Min menu

Pages

NOTICIAS

Las 20 razones principales por las que las personas malinterpretan los datos e informes de marketing

Estas son las razones principales por las que la mayoría de las personas malinterpretan los datos e informes analíticos;

1. Falta de contexto

Diferentes personas interpretan los mismos datos/gráficos de manera diferente. Todo depende del contexto en el que analizan los datos y cómo los interpretan.

Una mejor comprensión del contexto le ayudará a interpretar los datos con mayor precisión.

El contexto le facilitará la interpretación precisa de los datos analíticos.

Solo al obtener una buena comprensión de su negocio puede comprender realmente el contexto en el que necesita analizar e interpretar los datos analíticos.

Relacionado:  Revisa la indexación de tus URLs en GoogleSheet

Es importante comprender el contexto para aprovechar al máximo sus análisis. Corre el riesgo de gastar mucho dinero en escaneos sin sentido.

Los optimistas que no entienden su negocio entienden menos contexto al analizar e interpretar datos. Sufren de dificultades direccionales.

Las dificultades direccionales son la incapacidad de ir en la dirección correcta en el momento correcto. Es la incapacidad para determinar:

  • Cómo recopilar y analizar datos, y cuándo.
  • ¿Qué datos se deben revisar?
  • Qué datos deben ser descuidados.
  • Dónde buscar en los informes analíticos.
  • Convierta los objetivos comerciales en objetivos tangibles.

El hecho de que tenga acceso a los datos no significa que deba analizarlos automáticamente. La piedra angular de cualquier análisis exitoso es “ir en la dirección correcta”.

La dirección que tome su análisis determinará la dirección de sus campañas de marketing y, en última instancia, cómo evoluciona su negocio para obtener el mejor rendimiento.

Para encontrar la dirección correcta para sus datos analíticos, debe comprender el contexto.

Para comprender el contexto, debe tener una buena comprensión de su negocio e industria, mercado objetivo, competencia y objetivos comerciales.

Si no tiene una comprensión profunda o el contexto para analizar e interpretar los informes analíticos, entonces ya está en la dirección equivocada. Así es como casi siempre obtendrá resultados subóptimos para su negocio.

2. No entender la intención

Si no comprende la intención detrás de los datos, la información, las visualizaciones o las interpretaciones, no podrá reconocer los sesgos cognitivos (como el sesgo de confirmación, el sesgo de selección y el sesgo de atribución) en la interpretación o el informe de datos.

¿Cuál es la diferencia entre las ventanas de atribución de clics de 7 y 28 días?

O por qué dominan los informes de marketing. ¿Cuál es su intención?

3. Sesgo de atribución

El sesgo de atribución ocurre cuando hace una suposición, un juicio o una decisión basada en una cantidad muy limitada de información, contexto e intención.

Saltar a conclusiones, hacer recomendaciones rápidas, juzgar la portada de un libro, luchar por algo que no entiendes son todos ejemplos.

Haga preguntas y podrá superar el sesgo de atribución.

4. No entender la importancia estadística

Significación estadística significa "significación estadística".

Un resultado estadísticamente significativo es un resultado que es poco probable que sea el resultado de la casualidad. Si bien es poco probable que el resultado estadísticamente significativo haya ocurrido por casualidad, es más probable que los resultados estadísticamente insignificantes hayan ocurrido por casualidad.

El término "importancia estadística" se usa a menudo en la optimización de conversión, y especialmente en las pruebas A/B.

Si el resultado de la prueba A/B no es aceptable, no es estadísticamente significativo. No todos los aumentos en los resultados de las pruebas A/B se traducen en un aumento de las ventas.

Es fácil sacar conclusiones de una pequeña muestra cuando no se comprende bien la significación estadística.

Los especialistas en marketing que no entienden la importancia y el significado de las estadísticas en el marketing son casi todos fracasos en la publicidad paga.

Así es como van la mayoría de las conversaciones en el mundo del marketing:

“Lanzamos la campaña hace 3 días. Ha resultado en un máximo de 30 clics, 3000 vistas, $ 90 en gastos publicitarios hasta el momento y ninguna venta. No funciona. No podemos permitirnos un CPA de 90 euros. Esta campaña debe ser detenida.

Estos son los errores que comete el vendedor:

  • Solo se necesitan 3 días para evaluar el rendimiento de una campaña de marketing y luego sacar conclusiones. Necesita al menos 7 días de datos.
  • El director de marketing ha decidido pausar la campaña, que probablemente todavía se encuentra en la fase de aprendizaje. Es poco probable que una campaña en la fase de aprendizaje no produzca los mejores resultados. Es como tirar comida a medio cocinar porque no es sabrosa. Primero debe cocinar la comida correctamente antes de probarla.
  • Un CTR del 1% significa que hay 30 clics para 3000 impresiones. No se considera malo en marketing. Antes de poder medir el éxito de una campaña, debe poder identificar los puntos de referencia de su industria.
  • Una tasa de conversión de comercio electrónico debe ser del 3,33% para obtener una venta de treinta clics. ¿Es esto posible para su sitio web, nicho o industria? ¿Eres capaz de lograr tasas de conversión similares a través de publicidad paga?
  • ¿Un CPA de 90 euros es alto? En primer lugar, cuando un conjunto de anuncios está en la fase de aprendizaje, tiende a tener un CPA alto. En segundo lugar, ¿espera que su publicidad sea rentable desde el principio, aunque su campaña ni siquiera haya salido de la fase de aprendizaje?

Su CPA podría disminuir si su campaña se ejecuta el tiempo suficiente. A medida que el píxel de su anuncio tenga más datos para encontrar la audiencia con más probabilidades de convertir, es probable que disminuya. Pero, hasta que eso suceda, es probable que tenga un ROI negativo.

Las estadísticas de marketing son estadísticamente insignificantes. 30 clics en anuncios, 3000 impresiones y 3 días de tiempo de entrega son solo algunos ejemplos.

"La campaña a generó 10 conversiones, pero la campaña B solo generó tres, por lo que la campaña a funciona mejor". El pequeño tamaño de esta muestra no nos permite sacar tales conclusiones.
Pero los especialistas en marketing siguen ajustando las campañas en función de 50 clics o 2 conversiones, 1000 impresiones, etc.

5. La paradoja de Simpson

La paradoja de Simpson ocurre cuando una tendencia que aparece en varios grupos diferentes de datos desaparece o se invierte cuando se combinan los grupos.

Sucede cuando no puedes ver el bosque por el árbol. Esto es cuando no puede ver la  imagen completa completa .

La paradoja de Simpson también ocurre cuando faltan enfoques multidisciplinarios para resolver problemas comerciales.

No puede hacer conexiones inesperadas entre diferentes disciplinas (como marketing o análisis) y todas sus recomendaciones parecen sesgadas y aisladas. Esto los hace menos útiles.

6. Reduccionismo causal (simplificación excesiva de las causas)

El reduccionismo causal es una forma de reducir un resultado a una sola causa clara. Ejemplo: X causa Y. Por lo tanto, X es la única causa de Y.

También puedes ver otros ejemplos

“Nuestras ventas nunca han aumentado a pesar de meses de publicaciones en LinkedIn”.

Pero, ¿qué sucede si no se le ocurrió una buena oferta, nunca comenzó a publicar en Linkedin o sus publicaciones no estaban en línea con sus objetivos comerciales?

“Nuestras ventas han aumentado un 20% desde que empezamos a anunciarnos en Facebook”.
Pero, ¿y si el aumento del 20 % en las ventas se debe principalmente al aumento del 10 % en el tráfico de búsqueda orgánico y una caída del 2 % en el tráfico de búsqueda de pago?

“La campaña A generó 100 pedidos. Por lo tanto, la campaña A es la única causa de estos 100 pedidos.
Pero, ¿y si la Campaña A obtuviera soporte de ventas de la Campaña C y la Campaña D?

Cuando asumes que solo hay una y solo una causa para un resultado, caes en el "minimalismo causal" (la falacia de que solo hay una causa).

Esta suposición falsa dificulta la comprensión de los verdaderos patrones de compra de los clientes y la atribución de las conversiones.

Los informes analíticos no son lo que dicen. Son lo que es su interpretación.Casi siempre hay varias causas posibles para un resultado final.

Todos los problemas con la atribución pueden atribuirse al fracaso del reduccionismo causal.

7. El efecto Dunning Kruger

Este es un tipo de sesgo cognitivo por el cual las personas se creen más inteligentes o más capaces de lo que realmente son.

Esto se traduce en no hacer preguntas o no hacer las suficientes, hacer muchas suposiciones, sacar conclusiones precipitadas y hablar en términos absolutos, además de asumir toda la carga de la prueba.

Hay un problema con muchas personas que han tenido muchas cosas en su vida profesional y que se consideran expertos en este campo.

Al hacer demasiadas preguntas, socavan sus habilidades profesionales y dan la impresión de ser ignorantes. O no hacen suficientes preguntas o no quieren hacer ninguna.

Pero aquí está la verdad. Es imposible estar tan seguro de los asuntos de otra persona. No sabes lo que está pasando en su negocio.

No tiene que estar 100% seguro de que las recomendaciones que haga funcionarán.

8. El efecto de la farola (o el principio de búsqueda de borrachos).

Este es un tipo de sesgo de observación que le permite obtener su información desde donde es más conveniente buscar.

Por ejemplo,

  • Solo mire los primeros 10 resultados de sus informes de análisis.
  • Mire siempre un conjunto específico de tableros
  • No hay suficiente segmentación de datos
  • No confíe en informes o modelos.

La mala interpretación de los datos y los informes analíticos es una de las principales razones por las que las personas cometen errores.

El efecto farola puede hacer que te olvides de los detalles. Con el tiempo, el rendimiento de su campaña y sitio web puede volverse superficial.

Si está acostumbrado a ver siempre el mismo conjunto de informes o tableros, es hora de cambiar.

Echa un vistazo a los diferentes conjuntos de medidas. Segmenta los datos de una manera diferente. Así es como descubrirás información oculta.

9. Sesgo de confirmación

El sesgo de confirmación es cuando busca activamente información y patrones en los datos para confirmar sus teorías o creencias existentes.

Puede comenzar a ver un patrón o patrón en los datos, probar una hipótesis y encontrar que es cierta, o poner demasiado énfasis en los datos que confirman sus creencias.

10. Sesgo de selección

Hablamos de sesgo de selección cuando eliges una muestra que no representa todos los datos. Puede llevar a conclusiones erróneas.

El sesgo de selección a menudo conduce a aumentos de ventas falsos al sesgar los resultados de las pruebas A/B.

11. Sesgo de observación

El sesgo de observación se refiere a la tendencia a tomar las cosas al pie de la letra. Esto a menudo conduce a errores de observación.

La campaña A tiene una tasa de conversión del 5 %, mientras que la campaña B tiene una tasa de conversión del 10 %.
Velocidad.

Según sus observaciones, es posible suponer que la tasa de conversión de la campaña "B" es la más alta. Pero es muy posible que la tasa de conversión de la campaña B no sea estadísticamente significativa.

12. Error acumulativo

El error acumulativo es un error que aumenta con el tamaño de la muestra de datos que lo revela.

Por lo tanto, una conclusión incorrecta puede conducir a varias conclusiones incorrectas, lo que en última instancia podría hacer que todo su análisis sea incorrecto.

Aquí hay un ejemplo de un error acumulativo:

  • Envió un informe de rendimiento de ventas a su gerente. Pero la cifra de ventas de este informe es incorrecta.
  • Su gerente presentó su informe a la junta pensando que era exacto.
  • La junta usó este informe para tomar una decisión comercial. A continuación, se invitó a todos los miembros de su empresa a dar su opinión.
  • Como la decisión se basó en un informe erróneo, cualquier empleado de su empresa que tome esta decisión aumentará la gravedad del error.

Un pequeño error puede conducir rápidamente a una falla catastrófica para toda la empresa.

13. Confíe únicamente en la evidencia anecdótica

Es posible confiar en evidencia anecdótica en futuras decisiones e investigaciones. Esto puede conducir a pruebas defectuosas, mala interpretación o mala asignación de recursos e incluso pérdidas financieras.

Por ejemplo,

Suponga que puede duplicar la tasa de conversión de su cliente cambiando sus botones CTA a rojo.

Con base en esta evidencia anecdótica, podría llegar a la conclusión de que cambiar el color del CTA a rojo es una buena práctica y es muy probable que conduzca a un aumento en la tasa de conversión.

Es importante recordar que uno o unos pocos ejemplos (posiblemente aislados) no pueden tomarse como prueba definitiva de una tesis más amplia.

14. No entender la regla del principio de Pareto 80/20

Pareto dice que el 80% proviene del 20% de los datos. Esto significa que solo el 20% de los datos que tiene son suficientes para producir el resultado que desea. El resto es basura.

Los optimizadores a menudo se enfocan en analizar el 20% de los datos.Y esto sucede porque no pueden realizar un análisis muy centrado y significativo desde el principio.

15. El efecto Woozle

El efecto Woozle es prueba por cita.Esto es cuando una afirmación se cita con frecuencia sin pruebas que la respalden y, por lo tanto, se cree que es verdadera/fáctica a lo largo del tiempo.

Por ejemplo,

Un blog llamado “A” afirmó que una alta tasa de rebote es una mala noticia para su sitio web, pero sin citar ninguna evidencia.

Otros diez blogs han afirmado lo mismo a lo largo del tiempo citando el blog "A".Eventualmente descubrirá que la industria acepta la afirmación de una alta tasa de rebote como una mala señal.

Si sus informes muestran una tasa de rebote alta, puede concluir que no es buena.

Tenga en cuenta que los datos presentados no son reales. Haz tu propia investigación y saca tus propias conclusiones.

No confíe en los estudios de casos para interpretar datos o para tomar decisiones comerciales y de marketing.

16. La falacia de correlación y causalidad

Dos cosas pueden parecer relacionadas, pero eso no significa necesariamente que estén irrefutablemente relacionadas.

Por ejemplo,

Su cliente: "El tráfico de nuestro sitio web cayó un 50 % la semana pasada". También pasamos del comercio electrónico a la mejora en la misma semana.

Ahora, si llega a la siguiente conclusión, es probable que sea víctima de la falacia de correlación y causalidad:

"El tráfico de su sitio cayó un 50 % el miércoles pasado porque cambiaron a un seguimiento de comercio electrónico mejorado".

Si realmente desea encontrar una relación entre dos eventos/variables, puede hacerlo. Sin embargo, la mera presencia de una relación entre dos variables no implica que una sea la causa de la otra.

En otras palabras, no implica causalidad.

17. Dependencia excesiva de los informes analíticos

Los informes analíticos no deberían ser lo primero que mires.

A menudo les pregunto a mis clientes, por ejemplo: "¿Dónde vive la mayoría de sus clientes?"

Esta pregunta se puede responder fácilmente en Google Analytics.

Pero sigo haciendo esta pregunta porque no estoy seguro de si el informe de GA que estoy viendo me da una idea precisa. Puede haber un problema en la recopilación de datos o en el muestreo de datos, lo que sesga los datos del análisis.

Quiero que mi cliente tenga la misma comprensión que mi informe analítico. Esto me permite detectar rápidamente anomalías y datos.

Si mi cliente me dice que sus productos más vendidos son "X", pero mi informe de comercio electrónico me dice que sus productos más vendidos son "Y", entonces mi cliente o mis datos analíticos están equivocados.

De cualquier manera, tengo que hacer un trabajo de detective.

Uno de los mayores problemas de tratar de resolver todo por nuestra cuenta es que tendemos a hacer más suposiciones sobre los problemas que enfrentan nuestros clientes.

Luego formamos suposiciones a su alrededor y, a menudo, fallamos espectacularmente.

Hacer muchas preguntas a las personas que dirigen un negocio es la mejor manera de obtener una comprensión sólida del mismo.

Debe comprender que las preguntas relacionadas con el negocio nunca pueden ser respondidas con precisión por nadie más que las personas que realmente lo dirigen.

Debe comprender que el análisis de datos y las pruebas A/B no pueden reemplazar el conocimiento que su cliente ha adquirido durante años de administrar un negocio exitoso.

¿Cuál es el punto de pasar horas y días buscando información e ideas que ya conoce alguien en su organización?

Sería mejor emplear su tiempo en encontrar respuestas a preguntas que nadie puede responder.
Pero para esto necesitas saber las preguntas que ya han sido respondidas.

18. No tener conocimiento de actividades/eventos que puedan tener un impacto significativo en sus datos.

Debe tenerse en cuenta toda actividad, noticia, evento o cambio que pueda tener un impacto significativo en sus datos, diarios o semanales.

Estos cambios pueden incluir, entre otros:

  • Una revisión importante del sitio.
  • Lanzamiento de un nuevo producto, o una campaña promocional.
  • Suspensión o modificación de un producto/proceso/campaña.
  • Un cambio significativo en la gestión o las políticas de la empresa, los presupuestos de marketing y/o los procesos.
  • Cualquier cambio en su cuenta de análisis digital, como agregar o quitar filtros, agregar o quitar vistas, etc. ).
  • Cualquier cambio en la forma en que se recopilan, analizan e integran los datos.
  • Un cambio marcado en el comportamiento del consumidor.
  • Un cambio significativo en el panorama competitivo (como la entrada de un competidor fuerte y significativo).
  • Cualquier noticia positiva o negativa sobre su negocio y sus competidores.
  • Los cambios en la economía, las condiciones del mercado, etc., todo lo cual puede afectar sus datos.

