Fresh Content

We base our passion on EMOTIONS. Ours, yours, his, hers, theirs. Emotions can turn into attitudes, and we believe attitudes can change the world.

El Dashboard de Acción

abril 23, 2018 Consulting Data Science

Cover Dashboard de acción

¿Sabe cuál es la diferencia entre un analista web bueno y uno malo? Uno está en el negocio de proveer data, el otro está en el negocio de proveer información. Un analista bueno entrega un dashboard de acción, el otro un dashboard confuso. Esta es la razón principal por la cual la mayoría de dashboards son malos. Proveen mucha data que dice poco en términos de contexto y mucho menos en términos de valor procesable.

Estos son algunos ejemplos de dashboards poco óptimos.

Dashboard poco optimo

Obtenido de: https://www.kaushik.net/avinash/the-action-dashboard-an-alternative-to-crappy-dashboards/

Quizás este sea el ejemplo más común. Mucha data, filtros, capacidad de detallar más, pero no puede darle una vista al dashboard y tomar decisiones.

Dashboard poco optimo

El propósito principal de mostrar este ejemplo fue demostrar una característica que el 80% de los dashboards de análisis web hechos en Excel tienen en común: Millones de pestañas en las cuales hay información.

Sabemos que los esfuerzos puestos en crear estos dashboards fueron grandes y con buenas intenciones. Entonces ¿por qué estamos diciendo que no nos sirven? Aquí presentamos algunas razones por las cuales la mayoría de dashboards tienden a ser malísimos a la hora de ayudar a los ejecutivos a tomar decisiones.

  1. Dejan que el ejecutivo interprete la información. Esto es algo fatal ya que en la mayoría de los dashboards hay vistas muy detalladas de los KPIs y no tienen todos los matices y ni análisis.
  2. La mayoría de los ejecutivos desean ver ideas ó acciones recomendadas. No confían en los analistas por lo tanto solicitan muchos números. Para cumplir con esto metemos la mayor cantidad posible de números en un papel A4 con una letra tan pequeña que necesitamos una lupa para poder leer.
  3. La mayoría de los analistas viven en soledad. Es necesario salir e interactuar con personas para poder obtener el conocimiento que nos permita hacer recomendaciones sobre la data. Esto no es algo que se suela hacer y que tampoco es incentivado por los ejecutivos o la organización en sí.
  4. Las personas encargadas de crear los dashboards son “forasteros” (consultores, expertos, etc.). Por lo tanto no poseen el conocimiento profundo que les permite entender la parte humana del problema. Esto nos lleva a que se creen dashboards como los presentados anteriormente.

Si usted desea que los ejecutivos o clientes tomen acciones es necesario que les de información y no data. Requiere de mucho esfuerzo llegar a ese punto. Será necesario que saque sus encantos y le dedique mucho tiempo.

El primer paso es que se dé cuenta del problema que tiene.

El segundo paso es que nos deje ayudarlo a buscar una solución.

La forma en que quisimos resolver este problema fue desde una perspectiva psicológica. ¿Cómo podemos crear un dashboard que incentive el comportamiento “correcto” de los analistas al darle información a los ejecutivos que les permita tomar decisiones?

Recomendaciones

Recomendación 1

Pasarnos a la filosofía de los “pocos críticos” a la hora de hacer reportes para los ejecutivos. Con esto queremos decir que sólo generaremos un reporte con tres o cinco (lo más cinco) métricas que nos permitan definir el éxito de todo el negocio. Hay que eliminar las métricas muleta que solamente son interesantes y no útiles. Estas métricas hay que dejarlas para personas en lugares más bajos.

Recomendación 2

Este es nuestra primera versión (versión fea) de un dashboard de acción.

Buen Dashboard v1

Cada cuadrante representa una solución a un problema humano que nos lleva a hacer dashboards feos. Analicemos el dashboard.

Como título sobresaliente queremos identificar cual es la métrica que vamos a estar utilizando. Luego vemos quien es el responsable desde una perspectiva de negocio. Por último quien fue responsable de hacer el análisis. Es importante que noten el punto rojo ya que este indica problema. Puede tener otros dos colores: amarillo es una advertencia y verde es para que feliciten a alguien por su buen trabajo.

