Calculando uplift correctamente.

Las decisiones de planificación de medios tradicionales y el análisis de su ROI, en base a su respuesta en ambientes digitales, deben siempre estar respaldadas por información y, por consiguiente, ésta debe ser lo más precisa posible. Desde hace algún tiempo es común ver en el mundo herramientas que utilizan modelos de atribución simplistas que no consideran las particularidades del tráfico y, por lo tanto, devuelven datos erróneos. Vamos a mostrar cómo estos modelos fallan a la hora de brindarnos un panorama de la eficiencia de nuestros medios tradicionales y cómo EKHO Attribution aborda este problema.

Lo primero e indispensable para poder atribuir los incrementos de tráfico a webs, debido a la pauta tradicional, es entender cómo funciona el tráfico. Los flujos de visitas a una web presentan muchas formas, rara vez es constante y éste se distribuye en el tiempo de maneras muy diversas.

Veamos un ejemplo real del tráfico a una web durante 15 minutos para ejemplificar el problema. La escala de tiempo tiene una resolución de 10 segundos.

Como se puede apreciar, el tráfico presenta tiempos entre visitas bastante variables, existiendo una anomalía de corta duración en el tráfico asociada a una pauta publicitaria en TV.

Agreguemos a nuestra gráfica el momento exacto de una pauta publicitaria y separemos el tráfico atribuido de las visitas normales.

El tráfico atribuido, como casi cualquier incremento de corta duración, presenta un patrón muy distinto al tráfico común. Los modelos presentes en todas las herramientas que hemos analizado, a excepción de EKHO Attribution, utilizan una aproximación simplista al problema de identificar el volumen de sesiones atribuidas (o uplift).

La manera que estas funcionan es utilizando lo que se llama una "línea de base", o "baseline". En pocas palabras, lo que estas herramientas realizan es contabilizar la cantidad de visitas que ocurren durante un tiempo limitado previo a la emisión de una pauta publicitaria, a esto le llaman "baseline".

Posteriormente a la emisión de una pauta, estas herramientas contabilizan las visitas que ocurren durante una duración de tiempo igual al baseline y restan la cantidad de visitas del baseline para obtener el uplift, o visitas atribuidas a esa pauta.

Volvamos al ejemplo, en este caso las herramientas calcularían los números para baseline y visitas atribuidas de esta manera:

18 (luego de pauta) - 9 (previo a pauta, baseline) = 9 visitas atribuidas por baseline

Si usted se tomó el trabajo de contar las visitas atribuidas (en rojo), verá que la cantidad de visitas atribuidas reales es 13 visitas, 4 más que las calculadas por el método de baseline.

El problema fundamental del modelo de baseline es considerar a todo el tráfico igual, donde se asume que no existen grandes fluctuaciones y que la cantidad de tráfico en dos lapsos consecutivos es constante, retornando como resultado un uplift con un error mayor al 30%.

El tráfico "normal" presenta fluctuaciones que deben considerarse y el tráfico atribuido sigue un patrón distinto al normal, considerar estas dos realidades es fundamental para poder identificar el uplift correctamente.

Si desea verificar este problema por usted mismo, tome dos períodos de tiempo cortos consecutivos del tráfico de su web, digamos de 5 minutos, donde usted sabe que no se emitió pauta tradicional y contabilice las visitas en ambos períodos. Notará que es muy fácil encontrar diferencias entre ellos, por ende tomar la aproximación de restar la cantidad de visitas posteriores a una pauta naturalmente presentará un margen de error ya que la base de visitas normales fluctúa. Este efecto se ve amplificado enormemente en flujos mayores de tráfico, donde estas fluctuaciones son más pronunciadas cuando queremos comparar duraciones cortas de tiempo.

Machine learning al rescate

Si observamos la gráfica del ejemplo notaremos que el tráfico normal sigue un patrón, mientras que el atribuido sigue uno completamente distinto. El tráfico normal es más espaciado, de menor intensidad, el tráfico inspirado está limitado en el tiempo y los tiempos medios entre visitas es menor, éstas son diferencias fundamentales a considerar para lograr una correcta atribución. Existen otros factores no visibles en la gráfica como las fuentes de tráfico. Mientras el tráfico no inspirado proviene de diversas fuentes, el tráfico inspirado en pauta tradicional proviene de un subconjunto de todas las fuentes y medios.

EKHO Attribution funciona entendiendo que el tráfico atribuido se comporta muy distinto al tráfico normal y su origen es más acotado, su modelo de atribución se ayuda de esta diferencia para poder separarlos. Usando técnicas de machine learning, nuestro modelo aprende cómo se comporta el tráfico y calcula si las visitas deben ser atribuidas o no. El sistema de Attribution analiza ininterrumpidamente el flujo de tráfico de las webs de nuestros clientes y establece un modelo de tráfico "normal" que es actualizado constantemente. Una vez que se detecta una pauta, el sistema predice que cantidad de visitas deberían ocurrir y los compara con las visitas actuales. El sistema calcula cuánto se desvían las nuevas visitas de esta "normalidad", pudiendo identificar incrementos de duración variable, desde pocos segundos a varios minutos. El sistema filtra fuentes de tráfico sin correlación con visitas inspiradas y realiza los cálculos por cada visita en tiempo real, identificando a qué modelo corresponde cada visita de manera casi instantánea, independientemente de la cantidad de tráfico que se maneje.

La gran diferencia con el modelo de baseline, es que EKHO Attribution observa más características del flujo de tráfico, entendiendo el comportamiento del tráfico, por lo que dispone de datos claves a la hora de poder decidir si atribuirlo o no.

Conclusión

Identificar uplift puede parecer una tarea sencilla a simple vista, pero es un problema complejo que requiere una aproximación cuidadosa. EKHO Attribution se sirve de herramientas matemáticas y algoritmos propietarios para filtrar el ruido, considerando las fuentes del trafico junto con su comportamiento para determinar si éste debe ser atribuido. El resultado es la abstracción del usuario de toda esta complejidad y la obtención de datos claros de la performance de los medios tradicionales dentro de Google Analytics.

¿Interesado en evaluar EKHO Attribution?

Incidencia de pautas tradicionales en KPIs digitales en Uruguay.

En la publicación anterior presentamos nuestra herramienta Attribution y sus ventajas, en este post mencionaremos datos de algunas de las experiencias reales de nuestros clientes. De éstas hemos derivado algunos valores indicativos que generalizamos para entender cuándo el call-to-action de una pieza publicitaria está funcionando adecuadamente.

Los KPI son indicadores claves de cómo un sitio está performando, existen muchos, se podría decir que los más básicos e importantes son los desplegados por defecto en Google Analytics:

  • Tiempo medio de permanencia en página
  • Páginas vistas por sesión
  • Porcentaje de rebote
  • Porcentaje de conversión

Decidimos medir el call-to-action en función de estos 4 indicadores, los más representativos de la calidad del tráfico. Analizamos cómo se compara el tráfico atribuido a TV o radio con los promedios del tráfico total en diversos clientes y campañas, tomando nota de las diferencias en éstos 4 KPI. Estos datos abarcan campañas de TV abierta y radiales de Montevideo e interior. Dentro de las primeras se encuentra un anunciante líder en cantidad de segundos pautados.

KPI En relación a la media del tráfico
Tiempo de permanencia en página 35% a 80% superior
Páginas vistas por sesión 20% a 80% superior
Porcentaje de rebotes 35% a 80% inferior
Porcentaje de conversión 35% a 300% superior

Los rangos de porcentajes de alteraciones de KPIs son diferentes entre campañas, pero constantes dentro de ellas. Por ejemplo, unas pocas campañas presentaron 35% de incremento en tiempo de permanencia en página, mientras la mayoría rondó el 50% de incremento. Estos incrementos se mantuvieron prácticamente constantes en la presencia de pauta tradicional. En su ausencia, los números totales de sesiones caían en relación a la relevancia del medio tradicional en la estrategia de comunicación de nuestros clientes.

El contexto es fundamental

Los números arriba presentados no reflejan las sorpresas que encontramos en nuestro camino y tampoco incluyen datos absolutos de visitas ya que existen enormes diferencias entre distintas webs que apuntan a mercados y públicos muy distintos. Encontramos medios y programas con tandas de menor costo con mucho mejor call-to-action que los líderes de audiencia para el mensaje emitido y piezas con el doble de porcentaje de conversión que otras piezas de la misma campaña. Notamos valores de porcentajes de conversiones y tiempos medios de sesión muy por encima de la más positiva estimación inicial. Muchas veces vimos como el tráfico atribuido a tradicional representaba del 2% al 3% del tráfico total y era responsable de más del 15% de las conversiones totales, o como el 6% del tráfico total (atribuido) en algunos casos llegaba a representar el 25% de las conversiones totales. Cada caso presentaba una relevancia diferente en el call-to-action de sus pautas tradicionales dependiendo del rol que cumplían los medios tradicionales en su estrategia de marketing, pero casi todos mantenían efectos cualitativos positivos similares.

Existen casos que se desvian de la media, pero no necesariamente indican un problema con los mensajes publicitados. Por ejemplo, hay clientes que publicitan productos o servicios específicos y en estos casos es común ver que la cantidad páginas vistas por sesión es bastante inferior a la media, sin embargo todas las otras KPIs del tráfico atribuido se mantienen muy por encima de la media. Esto se debe a que el consumidor ingresa exclusivamente por su interés en el producto pautado y una vez que obtiene la información que busca o concreta la compra culmina su interacción. Es distinto el caso donde la pauta consiste en un mensaje institucional que incita a visitar la página de la marca, en estos casos el tráfico atribuido muestra un porcentaje de incrementos en los KPIs en el rango mostrado en el cuadro de arriba.

Por supuesto, también existen algunas ocasiones donde no se nota una incidencia de la pauta en el tráfico. Estos datos permitieron establecer un marco de referencia y confirmar lo que algunos de nuestros clientes intuían, parte de la combinación de mensajes-medios elegidos no generaban la respuesta esperada. Felizmente los datos provistos por Attribution les permitirán, en un futuro, comparar los resultados de cambios en su estrategia y planificación de medios.

Conclusiones

Si bien comparativamente el tráfico inspirado directo representa un porcentaje menor, éste cumple un rol importante en los resultados absolutos. En nuestra experiencia, el tráfico inspirado por medios tradicionales resulta de notoria mejor calidad que el originado por cualquier otra fuente, elevando los promedios generales y llevándose una buena parte de los méritos. Esta realidad antes permanecía oculta a los ojos de los encargados de los departamentos marketing, que debían limitar el análisis de su impacto a una simple corazonada o intuición.

Si bien EKHO Attribution mide exclusivamente la acción directa de la publicidad sobre plataformas digitales, dejando por fuera factores como "branding" o acción residual, por primera vez los anunciantes disponen de una herramienta accesible que permite ponderar la performance de sus piezas publicitarias en los medios uruguayos. Esto les permite colocar en perspectiva sus resultados en el mundo digital, manteniendo un control de su inversión tradicional y entendiendo tempranamente qué parte de ésta no funciona adecuadamente.

Si usted representa a un anunciante o agencia que dispone de una estrategia de medios basada en el análisis de datos y entiende la importancia de optimizar la inversión, no dude en contactarnos para coordinar una prueba real con una de sus campañas (¿alguien dijo call-to-action?).