31 May 2018
Lectura: 11 mins.
|
Dificultad:

Análisis look-to-book: cómo optimizar productos en un e-commerce

Durante el aterrizaje en cualquier proyecto de analítica, gestionamos y estudiamos los datos para poder obtener información. Es importante diferenciar estos dos conceptos, dado que los datos deben ser siempre tratados como un medio y no como un fin. Herramientas como Analytics nos ayudan a estudiar el rendimiento de distintos aspectos de la estrategia digital y son una fuente de referencia muy importante para tomar decisiones estratégicas y operacionales.

Dicho esto, hoy proponemos un ejemplo de cómo los datos en bruto pueden ser convertidos en información estratégica. Vamos a explicar el concepto look-to-book, que, a partir de datos que extraemos de Google Analytics, nos permite definir acciones para los productos de una tienda online. Es un concepto con muy poca documentación —especialmente en castellano—, así que vamos a explicar en qué consiste este análisis y cómo podemos sacarle provecho para inspirar nuevas estrategias de producto.

El proceso está sacado del libro (altamente recomendable) Ecommerce Website Optimization: Why 95% of your website visitors don’t buy, and what you can do about it, aunque fue inicialmente planteado por Bryan Eisenberg.

Durante el análisis de los productos de un ecommerce, el ratio look-to-book permite desarrollar estrategias globales, agrupando los productos en función del interés que generan. Entremos en detalle.

¿Qué es el ratio look-to-book?

Es una métrica que nos sirve como base para llevar a cabo un análisis de producto, planteada por el autor Bryan Eisenberg (allá por el año 2004).

La idea es poder ejecutar un estudio ágil y sencillo de los productos de un ecommerce, basándonos en el comportamiento de los usuarios en referencia a:

  • El número de veces que un producto se ojea en la tienda → visibilidad y exposición del producto.
  • El número de veces que ese producto se añade al carrito → interés que genera.

El objetivo del estudio es conocer el atractivo real de cada ítem de la tienda. A través de este análisis y combinando los factores anteriores, agrupamos en 4 niveles de interés todas las referencias, de manera que podamos encontrar fácilmente qué productos tienen un potencial que no se está explotando lo suficiente.

¿Qué datos necesitamos para extraer la métrica?

Antes de nada, ¿qué métricas necesitamos para poder llevar a cabo este análisis?

Métrica¿Para qué es necesaria?
Número total de productos o referencias
(sin SKUs)
Se utiliza para tener una media general de las vistas de producto.
Número de vistas únicas de cada productoSe utiliza para poder sonsacar el promedio de vistas únicas por producto, tanto de manera general como para cada ítem.
Número total de páginas vistas únicas de la página del carrito (independientemente si la compra se finaliza o no).Se usa para obtener el ratio de veces que los productos son añadidos al carrito, tanto de manera general como para cada ítem.

Para que se entienda mejor, vamos a verlo con un ejemplo similar al del libro: tenemos un total de 136 productos a la venta en la tienda online. Además, en Analytics podemos ver los siguientes datos:

  • Número total de páginas vistas únicas de producto: 42.720.
  • Número total de páginas vistas únicas de la página del carrito: 2.649.

De aquí podemos extraer nuestras métricas de referencia, es decir, las que vamos a comparar con cada producto:

  • Media de páginas vistas de producto: vistas únicas por producto (42.720) / 136 referencias = 314 visitas.
  • Ratio de veces que el producto se añade al carrito: vistas únicas del carrito (2.649) / vistas únicas por producto (42.720) = 0,0620 (6,2%)

Una vez conocidas las referencias, necesitamos conocer los ratios concretos de cada ítem para contrastarlos con la media. Para ello, dividimos el número de páginas vistas totales entre las vistas únicas del carrito por cada producto. Por ejemplo: la referencia 7 tiene 1.843 páginas vistas únicas y un ratio de añadir al carrito del 4,12%

Diríamos que este producto:

  • Tiene más visibilidad que la media (1.843 vs 314)
  • Se añade al carrito menos que la media (4,12% vs 6,2%)

Y así con todos los productos, hasta que tengamos individualmente su exposición/visibilidad y su ratio de adición al carrito.

