Errores en análisis de datos confesados por analistas en activo

¿Quieres aprender de los errores en análisis de datos que ya han cometido otros?

Inspirados por un interesante artículo sobre errores SEO de Edu Moreno, nos animamos a preguntar a la comunidad de analistas cuáles son los errores más habituales en ANALÍTICA.

Para ello habilitamos una encuesta para recopilar las respuestas desde un post de LinkedIn. Queríamos que nos contaseis qué es eso que nunca más volverías a hacer en un proyecto de anlálisis de datos, y qué mejor forma que apelar a la famosa frase «A Dios pongo por testigo que nunca más…» de la famosa película «Lo que el viento se llevó».

Siendo sinceros la participación no ha sido elevada, pero sí suficiente para abrir ciertos debates y conversaciones interesantes con las aportaciones recibidas, en total se han generado 15 aportaciones. Agradecer a todos los que nos habéis aportado este granito de experiencia y sufrimiento que habrá habido seguro en los errores aportados.

Los tendremos bien en cuenta en nuestro día a día.

Hemos clasificado los errores en 3 grandes áreas. Veamos qué han señalado los datolistas en cada área. Verás en cursiva el texto exacto que han utilizado.

Errores de planteamiento del proyecto

Infravalorar a la hora de presupuestar

Infravalorar el tiempo y esfuerzo de la analítica digital a la hora de presupuestar proyectos. Es importante tener muy claro el alcance y esfuerzo de cada etapa para mantener la rentabilidad. Me ha ocurrido sobre todo en la parte de validación del dato

Medirlo todo

Plantear proyectos queriendo medir todo lo que hace el usuario

El cliente no entiende el alcance

Que el cliente no haya entendido lo que se va a hacer, el alcance de lo que se va a hacer, lo que supone… o que la persona en la que se delega el trabajo no haya entendido bien el trabajo a realizar.

No dudar de lo que dice el cliente    

Hacer caso a cliente y no poner en (sana) duda lo que dice en el brief

Colocar mal hito cierre      

Marcar como fecha de cierre de proyecto de implementaciones la puesta de analítica en producción. Gran parte del trabajo recae en los equipos de desarrollo de la web, que queda fuera de tu alcance. Sin embargo, hay una fuerte carga de trabajo por parte del equipo de analítica hasta llegar a ese punto. Si por lo que sea el equipo de desarrollo nunca llega a hacer su parte, el proyecto nunca se cierra. En el peor de los casos tampoco lo facturas. Es una buena práctica asegurarte de poner un hito intermedio en ese punto donde al menos cobres esa parte del trabajo

Errores en el desarrollo del proyecto.

Bajo este título hay un gran número de aportaciones, podemos encontrar tanto errores en la gestión, como en la implementación técnica o en el propio análisis de datos.

Falta de procedimientos    

las cosas fallan o no salen suficientemente validadas porque no hay procedimientos establecidos que aseguren esa calidad (o por las prisas)

Pedirle al analista que sepa de todo 

Pedirle al analista que sepa programar, diseñar, analizar, modelar, formar…

Dejar al analista con problemas de data engineering           

Dejar al analista con problemas de data engineering que ya deberían estar resueltos

No disponer de todos los accesos al comenzar       

Más que error a nivel analítico, sería un error de gestión, el error en cuestión que suelo cometer y debo corregir más pronto que tarde es comenzar proyectos sin disponer de todos los accesos. Ralentiza, supone llevar trabajo lastrado y a nivel planificación es una bomba.

Configurar bien la herramienta         

Olvidarse de configurar bien algún apartado herramienta

Trabajo con IT sin que entiendan      

No explicarles a los equipos de desarrollo que implementan el dataLayer qué es la analítica y para qué sirven los códigos que van a implementar. Hacerles entender de qué va todo esto te evitará muchos errores en la implementación, reduciendo tiempos e idas y venidas en la parte de validación

Complicarse la vida          

Complicarse la vida cuando no toca.

Crear demasiados KPIS    

«Convertir cada acción en una conversión.

 En ciertos negocios, se crean muchos KPIs sin tener en cuenta cuáles son los más importantes para la empresa. Es fundamental distinguir eventos de conversiones y no hacer que cualquier acción sea una conversión, sino elegir pocos eventos que realmente supongan un beneficio y puedan considerarse como conversión, para no perder tiempo analizando datos innecesarios.»

