news a 456 suscriptores. Por lo tanto la fórmula para el interés del podcast queda de la siguiente forma:

Super KPI: el número

Para finalizar, tal como habíamos definido en el post anterior vamos a calcular el KPI del interés del contenido como la media de cada uno de ellos:

Conclusión

Como habéis visto, sobre el papel todo funciona. Habíamos definido una fórmula con datos que a priori deberíamos de tener disponibles. Sin embargo, los datos son esquivos y a veces, cuando te pones manos a la obra, descubres que no siempre es posible obtener para tu super KPI el número que necesitas. Es importante siempre comprobar si nuestro diseño teórico se puede aterrizar, y en caso de que no se pueda, iterar sobre la definición inicial. Al fin y al cabo, nuestro objetivo es obtener ese número que represente lo mejor posible al objetivo principal.

Llegados a este punto, os lanzo dos preguntas:

1. Tenemos un 26% de interés del contenido, ¿esto es un dato bueno o malo?
2. ¿Podemos utilizar esta métrica como KPI?

Intentaremos buscar la respuesta en próximos posts, pero sólo si este contenido es de vuestro interés y nos ayuda a mejorar nuestro super KPI 😉. ¡Espero vuestros comentarios!