Trucos de Adobe Analytics: ver qué contenidos convierten a compra, normalizar valores y crear medias diarias

Volvemos con otro capítulo sobre las potencialidades de las métricas calculadas en Adobe Analytics. En este artículo vamos a centrarnos en 3 métricas calculadas avanzadas en las que utilizaremos las funcionalidades de modelos de atribución y fórmulas estadísticas.

Order Participation Rate

Adobe Analytics ofrece la posibilidad de modificar el modelo de atribución por defecto de todas las métricas. Existen 10 modelos de atribución diferentes que pueden aplicarse: Last Touch, First Touch, Linear, Participation, Same Touch, U Shaped, J Curve, Inverse J, Time Decay y Custom.

 

Para la métrica calculada en cuestión, utilizaremos el modelo de atribución “Participation”. Este modelo de atribución da crédito a cada punto de contacto que nos lleva a la conversión.

Para crear la métrica “Order Participation Rate” nos situamos en el constructor de métricas calculadas, arrastramos la métrica Compras y la dividimos entre Visitas. Después hacemos click en el símbolo de la rueda de Compras y marcamos la opción “use non-default attribution model” y seleccionamos el modelo “Participation”. 

Una vez modificado el modelo de atribución de la métrica de compras veremos la siguiente definición y sólo nos quedará modificar el formato a porcentaje y poner nombre y descripción a nuestra métrica calculada.

Esta métrica calculada resulta muy útil para dimensiones de contenido como “página” ya que nos permite ver la contribución de una determinada pieza de contenido a la conversión.

Podemos crear una tabla con la dimensión página, ordenada por la métrica visitas y colocar la métrica order participation rate para poder ver la contribución a la conversión de aquellas páginas más relevantes a nivel de tráfico:

Podemos utilizarla en cualquier dimensión de contenido, por ejemplo, si tenemos una clasificación que agrupa páginas en categorías de contenido más o menos granulares, utilizaremos esta métrica para optimizar dentro de cada sección qué contenidos contribuyen más a las ventas del site.

Z-score Visits/Orders

La función Z-score nos permite normalizar los valores de una variable calculando el número de desviaciones estándar de un valor con respecto a la media del resto de valores de la variable. Esta métrica es muy útil para destacar qué elementos de una dimensión están por encima de la media y cuáles por debajo.

En este caso, vamos a crear 2 métricas calculadas con la fórmula del z-score: Visitas y Compras

Para crear esta métrica calculada debemos ir al constructor de métricas calculadas y arrastrar la función Z-score a la parte central. Después añadir la métrica Visitas, definir formato decimal y nombrar la métrica en cuestión: 
Una vez creada la métrica Z-score Visits y Z-score Compras podemos utilizarla con aquellas dimensiones clave como por ejemplo los Canales de Tráfico:

Esta métrica nos permitirá ver rápidamente de forma normalizada que canales aportan más tráfico y/o impulsan los ingresos del site por encima y por debajo de la media. ¿Qué canales me aportan tráfico por encima de la media pero convierten por debajo?

Para este ejemplo de los canales, las métricas z-score están calculadas con el modelo de atribución por defecto Last Touch. Si nos interesa crear esta métrica z-score con otro modelo podemos hacerlo modificando el modelo de atribución de la métrica que nos interese y añadirla al constructor de métricas calculadas junto a la fórmula mencionada.

Su uso puede también ser muy interesante para analizar otras variables como los términos de búsqueda internos. ¿Qué búsquedas internas obtienen un z-score Compras por encima de la media? ¿Cuáles obtienen un rendimiento muy por debajo? 

Daily Visits/Orders

Imaginemos que queremos monitorizar el nivel diario de una determinada métrica, por ejemplo, nos gustaría comparar el nivel diario de visitas y compras que tuvimos un día concreto con la media de la semana pasada, el mes pasado o el año en curso.

Para este caso utilizaremos las funciones “Round” y “Approximate Count Distinct”. La función Approximate Count Distinct nos permite calcular el número de ítems para una determinada dimensión.

Nos situamos en el constructor de métricas calculadas, añadimos la métrica Visitas en la parte de descripción y posteriormente añadimos la función “Round”. Después, añadimos la función “Approximate Count Distinct” dentro del espacio metric y añadimos la dimensión temporal “Day”. Marcamos formato decimal y nombramos la métrica:

En este ejemplo vamos a comparar el volumen de Visitas y Compras diarias en Mobile del día de ayer con los que tuvimos la semana pasada, el mes actual y el año en curso:

Con estos datos podremos comparar de forma relativa cuan lejos o cerca se encuentra el volumen de una determinada métrica diaria de la media diaria de la semana pasada, el mes en curso o el año pasado.

Podemos crear la misma métrica con otra dimensión de tiempo de otra granularidad: por hora, por semana, por mes, etc.

¿Te han resultado útiles estas métricas calculadas avanzadas? ¿Cuáles más sueles utilizar?

Obtén más información sobre métricas avanzadas de adobe en el siguiente link: https://experienceleague.adobe.com/docs/analytics/components/calculated-metrics/cm-overview.html?lang=en