Veracidad de los datos

Creer que los datos eran ciertos

Dar datos sin entender qué piden    

Dar datos sin margen a pensar bien el dato que me están pidiendo

Enredarse en la herramienta 

Me pierdo buscando intentando buscar “las causas, correlaciones, verdaderos motivos, la verdad verdadera” me llego a perder en las herramientas y los datos sin llegar a conclusiones claras y a sacar aprendizajes.

Medir y no usar                 

Medir eventos que generan muchos hits y luego no se utilizan

Mucho tiempo a recopilar y depurar, poco a analizar          

Consumo mucho tiempo obteniendo los datos, implica dedicar muchísimo tiempo a conseguir, depurar y extraer datos sin dejar apenas tiempo para analizarlos, pensar sobre ellos, obtener insights accionables.

Pensar que el error es tuyo y no de la herramienta. 

Pensar que el error es tuyo y no de la herramienta.

Usar mal las medias          

Calcular medias cuando la distribución no es normal y por lo tanto, no es un valor representativo

Errores relacionados con herramientas específicas del entorno de Google

No entender «el aparato»   

Un problema común era no entender el aparato y descubrir meses más tarde limitaciones del estilo que al pasar de 500 hits por sesión se dejaban de registrar los purchases o el umbral de GA4 que de forma «aleatoria» te reduce los resultados provocando reportes inequívocos o otro bueno de no conocer el aparato es la cardinalidad que puede estar jugándote una mala jugada en Looker Studio al aplicar algún filtro y ni darte de cuenta hasta que validas o repasas esos datos…Infinitos problemas por no «entender el aparato»

No probar cambios en GTM  

Dejar a un gran ecommerce sin checkout por no probar los cambios aplicados en GTM. Una herramienta de terceros rompía el funnel de compra desde aquella toda implementación por muy trivial que sea se prueba hasta finalizar compra y no se publica los viernes.

Nombrar eventos que ya tienen nombre      

Crear nombres para eventos cuando ya existe nomenclatura recomendada por Google

Cardinalidad                      

Dimensiones con muchos posibles valores que afecta a la cardinalidad

Para FINALIZAR pasamos al tercer gran grupo, los errores que cometemos a la hora de reportar resultados.

Errores en el reporte de resultados

Exceso detalle de proceso al cliente 

«Dar el detalle de todos los pasos seguidos (fallidos y no) para responder a una pregunta de negocio. Con esto quieres demostrar todo el trabajo que hay detrás, pero el cliente necesita respuestas concisas y fiables. Si quiere más detalles, te los pedirá.

 Si en todo el proceso encuentras cosas interesantes, debes reportarlas, pero quizás en un aforo/momento distinto»

No adecuarse al receptor del mensaje.         

No adecuarse al receptor del mensaje/ análisis / reporting. El abuso de tecnicismos y anglicismos.

Reportar sin tiempo de validar.         

Darle datos a tu jefe a primera hora de la mañana cuando la petición es del tipo “Dame esto ya”. Reportar sin tiempo, sin poder validarlo correctamente y sin estar seguro de que lo que reportas es el mal de todos los analistas de datos.

Simplificar cuando no toca

La simplificación cuando no toca.

Desbordar con Dashboards   

Desbordar con Dashboards. Esto da para un capítulo aparte. Mi uso de las herramientas de visualización es no sólo un punto de llegada, sino de partida, las he usado como pizarra en blanco sobre las que trabajar los datos, preguntar, analizar, ver en el sentido literal gracias a los cruces de variables y métricas, campos calculados etc cuestiones que no habría visto de otro modo. PERO he querido que los compañeros del equipo “usen y sientan la maravilla” cuando su enfoque a los datos y dashboards es mucho más estático, de reporte.

Falta de síntesis                 

Querer contarlo todo, muchos datos, mucha intensidad. Falta de síntesis.

Informes con muchos KPIS   

Crear informes con demasiados kpi´s

Y tú, ¿cómo lo ves?

Como comentábamos al principio, hay mucho hilo del que tirar, ¿no lo crees?

Si abrimos debate o creamos un podcast sobre estar áreas necesitaríamos muchas horas para profundizar, comentar y evolucionar a partir de todos estos errores y experiencias.

Ahora es tu turno:

¿Qué te ha parecido esta selección de errores? Son delicatessen, para todos los gustos, fases y roles dentro de la analítica.

¿Echas de menos alguno?

¿Te gustaría matizar o responder a alguna cuestión planteada?

Estamos encantados de escucharte! Tienes todas las vías abiertas.