Una vez tengamos todo, clasificaremos los productos en cuatro grupos:

  • Grupo 1: exposición y visitas ALTO, interés y adición al carrito ALTO.
  • Grupo 2: exposición y visitas ALTO, interés y adición al carrito BAJO.
  • Grupo 3: exposición y visitas BAJO, interés y adición al carrito ALTO.
  • Grupo 4: exposición y visitas BAJO, interés y adición al carrito BAJO.

excel ejemplo look-to-book

¿Cómo obtener estas métricas en Analytics?

Mi compañera Malen explica cómo podemos extraer todos los datos necesarios para el análisis desde Google Analytics:

La extracción de datos depende de la implementación analítica del proyecto y de la estructura de URLs de cada tienda online (si existe ecommerce mejorado, estructura consistente de URLs, si existe URL de carrito, etc). En cualquier caso, las interacciones a medir deben personalizarse en cada proyecto, ya que nos podemos encontrar con que no exista una página de carrito como tal.

Vamos a proponer dos maneras de poder calcular el ratio, en función del nivel de implementación de analítica.

Caso 1: no hay ecommerce mejorado implementado y existe una página de carrito

En este caso debemos generar un informe personalizado, donde cruzaremos las páginas de producto y las páginas vistas únicas de cada una. Hay que tener en cuenta que debemos filtrar únicamente por las páginas de producto, de manera que si nuestros productos cuelgan del directorio /productos/ habría que incluir únicamente aquellos que estén en el siguiente nivel a /productos/. De esta manera, conoceríamos el número de páginas vistas por producto.

Por otra parte, también debemos conocer las veces que el usuario ha añadido el producto al carrito. Debemos identificar la página anterior a la de carrito, para conocer las veces que un producto se ha incluido en la cesta de la compra. Generamos un informe personalizado cruzando la página de carrito con la dimensión “ruta de referencia anterior”, la cual nos ayudará a conocer el producto que se ha añadido al carrito.

Caso 2: hay comercio electrónico mejorado implementado

Si tenemos implementado el enhanced ecommerce, mediremos las vistas de productos (veces que se ha visto un producto) o la relación carrito/detalle (número de productos agregados por número de vistas de detalles de producto). Tendremos dichas métricas de manera general y por ítem.

La métrica de vistas de los productos se puede equiparar al número total de páginas vistas únicas de producto; y la relación carrito/detalle a las vistas únicas por producto/vistas únicas del carrito. Si bien hay que destacar que las métricas de ecommerce no se calculan de manera única por usuario, por lo que si un usuario visualiza el producto 8 veces antes de añadirlo al carrito, la relación carrito/detalle no coincidiría las vistas únicas por producto/vistas únicas del carrito. Por eso, a pesar de que los datos de ecommerce se calculen de manera automática, recomendamos seguir el cálculo basándonos en el caso 1, independientemente de tener implementado o no el comercio electrónico mejorado.

Generando estrategias a partir del ratio look-to-book

Ya tenemos nuestro excel y los grupos creados. Y ahora, ¿qué?

Una vez sabemos con bastante exactitud cómo se comportan los usuarios en relación a cada producto, podemos generar un plan de optimización, categorizando y reordenando los productos en los 4 grandes grupos:

Grupo 1: Productos “Avatar”

Exposición y visitas ALTO, interés y adición al carrito ALTO

Look-to-book: productos AvatarSon nuestros productos estrella. Funcionan de maravilla y cuanto menos toquemos a nivel de optimización, mejor. No serán muchos, así que los dejamos estar.

Estrategias para los productos Avatar

Son los superproductos, así que la recomendación general es tocar lo menos posible. Podemos intentar dar un último empujón a través de promociones y ofertas ocasionales. Sabemos que generan mucho interés, así que buscaremos productos similares, que no estén teniendo tan buen rendimiento y estudiaremos cómo mejorar su relevancia.

