“Las personas que con más frecuencia publican en las redes son las que menos piensan”
Se trata de la ley de la saturación de la idiotez.
Como profesional del Marketing esto me hace reflexionar mucho:
¿Qué valor tiene entonces el número de seguidores de una publicación en RRSS?
¿Son útiles los “me gusta”?
¿Una alta Tasa de interacción de un anuncio es suficiente?
No olvidemos que los KPIS se establecen a partir de métricas y cuando hablamos de métricas nos referimos principalmente a las cuantitativas.
Cualquier campaña de Marketing de pago nos vierte cantidad de datos numéricos interesantes para medir el éxito de la acción:
Impresiones: cuántas veces se ha visto mi anuncio.
Clics: cuántos han hecho clic en él.
CPC (coste por clic), lo que pago por cada clic en el link.
ROI: cuánto es el margen de beneficio que he obtenido por la campaña.
Cuando estudias los datos éstos te dan las cifras en función del tipo de campaña que has elegido, tu audiencia, la duración de las acciones y el interés del público objetivo.
Si no seleccionas claramente las métricas que debes utilizar, la analítica de Google puede ser abrumadora en todas sus plataformas: Google ads, Analytics, firebase, etc.
Lo que pasa es que las herramientas de análisis de Google no están hechas para usarlas así como así, sino que debes tener claro lo que quieres.
Entrar en el mundo de la analítica sin una visión y estrategia previa puede ser muy confuso.
Lo mismo sucede con todos los programas de software para empresas: tenemos buenas aplicaciones de ERP, CRM , etc., pero cuando vamos a implementarlas en el negocio ocurre que nos da la sensación que la herramienta no es buena.
He escuchado a directivos quejarse de la inversión inútil que han hecho en determinado programa de gestión o incluso a dudar de la información de Google Analytics.
¿Por qué? ¿Qué está pasando?
Podría decir con un poco de sorna que es que no nos leemos bien el libro de instrucciones.
Sin embargo, la tecnología no es responsable de su uso.
Un ejemplo: ¿Por qué un asesor laboral está constantemente llamando al soporte de un programa de nóminas cada vez que acaba el mes?
Otro: ¿ por qué no me coinciden los datos de mi campaña de Google Ads con los datos de Google Analytics?
En el primer caso podría ser que la persona que realiza las nóminas no tenga el conocimiento suficiente para resolver determinados problemas o que no esté al día de las últimas reformas laborales.
El segundo podría ser debido al modelo de atribución de GA y Google ads que son diferentes o no se ha determinado un objetivo claro en nuestra campaña y como consecuencia no sabemos clasificar y entender la información.
Volvamos al dato.
“Los datos de mi campaña son buenos, las métricas están funcionando, pero no siento que esté causando el impacto esperado en mi empresa”.
Nadie es ajeno a esta queja.
¿Es idiota el dato?
Porque a muchos directivos se les queda la cara a cuadros cuando se les presentan los resultados.
No porque no entiendan los dashboards o no sepan de Indicadores de rendimiento.
Sino que el dato por sí solo no vale nada, incluso si es bueno, puede no servir para nada.
Y digo esto aunque me duela.
Algunos dicen que si el dato es bueno no es real, pero yo no iría tan lejos.
El dato no es idiota, es frío, pero no le gusta la soledad. Necesita ir acompañado de más datos y contextualizado en un historial.
Por eso cuando las empresas comienzan a hacer sus primeros pinitos en el mundo del Data Intelligence a veces terminan por abandonar los proyectos de analítica porque se sienten frustrados ante tanta vorágine de información.
¿Es culpa de los técnicos?
Por supuesto que no, ellos hacen lo que se les pide.
El dato necesita una mirada limpia y distante.
No se somete al capricho de un objetivo mal asentado.
Pensemos en un directivo pide a los analistas los datos de ventas de determinado producto en el último año.
Los técnicos proporcionan esa información después de pulir, extraer y organizar el dato. Es probable que se hayan peleado con muchas excell, MySQL, Python, PowerBI, tableau e incluso Lenguaje R.
Aún así, el ejecutivo no está contento con los resultados.
Lo primero que va a hacer es pensar que, si no se han conseguido las ventas, los comerciales son los culpables.
Y ahí es donde el dato debe ser acompañado.
Para saber porqué un producto no se ha vendido o dicho de otro modo, no se han conseguido los objetivos establecidos, tenemos que estudiar las causas primero con preguntas como estas:
¿Qué decisiones hemos tomado antes?: ahí entraría el marketing, diseño de producto, fecha de lanzamiento, etc.
¿Qué factores influyen en la decisión de compra?: competencia, mercado, usabilidad del producto, etc.
¿Qué acciones hemos realizado?: campañas de marketing, acciones offline, canales, etc.
¿Ha sido adecuada la inversión para el objetivo que no habíamos marcado?
No siempre tenemos la información antes de la acción.
La mayoría de las empresas están aún en una fase de recopilación de sus datos por lo que no pueden saber con precisión qué va a pasar.
Aún así, el mercado y circunstancias no medibles de forma cuantitativa pueden desviar la intención de compra del cliente.
Por eso es tan importante que siempre estemos con el ojo avizor.
Lo que el ejecutivo ve cómo un fracaso de su equipo de ventas no significa que el dato sea malo o incorrecto, sino que no le está dando la información que él desea.
Y eso es algo mucho más recurrente de lo que pensamos.
Tenemos que observar al dato de manera fría y relacionarlo con más información, alguna cualitativa y después tratar de entender que nos está diciendo.
Si tenemos un producto en nuestro e-commerce que se vende más que otro pero nos empeñamos en seguir fabricando el que está en fase de madurez porque al directivo le gusta más o le tiene cariño porque lo ideó el mismo, no podemos echar la culpa de los resultados al dato en si.
Debemos hacer una reflexión profunda y tomar una decisión valiente.
Las empresas que ya optan por el Datadriven, se valen de la Inteligencia artificial para conocer los gustos de sus clientes y proponer ofertas diseñadas para cubrir sus necesidades.
En la actualidad, Google ads te permite diseñar campañas basada en previsiones que arrancan del análisis del comportamiento de tu buyer persona, con Inteligencia artificial que te dirá qué anuncio de los que has diseñado es el mejor para vender tu producto, qué imagen, video o keyword son las más exitosas.
Y te orientará en la toma de decisiones.
Porque muchas veces lo que creemos que va a ser no es lo que es en realidad y el dato, frío, solo supone la información que debes saber manejar para tomar una decisión que te revierta los mejores beneficios.
Tengamos claro que el dato surge de la información que vamos proporcionando, y cuando esta aumenta se vuelve difícil de manejar e interpretar, por eso es fundamental tener la mente despejada y la visión abierta.