El primer cuadrante (la gráfica) muestra la tendencia de la métrica. Esta idealmente deberá estar segmentada.En este ejemplo tenemos segmentado el abandono del carrito de compras en tres segmentos de clientes.

Este primer cuadrante está básicamente para satisfacer la curiosidad del ejecutivo y para que sepa que usted sabe lo que está haciendo. Eventualmente se eliminará.

El segundo cuadrante (tendencias clave y perspectiva) es para darle un valor agregado a la interpretación de las tendencias y darle un contexto. Aquí traducimos al español si las cosas van hacia arriba o hacia abajo. También advierte a la persona viendo el dashboard sobre qué data podría ser mala. Este es el cuadrante en donde el analista empieza a hacer su trabajo.

Inicialmente los ejecutivos le prestarán mucha atención a este cuadrante, pero conforme vaya pasando el tiempo ellos tendrán más confianza en usted. Agradecerán que haya compartido el contexto, pero eventualmente lo eliminarán.

El tercer cuadrante (acciones o pasos a tomar) sirve para obligar al analista web que salga y hable con mercadeo, el dueño del sitio web, el VP, con quien sea necesario. De esta forma podrá obtener el conocimiento necesario, identificar la causa de las tendencias que vio en la métrica y recomendar acciones a tomar. Es poco probable que el analista pueda hacer todo esto por su cuenta y por eso requiere que tenga contacto humano. Será necesario que tenga conversaciones y que lleguen a soluciones de forma conjunta. Es una forma fantástica de volverse experto en el negocio.

Este cuadrante es clave para poder tomar acciones ya que no dejará la data a interpretación del ejecutivo. Usted está recomendando las acciones que se deberían de tomar. A los ejecutivos les encantará esto y con el tiempo será el único cuadrante que lean. Esto implica que las reuniones mensuales ya no serán grandes discusiones que no lleven a nada sino serán para decidir quién debe hacer qué.

El último cuadrante (impacto en la compañía o cliente) existe en caso no sea clara la razón por la cual los ejecutivos deben tomar acciones. Realmente creemos que es la pieza faltante en la mayoría de los dashboards ya que hace falta es ese incentivo que haga que todos se pongan a trabajar. Este cuadrante es la respuesta a la pregunta “según el resultado de esta tendencia, ¿cuál fue el impacto en nuestra compañía y en los clientes?”. También obliga al analista a trabajar duro para estimar el impacto y ponerlo en papel.

Si este cuadrante no obliga a las personas a tomar acciones, nada lo hará. Saber exactamente cuánto dinero se perdió, cuántos clientes están molestos, cuantas oportunidades fueron pérdidas… En caso ignoren sus recomendaciones lo harán sabiendo las consecuencias.

¿Ve lo fácil que es?

Con el tiempo usted se ganará la confianza de los ejecutivos y hará que desaparezcan todos los dashboards feos. Al final su dashboard se verá como este:

Dashboard de acción v2

Ahora le está pidiendo a los ejecutivos que simplemente analicen la situación basándose en las recomendaciones que usted hace y tomen acciones. ¿Quién necesita números? Ellos le están pagando para que les de soluciones.

Newsletter Radii

Radii Digital Marketing es una compañía de mercadeo digital establecida en Guatemala y en Estado Unidos. Es una Premiere Factivate Agency, además de tener certificaciones con Hubspot y Marketo.

You may also like:

UTM cover Códigos UTM ¿Qué son? ¿Por qué utilizarlos? 28/09/2018 Español, Technology - Un código UTM es simplemente un código que se agrega al final de una URL con el objetivo de tener trazabilidad, principalmente, sobre fuentes, medios y campañas. Si tenemos la disponibilidad de utilizar Google Analytics dentro de nuestro sitio web, con los códigos UTM se vuelve muy fácil saber de dónde viene el tráfico de mi sitio web así como también la campaña que los hizo llegar. Un código UTM está formado principalmente por tres componentes: Source (fuente): Es la referencia de donde viene el usuario. Algunos ejemplos son periódico, newsletter y Facebook. Medium (medio): La forma en que se transmitió el link. Algunos ejemplos son correo electrónico, valla y video. Campaign name (nombre de la campaña): Este es el nombre con el cual se identifica una campaña. Una misma campaña puede tener varios anuncios y estos se agruparan bajo este mismo nombre. Ejemplos de nombres de campaña son venta_fin_de_anio, awareness_cancer y cupones_bebidas. Existen otras dos propiedades secundarias que podemos agregar en un código UTM: Terms: Es muy útil para campañas que se pagan por keywords ya que aquí podemos agregar los keywords que se utilizaron para el ad, por ejemplo zapatos o camisas. Campaign content: Una forma de utilizar ...
Obtenido de https://diymusician.cdbaby.com/music-rights/indie-musicians-can-monetize-music-facebook/ Como Spearmint Love logró una campaña exitosa en Facebook 30/08/2018 Case Studies, Consulting, Español - No se logra obtener 220,889 fans en Facebook de la noche a la mañana. Especialmente no obtiene un 62.48% de sus fans hablando sobre su marca en Facebook. En promedio, el porcentaje de personas que han dado “me gusta” a una página y que interactúan con esta es un 1%. Esto es cuando se tiene un buen engagement rate o tasa de interacción. Todos los negocios en línea conocen muy bien la narrativa del engagement en Facebook. El algoritmo de Facebook sigue evolucionando a promover las marcas en el newsfeed de los usuarios cada vez menos. La búsqueda orgánica es imposible de conquistar. Facebook se ha convertido en una plataforma que le exige pagar para poder participar. Aún pagando no es del todo claro si esos likes y clics en algún momento se convierten en dinero para la marca. Para Spearmint Love no hay ninguna duda que su inversión en Facebook sí se convirtió en dinero real. Ellos lograron convertir a esta plataforma oscura en una historia de éxito. La co fundadora Shari Lott pasó tres año siendo una blogger mamá. Así construyó una base de fans fieles en Facebook y en Instagram, plataformas en donde las imágenes son oro. ...
Cover reportería y análisis Diferencia entre reportería y análisis web 06/07/2018 Consulting, Data Science, Español - Muchas veces nos hacen una pregunta muy sencilla, ¿Cuál es la diferencia entre reportería y análisis web? Nuestro instinto es hacer una observación fácil sobre el análisis “Lo reconocemos cuando lo vemos”. Sabemos que esa no es una respuesta muy útil. La respuesta real fue la siguiente: Si ve mucha data entonces puede saber que está viendo un reporte. Aun cuando tenga como título “Dashboard”. Si ve palabras en español mencionando acciones que debe tomar acompañado de data relevante, entonces estamos hablando de un análisis. Nos hemos dado cuenta que las imágenes en verdad hablan más que mil palabras. Por eso tenemos algunas que le pueden ser de utilidad. Esto es un reporte web: Apesar que este se ve mejor, también es un reporte web: Es muy probable que se sienta tentado a pensar que esto no es un reporte web. Tiene muchos colores y data, hasta algunos segmentos. Créanos, es un reporte web: ¿Ve las características en común de los tres ejemplos? El trabajo de los reportes web es menospreciado. Su trabajo es dar la responsabilidad de entender el contexto, interpretar data e identificar las acciones necesarias al pobre que recibe el reporte. Si su trabajo es el de ...
http://agahgroup.com/iran-islamic-financial-market/ Por qué Marketing Analytics no ha cumplido las expectativas 11/06/2018 Data Science, Digital Marketing News, Español - Nos encontramos en una paradoja con dos tendencias de analítica. En una encuesta realizada por La Escuela de Negocios de Duke, Fuqua, y patrocinada por Deloitte LPP y The American Marketing Association, se reporta que el presupuesto que las compañías planean dar para el análisis de datos incrementará en un 198% en los próximos 3 años. Este incremento se espera a pesar que la mayoría de mercadólogos indica que las expectativas de Marketing Analytics no se han cumplido. Esto debido a que el efecto que tiene el análisis de datos en el desempeño de la compañía es mínimo. Cuando se pide que califiquen el análisis de datos en una escala de 1 – 7, siendo 1 no efectivo y 7 altamente efectivo, este recibe una puntuación promedio de 4.1. Aún más importante es el hecho que el impacto en el desempeño de la compañía ha mostrado un incremento muy bajo en lo últimos 5 años, cuando antes tenía una puntuación de 3.8. ¿Cómo es posible que a pesar que las compañías no vean ninguna mejora estén dispuestos a incrementar el presupuesto de análisis de datos? Basados en un trabajo hecho en conjunto con compañías miembros de  The Marketing Science Institute, ...