Grupo 2: Productos “Mucho ruido y pocas nueces”

Exposición y visitas ALTO, interés y adición al carrito BAJO

Look-to-book: productos Mucho ruido y pocas nuecesSon productos que generan interés, el usuario los visita, pero no llega a incluirlos en su cesta. Aquí hay trabajo, habrá que investigar si tenemos algún problema con las fichas de producto, si no estamos enfocando adecuadamente la propuesta de valor o si existe algún problema más allá del diseño (precio inconsistente, problemas de navegación/categorización, etc.)

Estrategias para los productos Mucho ruido y pocas nueces

Es El Segmento: son productos con una alta exposición, pero que no acaban de ser relevantes para el usuario. ¿Por dónde empezar? Habrá que indagar:

  • Rendimiento general de la ficha de producto: verificar que no haya problemas con el título, la imagen, CTAs, etc. ¿Hay algo que echemos en falta?
  • Precio: es otro punto crucial, podría ser que el precio exceda las expectativas del consumidor.
  • Copy y propuesta de valor: quizá la propuesta de valor no esté bien orientada.
  • Etc.

Para todo ello, tendríamos que aplicar ciertas rutinas de investigación cualitativa y conocer más a fondo por qué estos productos no están cumpliendo con las expectativas de los consumidores a través de todas las herramientas que tengamos a mano: encuestas, chats online, test de precio, test a/b de exclusión o cualquier otra metodología que nos ayude a entender las razones por las que el usuario acaba ignorando el producto.

Grupo 3: Productos “Juno”

Exposición y visitas BAJO, interés y adición al carrito ALTO

Look-to-book: productos JunoLa división indie de la segmentación de productos. Son productos con cierta relevancia, pero sin la exposición suficiente, tienen un potencial escondido que tendremos que explorar.

Estrategias para los productos Juno

La estrategia más extendida y recomendada por Eisenberg es “paquetizar” estos productos junto a otros con mayor exposición. Lo idóneo sería poder generar una estrategia de bundling con productos de los dos primeros grupos (si es el primero, mejor) para poder mejorar su visibilidad y derivar tráfico hacia ellos. También debería estudiarse qué estrategia de enlazado interno se está siguiendo, para investigar si es posible mejorar el número de links hacia este tipo de productos. Hay estrategias sencillas de up y cross selling que pueden ayudarnos a mejorar la exposición de este grupo.

Grupo 4: Productos “Waterworld”

Exposición y visitas BAJO, interés y adición al carrito BAJO

Look-to-book: productos WaterworldMás conocidos como productos fatality. Son productos que no generan interés alguno y en los que no deberíamos centrar esfuerzos.

Estrategias para los productos Waterworld

Deberíamos plantearnos prescindir de los productos con un ratio muy muy bajo (ojo a las estacionalidades, no citadas, pero es importante tenerlas en cuenta a la hora de hacer este análisis). En aquellos productos en los que tengamos un atisbo de esperanza, tendremos que replantear su enfoque y su valor, teniendo en cuenta su margen para la rentabilidad.

Análisis look-to-book

El ratio look-to-book para otras webs sin tienda online

¿Es posible aplicar esta métrica a productos digitales en los que el objetivo final no es la compra como tal?

Sí y no.

Por poder, se puede, aunque deja de ser una métrica determinante. Partiendo de la base de que solo necesitamos dos métricas clave para realizar el análisis (las visitas a una página y las veces que el usuario genera la acción u objetivo deseado a partir desde esa URL), sí que podríamos realizar el análisis fuera del entorno ecommerce. Sin embargo, al no contar con interacciones objetivamente cuantificables, perdemos exactitud en el proceso.

Dicho esto, el principal paso sería estudiar el plan de medición y el funnel de conversión para ver qué micro/macro-objetivos podrían ser tomados como referencia de interés por parte del usuario. Si consideramos las landings de actividad principal de la empresa (servicios, artículos, etc.) como productos, tenemos ya la mitad del trabajo hecho.

Definitivamente, no es la manera más precisa de medir el éxito de un contenido, dado que las rutas son más complejas y los objetivos de negocio no tienen una relación tan directa con las interacciones del usuario. Sin embargo, este ratio puede proporcionar una métrica alternativa interesante, que podríamos aplicar en un análisis global del rendimiento web.

——————

Fuentes y lecturas recomendadas: