Cómo analizar nuestros propios datos

En este post os voy a presentar casos prácticos de como analizar nuestros propios datos.

Ejemplos

A modo de comprender mejor cómo la Inteligencia de Negocio puede ayudarnos en la toma de decisiones cruciales para nuestros negocios, simplemente a través del análisis de datos, que nosotros mismos poseemos sobre nuestros negocios, veremos algunos ejemplos prácticos de aplicación con objetivos bien definidos, para hacernos una mejor idea del potencial de uso al aplicar el Business Intelligence en nuestras propias empresas.

Para un primer caso pondremos como ejemplo el caso una tienda online cuyo objetivo es el aumentar ventas en tiempo real. Tomemos como referencia el caso anterior de una tienda online para la cual, según Google Analytics, o el panel de control de la plataforma que usemos, como Shopify, Prestashop o cualquiera de ellas, ya sabemos que en este preciso momento tenemos 100 usuarios visitando nuestra web.

¿Qué indicadores claves nos ayudarían a aumentar ventas? Uno de ellos, sin duda muy importante, sería conocer el ratio de conversión que obtenemos con nuestros productos, y en especial aquellos que obtienen más cantidad de visitas pero por el contrario son menos vendidos.

Extraer esta información a posteriori puede ser muy importante, pero si esta información podemos visualizarla en tiempo real, podremos actuar sobre los precios inmediatamente para no perder oportunidades en el momento en el que nuestros productos están siendo visitados. La pregunta que nos haríamos entonces es ¿Cuáles de mis productos están siendo más visitados pero son menos vendidos? Al formularnos esta pregunta, el KPI que obtendremos finalmente es el porcentaje de Ratio de Conversión, cuya fórmula es:

Ventas realizadas / Visitas totales = Ratio de conversión.

Veamos el flujo. Supongamos que hemos realizado una acción de marketing a través de la compra de banners sobre la cual derivamos a los posibles compradores a una página de promoción de productos nuevos de temporada para el verano.

Los interesados aterrizan en un catálogo de 10 productos que queremos vender, y de esos 10 productos, uno de ellos está recibiendo, de esos 100 visitantes, un total de 40 visitas. En este caso, dado que ese producto en concreto está siendo visitado por un 40% de usuarios, sabremos entonces que se trata de un producto muy popular, que a la gente le interesa. Por contra, el producto solo se ha vendido en 2 ocasiones, siendo por tanto su ratio de conversión de sólo el 5%.

¿Es tal vez su precio el que limita su compra? Sabiendo esto, en tiempo real, podríamos actuar en el momento para decidir, por ejemplo, aplicar un pequeño descuento y ver, igualmente en tiempo real, durante la próxima hora, si el ratio de conversión crece o permanece estable.

Si crece, sabremos que era cuestión de ajustar el precio y en ese caso, si decidimos dejarlo rebajado, aumentaríamos ventas aun cuando esta decisión incurriera en detrimento de bajar los beneficios estimados para ese producto.

Lo importante es que ahora con esa información podremos tomar una decisión al respecto en función a nuestro negocio que repercute directamente en nuestro volumen de ventas. De no hacerlo en tiempo real, podríamos estar perdiendo oportunidades de conversión y por tanto, de ventas.

Otro caso, podría aplicarse en la recuperación del carrito de la compra. Imaginemos que un usuario que ya es comprador de nuestra tienda, en el último trimestre ha realizado un total de 5 compras a través de nuestra web, siguiendo un patrón de comportamiento muy similar en las 5 ocasiones:

• entra a un producto promocionado en un blog de terceros,

• permanece en la página del producto durante 1 min.,

• luego visita otros 3 productos similares en nuestra web,

• y finalmente decide añadir el primero de todos a su carrito de la compra,

• comprándolo,

• y empleando en total unos 10 min en realizar todo el proceso.

Sobre todo este proceso, imaginemos que guardamos datos para saber identificar quién es el usuario, cuántas páginas visita antes de comprar, cuánto tiempo emplea visitando cada página de producto, cuánto tiempo tarda en realizar todo el proceso, desde que accede a la tienda hasta que finalmente completa su compra, etc.

Ahora con estos datos podremos ser capaces de extraer patrones de su comportamiento.

Pero se da el caso, por ejemplo, que un día añade a su carrito un producto, pasan los 10 minutos y sale de nuestra web sin haber comprado, pero con el producto todavía en el carrito de compra.

En base a su patrón de comportamiento que ya conocemos con los datos que tenemos de él, algo pareciera que ha ocurrido al no ajustarse a lo que conocemos de su modo de actuar habitualmente, cuando visita nuestra tienda.

¿Queremos recuperar al usuario al día siguiente ofreciéndole un incentivo para que termine comprando? Si es así, ahora que ya tenemos información valiosa podría interesarnos ofrecerle al día siguiente en su email un descuento válido solo durante 24h para que finalice el proceso de la compra que tenía pendiente. No de forma general para todos nuestros clientes, sino personalizado específicamente para él.

Además, esta Inteligencia de Negocio te puede ayudar a valorar una posible automatización de este proceso para la recuperación del carrito de compra, incidiendo directamente, ya no solo en la venta final, sino en la eficacia para conseguirla, ahorrando tiempo y dinero.

Como vemos, almacenar todo tipo de datos y hacernos las preguntas pertinentes es esencial para poder dotar a nuestra estrategia de Inteligencia de Negocio del conocimiento preciso que nos ayude a tomar decisiones importantes.

Pongamos ahora como ejemplo de Inteligencia de Negocio aplicada a gerencia de una empresa de mantenimiento informático, facilitar el cálculo preciso del coste por hora de su departamento de asistencia técnica.

A priori, los datos con los que contamos es el coste de cada uno de nuestros empleados, que es de 2.000 €/mes, después de impuestos, y que el beneficio que queremos obtener de cada técnico es de un 40%.

Sabiendo además que cada técnico trabaja 160 h/mes, la fórmula:

(coste empleado x 1.4) / 160 = precio por hora nos dará un resultado mínimo de 17’5 €/hora que debemos cargar a nuestros clientes por el servicio de asistencia técnica.

Pero estos números son “mágicos”, no se sustentan sobre una base real, sino sobre estimaciones sin tener en cuenta las variantes posibles del día a día, como el tiempo empleado entre llamada y llamada, por ejemplo, que igualmente debería repercutir en el precio final.

Mediante la Inteligencia de Negocio, recabando datos y haciendo mediciones precisas, estos datos finalmente nos darán el conocimiento profundo de lo que realmente ocurre y los tiempos reales, facilitándonos precisar de manera más fiable el precio real que deberemos poner por hora a nuestro servicio técnico.