sergio cuervo - conferencia iab perú mayo 2015
TRANSCRIPT
Planificación estratégica digital: Otra mirada
Sergio Cuervo G. @scuervoUlaf Salcedo Z. @usalcedoz
Agenda
• Compitiendo mediante el análisis.
• Modelo base.• Modelo propuesto.• Análisis de data.• Conclusiones.
¿Qué es compitiendo mediante el análisis?
• Es el uso exhaustivo de datos, análisis estadísticos y cuantitativos, modelos explicativos y de predicción, y dirección y gestión basados en hechos como motor de la toma de decisiones y de acciones emprendidas.
(Davenport, 2009)
Inteligencia empresarialOptimización ¿Qué es lo mejor que puede suceder?
Modelo de predicción ¿Qué ocurrirá a continuación?
Previsión / Extrapolación ¿Qué pasaría si estas tendencias continuasen?
Análisis estadístico ¿Por qué está ocurriendo esto?
Avisos ¿Qué acciones son necesarias?
Consultas / desglose detalles ¿Dónde está exactamente el problema?
Informes ad-hoc ¿Cuántos, con que frecuencia, dónde?
Reportes estándar ¿Qué ocurrió?
Vent
aja
com
petiti
va
Grado de inteligencia
Acce
so y
repo
rte
Inte
ligen
cia
anal
ítica
(Davenport, 2009)
Pages / Session
New Visits
Return Visits
Direct visits
Reference Sites
Search Engine
http://www.Wikipedia.orghttp://www.ebu.es
http://www.uv.es
Others
Other Search Engine
Fuente: Google Analytics for measuring website performance, Plaza ( 2011)
Modelo Inicial
Pages / Session
New Visits
Return Visits
Direct visits
Reference Sites
Search Engine
Social
Display
Organic Search
Paid Search
Nuevo Modelo
Páginas/Sesión
Nuevos Visitantes vs Retorno de Visitantes
Búsquedas Orgánicas
Visitas Directas y Visitas por Referencia
Social Media y Búsquedas Pagadas
Análisis de Correlación Pearson
N = 366 SessionsPages / Session
New Visitors
Returning Visitors
Direct Visits
Referral Visits
Organic Search
Paid Search Social Display
Sessions 1
Pages / Session -,122* 1
New Visitors ,966** -,250** 1
Returning Visitors ,946** .050 ,829** 1
Direct Visits ,712** ,150** ,549** ,846** 1
Referral Visits ,453** .073 ,397** ,478** ,330** 1
Organic Search ,807** ,233** ,703** ,859** ,688** ,625** 1
Paid Search ,397** -.067 ,263** ,525** ,688** ,178** ,309** 1
Social ,291** -.092 ,322** ,224** .075 ,461** ,311** -,107* 1
Display ,137** -,141** ,178** .073 -.062 -.049 -.030 -.014 ,171** 1
* La correlación es significativa en el nivel 0,05 (2 colas).** La correlación es significativa en el nivel 0,01 (2 colas).
Análisis de Regresión (Pages/Session)Resumen del modelob
Modelo R R cuadradoR cuadrado
ajustadoError estándar de la
estimaciónDurbin-Watson
1 ,524a .275 .271 .2035 .585a. Predictores: (Constante), Returning Visitors, New Visitorsb. Variable dependiente: Pages / Session
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes estandarizados
t Sig.BError
estándar Beta1 (Constante) 2.925 .037 78.728 .000
New Visitors .000 .000 -.934 -11.679 .000Returning Visitors .000 .000 .824 10.311 .000
a. Variable dependiente: Pages / Session
Pages/Session = 2.925 – 0.394NewVisitors + 0.824ReturningVisitors
Análisis de Regresión (Pages/Session)
Pages/Session = 2.925 – 0.394NewVisitors + 0.824ReturningVisitors
Análisis de Regresión (Returning Visitors – Modelo 1)
Returning Visitors = -360.959 + 0.545OrganicSearch + 0.429DirectVisits + 0.61PaidSearch
Resumen del modelob
Modelo R R cuadradoR cuadrado
ajustadoError estándar de la
estimaciónDurbin-Watson
1 ,929a .864 .862 566.7580 .581a. Predictores: (Constante), Paid Search, Organic Search, Direct Visitsb. Variable dependiente: Returning Visitors
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes estandarizados
t Sig.BError
estándar Beta1 (Constante) -360.959 107.226 -3.366 .001
Organic Search .627 .032 .545 19.334 .000Direct Visits 1.088 .094 .429 11.613 .000Paid Search .197 .091 .061 2.166 .031
a. Variable dependiente: Returning Visitors
Análisis de Regresión (Returning Visitors – Modelo 1)
Returning Visitors = -360.959 + 0.545OrganicSearch + 0.429DirectVisits + 0.61PaidSearch
Análisis de Regresión (Returning Visitors – Modelo 2)
Resumen del modelob
Modelo R R cuadradoR cuadrado
ajustadoError estándar de la
estimaciónDurbin-Watson
2 ,875a .765 .763 743.9149 .675a. Predictores: (Constante), Paid Search, Referral Visits, Direct Visitsb. Variable dependiente: Returning Visitors
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes estandarizados
t Sig.BError
estándar Beta2 (Constante) 377.896 127.375 2.967 .003
Direct Visits 2.119 .093 .836 22.766 .000Referral Visits 1.809 .224 .218 8.067 .000Paid Search -.289 .114 -.090 -2.541 .011
a. Variable dependiente: Returning Visitors
Returning Visitors = 377.896 + 0.836DirectVisits + 0.218ReferralVisits - 0.09PaidSearch
Análisis de Regresión (Returning Visitors – Modelo 2)
Returning Visitors = 377.896 + 0.836DirectVisits + 0.218ReferralVisits - 0.09PaidSearch
Análisis de Regresión (Returning Visitors – Modelo 3)
Resumen del modelob
Modelo R R cuadradoR cuadrado
ajustadoError estándar de la
estimaciónDurbin-Watson
3 ,875a .766 .764 742.6429 .650a. Predictores: (Constante), Social, Direct Visits, Referral Visitsb. Variable dependiente: Returning Visitors
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes estandarizados
t Sig.BError
estándar Beta3 (Constante) 421.936 121.163 3.482 .001
Direct Visits 1.976 .069 .780 28.802 .000Referral Visits 1.525 .252 .184 6.050 .000Social .477 .172 .080 2.779 .006
a. Variable dependiente: Returning Visitors
Returning Visitors = 421.936 + 0.780DirectVisits + 0.184ReferralVisits + 0.08Social
Análisis de Regresión (Returning Visitors – Modelo 3)
Returning Visitors = 421.936 + 0.780DirectVisits + 0.184ReferralVisits + 0.08Social
Análisis de Regresión (New Visitors – Modelo 1)
Resumen del modelob
Modelo R R cuadradoR cuadrado
ajustadoError estándar de la
estimaciónDurbin-Watson
1 ,725a .526 .521 1316.1482 .144a. Predictores: (Constante), Referral Visits, Direct Visits, Social, Organic Searchb. Variable dependiente: New Visitors
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes estandarizados
t Sig.B Error estándar Beta1 (Constante) 1600.074 247.739 6.459 .000
Organic Search .894 .089 .624 10.088 .000Social 1.281 .306 .173 4.180 .000Direct Visits .460 .162 .146 2.843 .005Referral Visits -1.243 .516 -.121 -2.406 .017
a. Variable dependiente: New Visitors
New Visitors = 1600.074 + 0.624OrganicSearch + 0.173Social + 0.146DirectVisits – 0.121ReferralVisits
Análisis de Regresión (New Visitors – Modelo 2)
Resumen del modelob
Modelo R R cuadradoR cuadrado
ajustadoError estándar de la
estimaciónDurbin-Watson
2 ,635a .403 .397 1477.1668 .213a. Predictores: (Constante), Paid Search, Social, Referral Visits, Direct Visitsb. Variable dependiente: New Visitors
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes estandarizados
t Sig.B Error estándar Beta2 (Constante) 2632.633 255.448 10.306 .000
Direct Visits 1.856 .185 .588 10.012 .000Social 1.476 .349 .199 4.227 .000Referral Visits 1.417 .502 .137 2.824 .005Paid Search -.584 .231 -.145 -2.525 .012
a. Variable dependiente: New Visitors
New Visitors = 2632.633 + 0.588DirectVisits + 0.199Social + 0.137ReferralVisits – 0.145PaidSearch
Returning Visitors = f(Rebote)Resumen del modelo
Modelo R R cuadradoR cuadrado
ajustado Error estándar de la estimación1 ,187a .035 .032 1502.9659a. Predictores: (Constante), Rebote
Coeficientesa
ModeloCoeficientes no estandarizados
Coeficientes estandarizados
t Sig.B Error estándar Beta1 (Constante) 7193.964 800.626 8.985 .000
Rebote -4698.477 1290.892 -.187 -3.640 .000a. Variable dependiente: Returning Visitors
Returning Visitors = 7193.964 - 0.187Rebote
NewVisitors y ReturningVisitors
Medias Marginales EstimadasNew Visitors y Returning Visitors
Conclusiones
• No es suficiente mirar la data de manera descriptiva, debemos desarrollar un marketing más estratégico basado en el análisis de la información.
• Explorar la data a otro nivel permite poder desarrollar un plan digital de acuerdo a los resultados que va obteniendo la organización en un periodo determinado.
• Esto implica nuevos recursos, es especial el recurso humano, con capacidad analítica.
• Se hace necesario la exploración de nuevas técnicas predictivas. Por ejemplo: Análisis Multivariante.
• No quedarse en el día a día, genere valor pensando en el mediano y largo plazo.