Como ya hemos comentado en post anteriores, la analítica digital es un medio y no un fin. Esto significa que debe ser usada como la palanca que nos ayuda a tomar decisiones y que sus últimos consumidores no tienen por qué ser los propios analistas. Si me permitís el símil culinario, los analistas deberían ser los chefs que cocinan los datos para que sean consumidos y utilizados por el resto de departamentos de nuestra compañía.

En este afán de intentar dar respuestas, por supuesto basadas en datos, a las preguntas de nuestra empresa, en este post trataremos de dar solución a una de las preguntas más comunes que se plantean todos los sites de contenidos y que seguro que, si habéis trabajado en alguno de ellos, habréis escuchado en infinitas ocasiones: ¿Cuál es el mejor post?

Esta pregunta, que por supuesto también nos hacemos todos los redactores de Analítica Digital, no solo es propia de los sites de contenidos sino también se puede extrapolar a sites cuyo objetivo principal sea la consecución de leads o incluso e-commerce. Pero, dejémonos de preámbulos y vamos a ver cómo podemos dar respuesta a esta clásica pregunta. Para ello, estructuraremos el post en tres pasos fundamentales: estrategia de datos, cálculo de la nota y visualización de datos.

Estrategia de datos

Antes de nada, cabe destacar que esta cuestión no tiene una única respuesta o incluso me atrevería a decir: no tiene a una respuesta correcta. Nuestro propósito será acercarnos lo más posible a un valor que primero, esté completamente automatizado y segundo, tenga en cuenta no solo una métrica, sino que sea la combinación de varias y, que además, podamos ponderarlas como nosotros queramos. Es decir, alejarnos lo máximo posible de decir que el mejor post es el que tiene más páginas vistas o menos tasa de rebote. Recordemos que, mejor también está relacionado con calidad, no solo con cantidad.

Nuestra primera tarea será identificar muy bien qué tipo de interacciones puede tener el usuario con nuestro artículo y que nosotros pensemos que puedan ser consideradas como de éxito o positivas, y medirlas de la manera más exacta posible. Ya decidiremos en un futuro si todas forman parte de nuestra nota final.

Métricas nativas:

  • Número de páginas vistas: Número de páginas vistas que se cargan (o se vuelven a cargar) en un navegador.
  • Número de páginas vistas únicas: Agrupa las páginas vistas que genera el mismo usuario durante una misma sesión. Es decir, usando esta métrica no premiaremos los F5 o las re-visitas a un mismo artículo durante la misma sesión.
  • Porcentaje de rebote: Porcentaje de sesiones de una sola página, es decir, sesiones en las que el usuario ha abandonado su sitio en la página de entrada sin interactuar con ella. Cabe destacar que, el rebote se romperá en cuanto interactuemos con algún punto del site, que aunque no haga una recarga de página, hayamos definido como un evento con interacción en Google Analytics, como por ejemplo, el porcentaje de scroll.
  • Usuarios: Esta métrica nos dirá el número de usuarios diferentes que ha pasado por nuestro artículo, es decir, si una persona ve el artículo en diferentes sesiones (en el periodo de tiempo que estamos analizando) contará tan solo una vez. Esta métrica hará que si una persona concreta entra mucho a nuestro artículo no nos “ensucie” la toma de decisión final.
  • Nuevos usuarios: Esta métrica es una de las más confusas en Google Analytics y la información que nos da es sobre las primeras sesiones de cada uno de los usuarios. Por tanto, para nuestro propósito nos dará información sobre los usuarios nuevos que capta nuestro artículo, algo que, por supuesto, valoraremos muy positivamente, en especial, si estamos dando a conocer nuestra web.
  • Porcentaje de salida: Nos dice el número de ocasiones que una página fue la última de la sesión de entre todas las veces que se vio.
  • Sesiones que vienen por SEO: Esta métrica valorará de forma positiva que nuestro post está posicionado correctamente en las búsquedas orgánicas.

Eventos:

Aquí es donde nuestra métrica final (nota) tendrá un carácter diferenciador. Tenemos que detectar qué acciones del usuario con el post queremos medir y cómo hacerlo. Es importante que tengamos en cuenta, que a pesar de lo que muchos hayáis podido pensar (yo también lo hice en su momento) no podemos hacer esta medición a través de objetivos ya que estos saltan tan solo una vez por sesión. Por lo que, por ejemplo, si una persona hace scroll del 25% en dos artículos, si tenemos un objetivo fijado para el 25% de scroll, tan solo saltará en el primer post que haya comenzado a leer.

