Numerosas tiendas online invierten mucho esfuerzo y recursos en aquellas acciones de marketing dirigidas a llevar tráfico a su web y, sin embargo, están descuidando distintos aspectos de lo que debe ocurrir una vez que los clientes llegan a su tienda. La analítica de clientes ayuda a los vendedores digitales a conocer en qué puntos deben hacer hincapié para mejorar la experiencia de usuario, incrementar las ventas y favorecer la recurrencia de compra y fidelización.

La analítica de clientes se enfoca en la recogida de aquellos datos que indican con qué están interactuando los clientes, cómo y durante cuánto tiempo, así como a su interpretación posterior para conocer los diferentes segmentos de clientes sobre los que poder actuar. Se trata de un análisis específico que va más allá de los datos que nos pueden ofrecer herramientas como Google Analitycs. En la analítica de clientes se hacen necesarias otras herramientas o tecnologías, como el machine learning, que ayuden a los e-tailers a realizar un análisis profundo basado en la mayor cantidad de datos posibles.

Analítica de clientes para mejorar la estrategia de tu e-commerce

Un e-commerce es capaz de recopilar una gran cantidad de datos sobre los clientes que realizan compras en él y, sin embargo, suele ser información que no se organiza ni analiza. Está desaprovechada, a pesar de que se trata de unos datos de primera mano de gran calidad para conocer cuál es el verdadero valor del cliente. Al margen de poder analizar la impresión que un potencial cliente se lleva de nuestra web (a través de métricas como la tasa de rebote), o conocer cómo se comporta nuestra tienda online en dispositivos móviles, la analítica de clientes ofrece muchas más posibilidades de alto valor.

Por ejemplo, el análisis RFM (Recenty-Frecuency-Monetary Value) ayuda a segmentar a los clientes de un e-commerce en base a parámetros como el tiempo transcurrido desde la última compra, la frecuencia con la que compran y el valor monetario desprendido de la suma de todas sus compras. De este modo es posible establecer diferentes segmentos que permitan adecuar la estrategia de ventas a cada grupo diferenciado de clientes, ofreciéndoles un marketing personalizado que ayude a incrementar las ventas.

La analítica de clientes permite obtener también información aplicable a la retención de clientes. Los clientes recurrentes suelen generar el 40% de los ingresos de un e-commerce, sin que se incurra, además, en costes de adquisición de clientes. Es importante centrarse en identificar la tasa de compra repetida (RPR) ya que, de ser muy baja, será claro indicador de que es necesario reforzar la estrategia de retención de clientes.

El machine learning aplicado a la analítica de clientes hará posible conocer, además, de qué manera beneficiarse de funcionalidades como la recomendación de productos, buscadores internos, chatbots de soporte al cliente, búsqueda visual o precios dinámicos.

Tácticas en análisis de clientes para optimizar la CX

Las herramientas de análisis de clientes que existen hoy tienen un elevado nivel de sofisticación y son la mejor vía para optimizar la experiencia de cliente. Se centran en recopilar automáticamente las interacciones de los usuarios a través de una gran variedad de puntos de contacto. Gracias a ello, los propietarios de las tiendas digitales pueden llevar a cabo diferentes acciones tácticas para la mejora de la UX.

La unificación de datos es una acción necesaria para llevar a cabo cualquier análisis de comportamiento del cliente, comprender mejor sus motivaciones e intereses o incluso los puntos conflictivos. Así, las empresas pueden tener una visión única del cliente, mucho más valiosa cuanto mayor es el entramado interno de la compañía. Las tecnologías actuales son capaces de realizar esta unificación de datos de forma rápida y sencilla, por lo que un gran volumen ya no resulta incapacitante por lo abrumador.

La entrega de información en tiempo real resulta de gran utilidad para influir en la experiencia de cliente durante su experiencia de compra. Gracias a la Inteligencia Artificial es posible analizar información en microsegundos y predecir comportamientos del futuro inmediato, una información a la que se puede sacar gran rendimiento mediante ofertas o sugerencias de productos personalizadas en tiempo real, ofreciendo una experiencia de compra a la medida del cliente. Esta información generada a partir de datos también indica los dispositivos, navegadores de procedencia de los clientes, qué partes del embudo funcionan mejor o filtra el tráfico de baja calidad.

Finalmente, muchos e-commerces están sacando rendimiento real al big data, gracias a que es posible recopilar y analizar reseñas de productos a partir de plataformas externas, medir la experiencia y satisfacción del cliente en la compra, facilitar un servicio al cliente personalizado e identificar los agentes de soporte de bajo rendimiento, o detectar cuáles son las métricas más débiles de la experiencia de navegación y compra.

La experiencia de cliente es la piedra angular de todo e-commerce exitoso y hoy en día es posible acercarla a la excelencia gracias al big data, a la IA y a las herramientas de análisis de datos de última generación. El auge experimentado por el comercio electrónico en los últimos años (con su impulso definitivo a raíz de la crisis sanitaria) ha derivado en una competencia más feroz que nunca en el plano digital del retail. La mejora empieza por el análisis de clientes. En Kanlli podemos ayudarte, tenemos una dilatada experiencia en analítica web en pro de la mejora de UX de tiendas digitales. Contacta con nosotros y te ayudaremos a entender a los clientes de tu e-commerce.

Así, los anunciantes que deseen utilizar datos de medición de terceros están obligados a vincular sus campañas a Ads Data Hub para YouTube con el fin de evitar interrupciones en la medición.

Google asegura que este cambio supone una mayor protección de la privacidad de los usuarios, al tiempo que permite a los especialistas en marketing medir sus campañas de YouTube y realizar atribuciones entre dispositivos (no hay que olvidar que las cookies no son efectivas para medir el rendimiento en apps móviles o navegación multidispositivo) sin depender de los píxeles, siempre que lo hagan a través de las empresas de medición asociadas: Nielsen, comScore, Kantar, Oracle Moat, DoubleVerify, Dynata, Integral Ad Science, Adform, C3 Metrics, Extreme Reach, Flashtalking, Innovid y Sizmek. Todas ellas podrán obtener datos de medición relacionados con el alcance de la audiencia, el reconocimiento de marca, la visibilidad y otras métricas de campaña en YouTube, pero siempre a través de Ads Data Hub.

La decisión de obligar al uso de Ads Data Hub para YouTube no ha sido bien aceptada por la industria, debido a que los datos no podrán ser accesibles fuera del entorno del propio Google, lo que despierta el temor de los anunciantes al no poder verificar de forma independiente la atribución y el análisis agregado de Google. Bien es cierto que los proveedores que han migrado sus informes a Ads Data Hub contarán con la acreditación del Media Rating Council (MRC), que velará por el buen funcionamiento de la API que conecta al proveedor de medición con YouTube, garantizará su permanencia en el tiempo y el correcto cálculo de métricas estándar. Aún así, los anunciantes tendrán que confiar en la solidez del modelo y en la precisión de los datos que reciban de Ads Data Hub.

No hay que pasar por alto que Ads Data Hub es la primera solución de análisis de datos que ha obtenido la acreditación del MRC (por su adecuación a los estándares de la industria), y que es aplicable al inventario de video in-stream de YouTube y Google Video Partners comprado a través de los servicios de Google Ads, Display & Video 360 y YouTube Reserve. Ads Data Hub está está acreditada, por tanto, para la filtración de tráfico no válido, la medición de impresiones de anuncios de video visualizadas y renderizadas, y las visualizaciones de TrueView generadas a través de la interfaz de usuario de ADH y API para hacer coincidir identificadores únicos. La acreditación cubre las acciones de escritorio, web móvil e in-app para YouTube.

¿Qué es Ads Data Hub y cómo funciona?

Ads Data Hub es la solución de datos en la nube que Google utiliza para sus distintas plataformas publicitarias, incluida la red de display y Google Marketing Platform. En el caso del inventario de YouTube, Ads Data Hub permite a los anunciantes otorgar a sus proveedores de medición acceso a los datos de impresiones de sus campañas de medios, en todos los dispositivos. Los datos recogidos por Google se almacenan en BigQuery, lo que le permite a los proveedores de medición analizar los datos y obtener información específica. Las conclusiones de este análisis serán utilizadas por los anunciantes para optimizar sus campañas en YouTube.

Con esta solución, Google busca encontrar un equilibrio entre la recopilación de datos granulares y la privacidad del usuario al no permitir que esta información salga de sus sistemas, ya que la consulta de los datos de impresiones a través de Ads Data Hub evita que se identifiquen a los usuarios finales. ¿Cómo? Si una determinada consulta arroja menos de 50 usuarios únicos, Google lo elimina automáticamente de los resultados, anulando la posibilidad de que los anunciantes puedan elaborar un mapa de usuarios identificados mediante el cruce de datos. De cara a la privacidad del usuario supone una ventaja, sí; pero también lo es para Google, que de este modo se reserva el control sobre ellos.

Si buscas una agencia de medios digitales que sume la experiencia en campañas de medios a los conocimientos de las últimas novedades de Google, contacta con Kanlli y nuestro equipo de expertos idearán la solución más apropiada para tus objetivos de ventas.

Las pruebas de incrementalidad comparan los resultados obtenidos entre un grupo de prueba y un grupo de control. De este modo, es posible aislar las variables que intervienen en una conversión, lo que convertiría el Incrementality testing en una metodología más precisa, que logra medir la relación causa-efecto y elimina las conjeturas.

Los modelos de atribución no son capaces de identificar a los usuarios en todos los dispositivos y canales, lo que pone en entredicho la calidad de los datos. Además, no son transparentes, son subjetivos, no permiten la predicción, no tienen en cuenta factores externos ni permiten la medición de medios tradicionales. Por su parte, los numerosos puntos ciegos de la atribución multitáctil -derivados de los jardines amurallados de las grandes plataformas o los canales offline- tampoco permiten realizar un seguimiento preciso de impresiones o individuos en su camino a la conversión, a pesar de que se trata de un modelo de atribución de valor para más de la mitad de los especialistas de marketing estadounidenses, según datos de Nielsen.

En este contexto, las pruebas de incrementalidad se centran en los canales o medios específicos. La división del mercado en dos grupos hace posible exponer a uno de ellos a determinadas variables que intervengan en su comportamiento, a fin de poder realizar una medición antes y después para comprender el impacto. A pesar de que el procedimiento puede parecer similar, el Incrementality testing se aleja considerablemente de las pruebas A/B testing tradicionales, si bien la división geográfica es aplicable a las pruebas de incrementalidad si se realiza correctamente.

El verdadero valor de las pruebas de incrementalidad lo hallamos en que son capaces de analizar inversiones individuales, midiendo el impacto directo en los resultados generales del negocio, prescindiendo de la necesidad de identificar y medir cada paso que dé el consumidor en su recorrido. Esto puede eliminar la subjetividad que tanto preocupa a anunciantes y especialistas del marketing, alcanzando incluso a contemplar el efecto halo de una inversión.

De igual modo, no hay lugar para la ambigüedad, por su alejamiento de factores como la estacionalidad, la ubicación geográfica o el cross marketing. La capacidad de salvar la barrera de los impactos que se producen fuera del canal online es otra de las grandes ventajas de las pruebas de incrementalidad frente a los modelos de atribución.

La efectividad de los modelos de atribución lleva tiempo en entredicho, parece que se han quedado cortos en el ecosistema publicitario actual. No ayuda la falta de estándares, las trabas puestas por las grandes compañías como Amazon, Google o Facebook, o la dificultad de la medición en móvil y del salto entre dispositivos. Ni siquiera la Inteligencia Artificial ha dado respuesta a la necesidad de un modelo de atribución preciso.

Ante la falta de datos que permitan extraer conclusiones reales, algunos anunciantes combinan determinados modelos de atribución con Incrementality testing, a fin de validar la medición de la atribución y poder ajustar el modelado para un mejor rendimiento de los anuncios.

Las pruebas de incrementalidad han ayudado ya a entender a muchas marcas cuál es el funcionamiento de las conversiones en su negocio concreto, aportando luz acerca de aspectos como si es adecuado o no hacer remarketing y durante cuánto tiempo o en qué meses incrementar el presupuesto y en qué canales. Conviene tener en cuenta las pruebas de incrementalidad a la hora de realizar una medición para valorar si realmente ayuda a tomar mejores decisiones.

Si buscas una agencia que te ayude a tomar mejores decisiones en las campañas que realizas para tu marca, contacta con Kanlli, agencia de medios digitales que pone tecnología y data al servicio de las grandes ideas.

La tecnología de marketing se llevó un tercio de los presupuestos de marketing en 2018, según la encuesta CMO Spend Survey de la consultora de tecnología Gartner realizada a ejecutivos de Norteamérica y Reino Unido. Las previsiones apuntan a una inversión creciente a lo largo de este año. Sin embargo, la apuesta por la tecnología no es suficiente si no se invierte también en talento, profesionales y expertos que sepan aprovechar todo el potencial que brindan las herramientas.

La tecnología ha favorecido que tengamos un conocimiento muy grande de los usuarios y sus necesidades. Esto, inevitablemente, hace que la comunicación con el consumidor sea más cercana, precisa y, por tanto, el mensaje les resulte más relevante. La tecnología también ha favorecido que la comunicación con el cliente sea más dinámica e interactiva, aunque por otro lado, el gran volumen de información hace más complejo llegar a ellos. Pero una vez logrado, las posibilidades de venta son más elevadas.

Puede considerarse que la penetración del marketing tech es aún baja en España en relación a otros mercados más avanzados. Si bien es de justicia destacar que, aunque el grueso de empresas no contemplan esta dimensión del marketing, hay un puñado que están haciendo grandes esfuerzos en este sentido. Debemos comenzar a mirarnos más asiduamente en el espejo de los países más punteros, como Estados Unidos.

Al margen, existen todavía importantes barreras que salvar, como el coste que supone y que no todas las empresas están en condiciones de soportar, la escasez de profesionales con perfiles tecnológicos enfocados al marketing o la confianza de los anunciantes a la hora de que destinen presupuesto a un ámbito muy amplio y desconocido a causa de su complejidad. Esperamos que estos obstáculos se superen pronto, según dispongamos de más especialistas en la materia y los anunciantes comiencen a confiar en la automatización del marketing y la solvencia de las herramientas.

Si me preguntan qué desarrollo tendrá más impacto sobre el marketing en los próximos años, sin duda citaré la inteligencia artificial. La combinación de big data y aprendizaje automático va a permitir una segmentación mucho más precisa y eficiente, dando paso al marketing predictivo. Este hecho va a hacer posible dirigir nuestras campañas a segmentos de audiencia basándonos en comportamientos, logrando unos índices de éxito sin precedentes gracias a una mayor relevancia a causa de los anuncios personalizados y al marketing contextual. Un enfoque predictivo va a permitir optimizar las ofertas, anticipando qué usuarios responderán a un anuncio y tomando las decisiones correctas, ayudando no sólo a la optimización de campañas, sino en el media mix modeling y la compra de medios.

La tecnología siempre va a jugar a favor del marketing, pero para ello es imprescindible poseer un conocimiento profundo, por eso es importante que los anunciantes cuenten con profesionales expertos que conozcan a la perfección cómo sacar el máximo rendimiento a la tecnología. Son los avances tecnológicos en sí mismos los que marcan el propio desarrollo del marketing tech y hacen del marketing algo vivo, extremadamente cambiante y renovado. Es condición sine qua nom dominar la tecnología para lograr los mejores resultados.

Para tratar de arrojar un poco de luz sobre este aspecto se propuso la metodología Ghost ads (anuncios fantasma), mediante la cual se experimentó con el comportamiento de compra comparando un grupo de usuarios expuestos a una campaña y un grupo de control. Han pasado varios años desde entonces, pero la metodología parece ser válida: hay indicios de que importantes compañías de medios podrían estar desarrollando este método de experimentación.

La metodología Ghost ads se deduce de un trabajo de investigación realizado por los economistas científicos Garrett Johnson, Randall Lewis y Elmar Nubbemeyer. Su experimento publicitario perseguía entender cómo se comportarían respecto a una marca una serie de individuos que no habían sido expuestos a publicidad de la misma (grupo de control), frente a otro grupo de individuos a los que sí se habían servido anuncios, tratando de identificar, así, a los posibles consumidores del grupo de control.

Con la aplicación de esta metodología, los consumidores del grupo de control ven únicamente una combinación de anuncios de la competencia, esos que en realidad verían si la marca objeto del experimento no se hubiera anunciado. Entonces se estudia su comportamiento de consumo y se compara con el comportamiento de aquellos individuos que sí fueron impactados por la marca, tratando de dar respuesta a la pregunta de en qué medida mostrar anuncios afecta al comportamiento.

La metodología Ghost ads supone una buena herramienta para determinar la atribución y tiene destacadas ventajas sobre otro tipo de métodos experimentales como pueden ser los test A/B o las comparaciones entre el comportamiento de usuarios expuestos a anuncios comerciales frente a otros expuestos a anuncios de servicio público o PSA. En el caso de los test A/B la desviación viene por comparar usuarios independientemente de si han estado o no expuestos a los anuncios; Si nos fijamos en el método anuncio/PSA, el sesgo está determinado porque no se están comparando usuarios iguales (no tiene las mismas motivaciones un comprador que quien realiza una donación a una ONG).

Es por esto que la metodología Ghost ads se presenta como la más adecuada, ya que tiene en cuenta sólo a aquellos usuarios expuestos a la campaña y compara usuarios de la misma naturaleza. Así, la metodología Ghost ads reduce el coste de la experimentación, mejora la precisión de la medición hasta 10 veces y es compatible con plataformas RTB. Además, se propone una variante, denominada «predicted ghost ads» compatible con las plataformas de publicidad display. De hecho, los predicted ghost ads servidos en la red display de Google registraban, en 2015, más de 100 millones diarias de anuncios experimentales.

Para demostrar la efectividad de su metodología, los promotores experimentaron con una campaña de retargeting de display para un e-commerce. Experimentar con una campaña de retargeting generaba cierta controversia, ya que se preveía que un porcentaje de usuarios convirtiera, aunque no fuera impactado por un anuncio, debido a que era un grupo que ya había mostrado interés en la compra. Sin embargo, y a pesar de ello, los resultados del experimento evidenciaron que las campañas de retargeting funcionan: el tráfico procedente de los anuncios incrementó en un 17% las visitas al e-commerce y esto supuso un aumento de las ventas del 11%.

En definitiva, parece que la metodología Ghost ads resulta muy adecuada para la medición de la efectividad de los anuncios, con la ventaja añadida de que estos experimentos resultan baratos y escalables. Así, los anunciantes deberían comenzar a experimentar con Ghost ads e incluir esta experimentación en su rutina, máxime teniendo en cuenta que la tecnología permite no solo su aplicación en anuncios display, sino que es compatible con publicidad programática en radio y televisión.

Si deseas poner en marcha una campaña de medios para potenciar las conversiones o hacer crecer tu marca, contacta con Kanlli y nuestros especialistas en paid media te ofrecerán la solución que mejor convenga a tus objetivos.

Vía: Think with Google

Hoy más del 75% del tráfico en internet procede de dispositivos móviles. Así que si tienes un negocio en el que la ubicación es importante, si tus consumidores suelen consultar información sobre ti cuando están fuera de casa o si has basado tu estrategia digital en un número incesante de landing pages que responden exactamente a las necesidades de un usuario, AMP puede ayudarte a conseguir un interesante ratio de conversiones gracias a su velocidad de carga y al mejor aprovechamiento de los recursos.

AMP Analytics. La personalidad múltiple del usuario y cómo solucionarla

Puede parecer lógico pero antes de empezar es muy importante plantear cuáles van a ser los KPIs que midan el éxito de tus páginas AMP. Algunos de los más interesantes pueden ser: sesiones, usuarios, clics, tiempo en la página, llamadas, reservas o registros, etc. Y aunque ahora medir es algo mucho más sencillo que en los inicios del mundo web gracias a Google Tag Manager, AMP todavía no es un producto muy maduro y medir puede ser un poco más costoso de lo que esperamos.

La principal dificultad se encuentra a la hora de identificar a los usuarios que acceden a tu ecosistema digital. Si lo piensas, hay varias maneras de llegar a una web: orgánicamente a través de una búsqueda en Google a la página AMP (probablamente, lo más habitual), como tráfico directo a una página AMP (si alguien comparte la url de una página AMP o la guarda como bookmark) o yendo a una página que no es AMP. Por decir algunas. Y lo malo es que hasta ahora todas ellas dejan un rastro independiente en tu herramienta de analítica. Así que una misma persona puede convertirse en tres usuarios diferentes con tres sesiones diferentes y tres comportamientos diferentes si utiliza estas tres vías de acceso diferentes.

Sin embargo, hay algunas fórmulas que pueden ayudarnos a solucionarlo. Por ejemplo, la API AMP Client ID introduce algunos pequeños cambios que consiguen que Google Analytics empiece a mostrar un solo ID de usuario para accesos a páginas AMP y no AMP. De modo que después de estos retoques un usuario que entre en tu web a través de Google AMP Viewer o a través de su versión estándar, será detectado como el mismo usuario por Google Analytics.

Con esta API, el ID del usuario será diferente dependiendo de si entra en el site desde la versión AMP o la versión no AMP de la página. Pero lo más importante es que se mantendrá consistente durante todo el viaje del usuario por la web. Incluso si después entra por cualquiera de las otras vías que hemos visto más arriba. Lo que dejará algunos insights de lo más interesantes para el análisis y una fotografía mucho más real de cómo interactúan los usuarios con tu contenido.

Pero no solo los desarrolladores de la comunidad AMP Project se están poniendo manos a la obra para medir bien.

AMP Analytics, cada vez más relevante en plataformas sociales

Los medios de comunicación son grandes heavy users de las páginas AMP. Así que ya es muy habitual que cuando encuentras un link a la web de un periódico o de un canal de televisión, el contenido se muestre en una Accelerate Mobile Page. Y aunque hemos visto que la analítica de páginas AMP puede ser un poco compleja y no está muy desarrollada de momento, también es cierto que ya hemos visto algunos movimientos de plataformas como Twitter.

La red de los 280 caracteres anunció a finales de 2017 que iba a ampliar su soporte a las páginas AMP para incluir el análisis de artículos. Así que a partir de ahora, cuando Twitter carga la versión AMP de una página lo marcará en la URL del artículo original para grabar la visita o lo que lo mismo, identificará cada visita como proveniente desde Twitter.  Esto ayudará a los editores a recibir todos los datos de sus contenidos utilizando el componente AMP Analytics y les dará pistas sobre cómo se comportan los usuarios que acceden a la web desde la plataforma de microblogging.

Te dejamos aquí un vídeo de The AMP Channel en el que se explican algunas de estas ideas.

En el blog de Kanlli seguiremos contándote lo más interesante de AMP para tu negocio.. Mientras tanto, si tienes alguna duda o estás interesad@ en aplicar AMP en tu web, contacta con nosotros. Nuestro equipo te dará las claves para seguir haciendo tu compañía más grande en el entorno móvil.

Gracias al Speech Analytics es posible, por ejemplo, obtener información acerca del propio perfil del cliente, sin necesidad de requerirla directamente (a través del idioma y acento, la edad dela voz, o el género) y su actitud o impresión acerca de productos, servicios o incluso sobre la atención recibida por parte del operador (a través del tono y estado emocional o el modo de expresión).

El sistema de Speech Analytics trabaja con dos herramientas: el reconocimiento del habla y el reconocimiento de los patrones de la voz. En el apartado de reconocimiento del habla, es posible determinar el tema o temas sobre los que versa la llamada a través de detección de palabras y la comprensión mecánica del lenguaje natural. Esto hace posible catalogar las llamadas de manera automática en base al contenido de las mismas.

En lo que respecta a los patrones sonoros, el Speech Analytics es capaz de identificar el género, la edad, el idioma e incluso el estado emocional del interlocutor, ofreciendo una valiosa información que transformará en datos para su posterior uso. Una analítica de este tipo es determinante para las estrategias de marketing basadas en la integración de datos y canales.

Análisis de conversación predefinido

Si el análisis está bien definido, las empresas obtendrán una información muy valiosa que podrá ayudarles, y mucho, a conocer el grado de satisfacción del cliente con la empresa, producto o servicio, descubrir problemas a tiempo y evitar fugas de clientes, conocer sus necesidades o evaluar y mejorar la labor del Contact Center.

Gracias al Speech Analytics es posible catalogar y almacenar una gran cantidad de datos de manera automatizada. Estos datos tienen un gran valor para las compañías, que, en su mayor parte, no hacen uso de ellos. Para aquellas que llevan a cabo una monitorización manual de las grabaciones de sus llamadas, el Análisis de Conversación supone un abaratamiento de los costes, a la par que elimina el sesgo.

La información obtenida resulta de gran valor para las empresas, ya que pueden utilizar estos datos para realizar sus propios estudios de mercado, generar más negocio o identificar aquellos clientes o potenciales de interés para acciones de retención o comerciales, respectivamente.

Por supuesto, unos correctos resultados del análisis van a depender de que se realice un trabajo previo en relación a la información que se desea recoger y a su catalogación, por lo que será imprescindible definir una estrategia para determinar cuáles son los objetivos de negocio y qué datos va a ser necesario extraer para lograrlos.

Herramientas de Speech Analytics

Las herramientas de Speech Analytics permiten obtener patrones o menciones explícitas acerca de aspectos concretos a los que, de forma manual, no se les presta atención. Gracias a la automatización de los procesos en el análisis de conversación, es posible que el Contact Center extraiga información concreta aportada por los clientes. Algunas de las empresas que ofrecen herramientas de este tipo son:

Callminer: A través de Eureka, ofrece diferentes soluciones se Speech Analytics en función de las necesidades, desde un análisis de voz básico integrado con otros canales, hasta soluciones más avanzadas a través de My Eureka, Eureka Live y Eureka Xchange, a través de las cuales es posible informar del rendimiento de los agentes a los supervisores, monitorización de las conversaciones con clientes en tiempo real o inclusión automatizada de categorías y etiquetas adicionales.

Genesys: Su tecnología Speech-to-Phrase Recognition reconoce frases consentido completo, ofreciendo un análisis integral. Ofrece la transcripción de las interacciones y combina los datos obtenidos de las conversaciones telefónicas con aquellos provenientes de otros canales. La herramienta consta de una primera fase de análisis, mediante la que se determinan los fujos de trabajo y se programan los módulos de aprendizaje, de modo que en fases posteriores sea posible ir adecuando una programación acorde con lo aprendido.

Verint: Su herramienta Impact 360 Advanced Speech Analytics transcribe y analiza las conversaciones telefónicas, identificando las palabras, frases, categorías y temas más presentes en la conversación con los clientes, de manera que es posible identificar sus preocupaciones y necesidades. Es posible utilizarla conjuntamente con las soluciones Impact 360 Workforce Optimization, Quality Monitoring y Recording.

Eficacia del Contact Center

El enfoque a venta del Contact Center es una tendencia creciente. En origen, el llamado Call Center estaba destinado a ofrecer una atención al cliente telefónica y con un enfoque puramente informativo. Con el boom 2.0, los canales de conversación se multiplicaron en Internet, y el Call Center pasó a un segundo plano, llegando incluso a desaparecer en muchos casos. Sin embargo, los smartphones volvieron a poner de relieve la importancia de la atención telefónica, pero con un enfoque mucho más complejo, ya que posibilitan al usuario interactuar a través de diferentes canales, en una combinación del on-line y la llamada teléfonica tradicional.  En este punto surge un nuevo concepto: el Contact Center, una central receptora que atiende los mensajes llegados a través de diferentes canales, pero con un enfoque mucho más complejo: administra las relaciones con los clientes desde la primera toma de contacto y busca prolongar esa relación en el tiempo, de la captación a la fidelización.

La importancia del Contact Center radica en esta centralización, ya que es posible integrar datos y canales, obteniendo una información mucho más completa de los usuarios. Es en este contexto de analítica y monitorización en el que cobra relevancia el Speech Analytics, capaz de transformar en datos las conversaciones de voz, para su posterior análisis y tratamiento. En Kanlli sabemos que la eficacia del Contact Center es clave para que las campañas de marketing digital y de resultados aporten el rendimiento de ventas planificado.

Avinash Kaushik, autor del libro Web Analytics 2.0, recomienda dividir nuestra estrategia en cuatro pasos fundamentales, y hacernos preguntas en cada una de las etapas.

Planificar y definir objetivos

Esta es la etapa fundamental de cualquier proyecto web que quiera tener éxito.  Si no se define de antemano qué es lo que se busca, se darán palos a ciegas y perderás tiempo y dinero.

¿Qué? En esta primera etapa toca determinar qué funcionalidades tiene el sitio web: ¿comprar, descargar documentos, dejar comentarios, registrarse?

¿Cuánto? Identificar qué es lo que quiero que haga el usuario, y cómo se puede medir.  Es en esta etapa en la que se hace la lista de los objetivos primarios que se tienen, y sus correspondientes KPI

¿Quién? Hay que pensar en nuestro grupo objetivo, y cómo lo vamos a atraer a nuestro sitio.

¿Por qué? En las herramientas de analítica web disponibles actualmente, la más popular es Google Analytics porque es gratis, te da la opción de ver el comportamiento de los usuarios en tu página, y hacer un esquema de por dónde entran y por dónde salen en nuestra web.  Pero este dato solo, no nos aporta mucha información.  Hay que conocer el por qué.  Existen herramientas de cuestionarios online, poco invasivos, que pueden medir el nivel de satisfacción de un cliente, y que aparecerá una vez el usuario decide abandonar la página.

Implementar la estrategia

¿Qué y cuánto? Etiqueta en tu herramienta de analítica todas las páginas, acciones y eventos que quieras medir.  Define los objetivos, y si se trata de un e-commerce, recuerda configurar el código.

¿Quién y dónde? Segmenta tu tráfico en función de las características que previamente definiste en la fase de planificación.  Además debes crear etiquetas para las fuentes de tráfico, y filtros para aquellas que no se puedan identificar.

Analizar los datos

Una vez definidos los objetivos e implementada la estrategia, ahora toca analizar.  Ese proceso en el que le damos significado a los datos recopilados e identificamos si vamos por buen camino.

¿Qué? De la infinidad de datos a los que tienes acceso, ahora debes determinar en cuáles te vas a centrar: trafico a la web, rebote, tiempo en el sitio, las páginas o fichas más visitadas, el llamado a la acción.  Un sinfín de variables que dependerán de los objetivos marcados.

¿Quién y por qué? Cuál es la fuente que más tráfico te atrae, quiénes son tus usuarios, y si están satisfechos.  Las mayor parte de las herramientas de analítica web solo recopilan datos cuantitativos, pero es importante conocer el sentimiento de nuestro público.

Es momento de volver a sacar aquellos cuestionarios que mencionamos en la etapa de planificación, y cambiar la pregunta. ¿Encontró lo que buscaba? ¿Recomendaría esta web?, entre otras tantas que se os pueden ocurrir siempre ciñéndose a los objetivos definidos.

Actuar y cambiar

Con los datos en mano, si no vamos camino a cumplir nuestros objetivos, toca actuar.  En esta última fase  del plan de analítica web se deben cambiar los elementos de nuestro sitio que no están funcionando y que dificultan la conversión.

Una vez terminado.  Regresamos a la etapa uno, y volvemos a planificar.

El Edgerank es el algoritmo que usa Facebook para determinar qué contenido se muestra en las últimas noticias de cada usuario. El Edgerank mide y diagnostica qué contenido es importante y cual es de menor relevancia. Lo hace en base a la afinidad (los me gusta que dicha publicación tenga)  al peso (la importancia que le dan los usuarios, es decir comentarios o contenido compartido) y al tiempo (el contenido que pasa mucho tiempo sin ser actualizado va perdiendo valor).

El Graphrank ayuda al desarrollo de aplicaciones. En base a este algoritmo algunas apps aparecerán en el muro de las últimas noticias y otras no aparecerán. Dependiendo del uso que le den los usuarios, las aplicaciones, así como el contenido, cobrarán relevancia y en base a ésta serán visibles para los usuarios.

Por tanto, la información a la que estamos expuestos (la que aparece en las últimas noticias) dependerá de si realmente gustó o fue importante para nuestra red de contactos. Entender cómo funcionan estos algoritmos nos ayudará a tomar mejores y más inteligentes decisiones al momento de hacer una campaña de marketing en Facebook. Nos encontramos por tanto ante un  motivo más trabajar en contenido de buena calidad y convencer a aquellos que aún no lo tienen claro: “el contenido es el rey, y la conversación es la reina”.

Fuente: Edgerankchecker  ; Econsultancy.com

Imagen: Socialmediamagic