Al estar en el bucle, puede ser notificado de estos cambios.

Estar al tanto significa ser consciente y estar en contacto con lo que sucede a su alrededor, su organización o la de su cliente.

Estar “in the loop” significa estar presente en todas las áreas de tu organización y la de tu cliente.

Esto significa que debe estar presente en cada reunión del equipo de marketing, cada reunión de la junta directiva y cada correo electrónico en el que se toman decisiones importantes.

su :

  • Compañía
  • Sitio(s) web
  • campañas promocionales
  • Procesos de negocios
  • presupuestos de marketing
  • Recopilación e integración de datos actuales.

19. No mantener una base de datos actualizada de cambios materiales que puedan afectar significativamente sus datos

Debe mantener una base de datos de todos los cambios que tengan un impacto significativo en sus datos, todos los días.

Considere el siguiente ejemplo:

  • Tenga en cuenta la fecha y la hora en que instaló el código de Facebook en su sitio web.
  • Tenga en cuenta la fecha, la hora y la duración de cualquier tiempo de inactividad del servidor si el sitio web estaba en modo de mantenimiento.
  • Anote el día y la hora en que inició o detuvo una campaña de marketing.
  • Mantenga un registro de todos los cambios realizados en su sitio.
  • Notifique a su equipo de marketing sobre cualquier cambio en el presupuesto de marketing o cualquier cambio en la forma en que se recopilan o integran los datos actualmente.
  • Tenga en cuenta cualquier cambio que pueda tener un impacto inmediato o significativo en sus datos.

20. No entender las matemáticas y las estadísticas detrás del análisis web y la optimización de conversión

Analizar datos sin una comprensión básica de matemáticas y estadísticas probablemente conducirá a conclusiones erróneas y pérdidas de dinero.

El uso correcto de las estadísticas y las matemáticas es una de las mejores formas de interpretar los datos.

Aprender estadística y matemáticas te permite agudizar tu pensamiento crítico y lógico. Te hará un mejor comercializador y analista.

El conocimiento de las matemáticas y las estadísticas le permitirá interpretar los datos con precisión y detectar anomalías rápidamente.

Por ejemplo, si ve que la tasa de conversión informada se compone de una muestra muy pequeña de datos, inmediatamente sabrá que no puede ser estadísticamente significativa (es decir, es estadísticamente significativa) .

Los informes de Google Analytics contienen muchos promedios. Es fácil malinterpretar los promedios si su conocimiento de los promedios no es completo.

Los informes de GA pueden brindarle una perspectiva deficiente o por debajo del promedio.

Por ejemplo, la proporción es una de las medidas más incomprendidas.

Muchos optimizadores no saben que las tasas de conversión pueden correlacionarse negativamente con las ventas y las ganancias porque carecen de habilidades estadísticas.

Creen que las conversiones tienen una correlación positiva con la tasa de conversión (es decir, creen que la tasa de conversión siempre se correlaciona con las ventas, por lo que las ventas aumentan y las ganancias también. Esto no siempre es cierto.

El uso de datos analíticos incorrectos solo empeorará la situación.

Aquí hay algunas preguntas a considerar:

  • Q1. Cuando la tasa de conversión de su sitio web cae del 10% al 12%. ¿Es un aumento del 2 % en la tasa de conversión o un aumento del 20 % en la tasa de conversión?
  • Q2. Si el tiempo promedio de permanencia en su sitio web es de diez minutos. ¿Significa esto que los visitantes pasaron diez minutos en promedio navegando por su sitio web?
  • Q3. Si la tasa de conversión de la campaña A es del 1% y la de la campaña B es del 5%, ¿significa que la campaña B está funcionando mejor que la campaña A?

El mundo corporativo no es muy indulgente con los errores cometidos por los optimizadores. Si informamos que

Todo nuestro análisis ahora se ve cuestionado por el salto en la tasa de conversión del 10% al 12%.

Instantáneamente, proyectamos una sombra sobre el resto de nuestro análisis. El primer pensamiento que vendrá inmediatamente a la mente del destinatario será.

Muchos analistas web no están seguros del papel de las estadísticas o las matemáticas en el mundo de la analítica web. Muchas personas desconocen el papel de las estadísticas y las matemáticas en la optimización de la conversión.

Comentarios