  • Scroll: Este evento saltará cuando el usuario haya visto un porcentaje determinado, el que nosotros hayamos decidido, del post. Se suelen utilizar los valores de 25,50,75 y 100 por ciento.
  • Artículo leído: Este particular evento es una de las mejoras maneras que tenemos para analizar si nuestro artículo ha sido leído o no. Y, sí, digo leído y no visto o visitado porque la potencialidad de este artículo es precisamente conocer si el artículo ha sido leído o no, atendiendo a parámetros como: la cantidad de palabras que tiene el artículo, la velocidad media de lectura de un lector, el tiempo en página y el porcentaje de scroll. Para saber más sobre cómo se calcula esta maravilla de evento, os remito a este pedazo post que ya escribió nuestro compañero Pablo de la Fuente y que se titula: “Medición de contenidos: determinar si un artículo ha sido leído”
  • Eventos de engage: Nos referimos a todas las posibilidades que tenga el usuario de interactuar con el artículo como, por ejemplo: dar a like, añadir un comentario, compartirlo en redes sociales, marcarlo como favorito, leer luego, guardar en pdf… Todas estas interacciones deben ser eventualizadas y claramente nos darán una buena visibilidad sobre nuestra pregunta del millón: ¿cuál es el mejor post?
  • Click en links: En muchas ocasiones nuestro artículo puede tener links en el propio desarrollo del post: bien sea para comprar un artículo del que se está hablando, para obtener más información de la que se está leyendo, para ir a otro artículo mencionado; en definitiva para seguir consumiendo más información y seguir navegando por nuestra web, que en definitiva es lo que queremos.

Dimensiones:

Las dimensiones, atributos de los datos, también van a aportar una información muy valiosa a la hora de realizar nuestros análisis. Aunque no nos ayuden a definir nuestra nota final, nos serán de mucha utilidad a la hora de contextualizar el post. Por ejemplo: quién lo ha escrito, a qué sección de la web pertenece, a qué subsección, qué etiquetas/tags tiene… y, por supuesto, el nombre del artículo y un número único identificativo. Este último número identificativo es clave para el desarrollo del algoritmo final.

Como bien sabemos, las urls pueden ir manchadas por multitud de parámetros, por lo que no es una buena dimensión en la que apoyarse. Usar el nombre del artículo tampoco sería la mejor idea ya que no todas las bases de datos leen igual de bien los llamados caracteres especiales. Sin contar que, muchas veces, el nombre de un artículo se puede cambiar desde el propio CMS (aunque no sea una best practice) para poner un título más atractivo o simplemente como recomendación SEO. Por tanto, es fundamental que utilicemos un número identificativo o ID para referirnos al post de manera unívoca.  Esto nos permitirá, entre otras cosas, que si tenemos más información de nuestro artículo en otras bases de datos externas a Google Analytics, como pueda ser el CMS o incluso una herramienta de Social Media con estadísticas propias, podemos agregarlas sin ningún problema usando como Key Column dicho identificador único.

Por tanto, gracias a esta estrategia, pasamos de una información servida de esta manera:

A una más rica y con una información que aporta un valor diferencial a la hora de la toma de decisiones.

Cálculo de la nota

Una vez que sabemos qué métricas van a formar parte del cálculo de nuestra nota final, nos toca plantearnos cómo estandarizar todos los valores y qué peso le vamos a dar a cada una de nuestras métricas primarias.

Para comenzar, la mejor manera de servir esta métrica –nota- sería con un valor sencillo y de fácil comprensión que haga que la persona que la consuma pueda interpretarla de una manera ágil y simple. Por tanto, hemos decidido que sea en una escala decimal del 0 al 10. Es decir, como las notas del cole de toda la vida: siendo un 10 el mejor post y siendo el 0 el peor.

Pero, ahora nos toca plantearnos la siguiente pregunta: ¿qué es el 10? Por supuesto, no hay un 10 “universal”, no hay unas métricas rígidas y fijas aplicables a todos los negocios y webs del mundo a las que se tenga que llegar para conseguir este 10. Esto significa que el mejor post de todos puede tener tan solo 4 visitas, siempre y cuando el resto tengan menos de cuatro. Lo mismo pasa, pero al revés, con un post con 1 millón de visitas: puede ser el peor, siempre y cuando, el resto de artículos de la web tengan más de 1 millón de visitas. Este escenario, por tanto, nos lleva a pensar que la manera más adecuada para puntuar los artículos pase por una medida de no centralización y sí de comparación de resultados. Es decir, para un valor dado, saber el porcentaje de datos que son iguales o menor a la posición de ese valor. Esto es la definición de percentil.

Este planteamiento que proponemos debe replicarse para todas las métricas que hayamos seleccionado. Es posible que un artículo sea el mejor en cuanto a visitas SEO y el peor en cuanto a likes recibidos. Ya luego nos preguntaremos qué es más importante para nosotros, si el SEO o los likes.

Como podemos ver en la siguiente imagen, la fórmula =RANGO.PERCENTIL será la encargada de darnos la información de, para un conjunto de datos dado, en qué percentil se encuentra un valor concreto.

En este dataset ficticio sobre artículos relacionados con platos de cocina podemos ver cómo, en cuanto a la métrica visitas SEO, la lubina al horno puntúa un 0 sobre 10 al ser el post con menos visitas SEO en el periodo de tiempo seleccionado. Y, el caldero cartagenero puntúa con un 10 de 10 al ser el que más tiene. El mismo proceso se hace para la métrica likes. Ahora, tan solo tenemos que ponderar qué es más importante para nosotros, o mejor dicho, cuánto es más importante para nosotros una métrica que otra.

Aquí depende mucho del tipo de estrategia que estemos siguiendo a nivel compañía. Si ahora mismo estamos en una fase de dar a conocer nuestro site, quizás sea interesante que el posicionamiento SEO cuente más que los likes recibido. Si por el contrario, nuestra marca ya tiene cierta presencia y notoriedad y, ahora mismo, la estrategia está más centrada en generar un mayor engage con el usuario, la métrica likes deberá cobrar un peso mayor.

Pongamos que nuestra realidad es este último caso y que para nosotros los likes supone el 65% del peso de nuestra nota final. Este sería el resultado final ordenado de mayor a menor según los diferentes artículos.

Tras este nuevo análisis podemos ver cómo la película cambia por completo. Donde la respuesta a “¿cuál es el mejor post?” antes era el caldero cartagenero ahora es la paella valenciana, ya que hemos usado un número de métricas mayor que hacen que la toma de decisiones esté basada en más criterios que antes y, por tanto, sea más adecuada a la realidad del post.

Visualización de datos

Como en la mayoría de ocasiones, la visualización de datos será la encargada de mostrarnos los insights de los datos que hemos recopilado. Aquí es donde las dimensiones juegan un papel fundamental, ya que aportan una información de valor más allá del nombre del post. De hecho, cuantas más dimensiones tengamos matizando a cada post más tipos de preguntas podremos hacerles a los datos, y como consecuencia, más insights tendremos. Estas son algunas de las dimensiones que hemos usado nosotros para este ejemplo:

Estas dimensiones hacen que no solo ayudemos a nuestro equipo de comunicación escoger el mejor post para mostrarlo en RRSS, newsletter etc… sino también a nuestro equipo de contenidos para que siga una línea de redacción acorde con lo que más le gusta a los usuarios (sí, hasta una línea editorial puede/debe ser data driven, o dicho de otra forma: escribir sobre lo que interesa a mis lectores). Con este simple ejemplo que estamos tratando ahora, ya quedan contestadas preguntas muy interesantes que tienen unas líneas de acción muy concretas.

O, incluso, insights que no solo tengan que ver con nuestra nota y relacionan varias de las métricas primarias.

Conclusión final

Como siempre comento en todos mis post, esto no es una solución fija y perfecta que tenga que seguirse paso a paso hasta llegar al mismo resultado, sino que tiene que servir como un ejemplo que nos haga reflexionar sobre cómo sacar el máximo provecho a nuestros datos para ponerlos a disposición del resto de stakeholders.

Queda demostrado, una vez más, que una buena estrategia de datos, accionable y alineada con los objetivos de la compañía es indispensable para el correcto funcionamiento de una compañía.