La adopción de análisis de cohortes es un medio poderoso para evaluar tendencias, retención y ruta de compra. La colaboradora Megan Taggart explica cómo implementar el modelo en sus informes de búsqueda pagada.
Cuando se informan los resultados de búsqueda de pago, los especialistas en marketing de empresa a empresa (B2B) suelen responder algunas preguntas recurrentes de las partes interesadas, los clientes o los equipos internos:
«¿Por qué veo una afluencia de clics de búsqueda y clientes potenciales, pero no hay oportunidades o cierres?»
«Gastamos USD 15.000 adicionales en búsquedas este mes, entonces, ¿dónde están los resultados?»
«¿Cómo contribuye la búsqueda a la retención?»
Estas son preguntas importantes porque son una prioridad para las partes interesadas. Sin embargo, la capacidad de responder de manera estratégica y correcta a estas preguntas sobre la efectividad de las campañas de búsqueda a lo largo del tiempo requiere capacidades de informes profundos y una sólida comprensión del modelo de atribución de su organización.
Muchos profesionales de la búsqueda son competentes en solo una de estas áreas y, a menudo, representan la mitad de la imagen de búsqueda pagada. Las brechas resultantes en la medición, el análisis, la optimización y la forma en que se gastan los dólares de marketing dejan a las partes interesadas menos que enamoradas de los resultados.
Sin embargo, los profesionales de la búsqueda tienen otras herramientas en la caja de herramientas que pueden equiparlos mejor para responder a las preguntas candentes de los clientes.
La adopción de análisis de cohortes como parte de los informes de búsqueda pagada puede ser un medio poderoso para evaluar tendencias, retención y ruta de compra. También permite una mayor precisión al analizar los resultados de la campaña en un período de tiempo dedicado en función del tiempo que tardan los usuarios en moverse por el embudo.
En esta publicación, cubriremos los conceptos básicos del análisis de cohortes y cómo implementar el modelo en sus campañas según un embudo de generación de leads:
Cliente potencial> Cliente potencial> Oportunidad> Cliente
Definición y comprensión de una ‘cohorte’
En marketing, el término «cohorte» describe segmentos de usuarios que comparten eventos o experiencias específicas dentro de un período de tiempo específico. Las cohortes incluyen compradores, suscriptores de correo electrónico, descargas de prueba y / o demostración o cualquier otra acción de conversión en el embudo.
Independientemente de la segmentación, el valor cobra vida al monitorear estos grupos a lo largo del tiempo para analizar el comportamiento a lo largo del ciclo de ventas.
Sin cohortes, los especialistas en marketing de generación de clientes potenciales se quedan adivinando la «edad» de los clientes en el embudo (cuánto tiempo han estado en el embudo). Entonces, los especialistas en marketing no pueden encontrar un verdadero pulso de retención.
Un análisis típico de los esfuerzos de búsqueda pagada implica mirar los períodos de tiempo resumidos y compararlos con la semana anterior, el mes o algún otro período de tiempo.
Esta es una gran herramienta comparativa, pero no resuelve un problema central: mirar un marco de tiempo resumido incluye datos de gasto que no han tenido tiempo para producir un cliente potencial (o cualquier paso del embudo que estemos viendo).
En otras palabras, estamos inflando nuestras cifras de costo por cliente potencial al incluir el gasto que no contribuyó a los clientes potenciales que estamos viendo. A continuación se muestra una vista de ejemplo de la ruta de clic para el cliente.
Se pueden encontrar promedios de desempeño basados en grupos fijos al comparar múltiples períodos de tiempo, pero este enfoque no tiene en cuenta ningún valor atípico. Ya sea un grupo de compradores habituales, usuarios que abandonan el carrito o un subconjunto que se desvanece durante su viaje, esta combinación de clientes nuevos y antiguos sesga de forma inherente los resultados de los informes.
Si se compara el pipeline promedio por usuario del Black Friday año tras año (YoY), el pipeline promedio por usuario (APPU) puede parecer fantástico ya que el tráfico exponencial impulsa el pipeline, pero ¿qué pasa con los clientes del Black Friday del año pasado? A menos que se empleen esfuerzos efectivos de retención, es probable que esos clientes estén perdiendo valor, pero los informes generales de APPU son más altos que nunca.
Apoyarse únicamente en una métrica como APPU puede ser peligroso a largo plazo porque, en lugar de tener en cuenta el tiempo que los clientes han estado en el embudo, genera ingresos en toda la base de clientes de por vida.
Configurar el flujo de datos
El cambio a un modelo de cohorte requiere una evaluación y un trabajo diligentes desde el principio; es fundamental garantizar que se recopilen datos precisos. Las columnas más importantes de la hoja de cálculo en este caso son las marcas de fecha y hora, como «Fecha de creación original para el cliente potencial» y «Fecha en que el cliente potencial se transformó en su siguiente etapa» (piense en el cliente potencial, la oportunidad, el cliente, la fecha de la primera compra y pronto).
Las fechas permiten medir el tiempo que tardan los usuarios en moverse a través del embudo y aplicar ese conocimiento a los informes e información de búsqueda pagada.
A continuación, se muestra una lista de columnas ideales para un informe de «oportunidades»:
- Fecha de creación del cliente potencial.
- Fecha de creación de la oportunidad.
- ID de cliente potencial.
- Fuente.
- Campaña.
- Término.
Tiempo a través del embudo
Una vez que fluyen los datos correctos y está disponible una ventana al pasado estadísticamente significativa de resultados para revisar, es hora de analizar el tiempo que tardan nuestros usuarios en pasar por el embudo de ventas desde la búsqueda paga.
Queremos comprender el tiempo necesario para que un cliente potencial original se convierta en un cliente potencial calificado, una oportunidad y, finalmente, un cliente.
Para configurar un análisis de cohorte con datos amplios, por lo general, apunte a una ventana de datos de seis a 12 meses. Es vital tener un intervalo de fechas lo suficientemente amplio para no desinformar la contribución de la búsqueda pagada al programa de marketing.
Comenzaremos por la parte inferior para volver a los resultados que queremos responder al final:
- Días entre prospectos y prospectos.
- Días entre el plomo y la oportunidad.
- Días entre el cliente potencial y el cliente.
Encontrar la diferencia de fecha entre el cliente potencial y el cliente potencial es bastante sencillo. Tome la fecha de creación del prospecto (la fecha en que el prospecto se convirtió en prospecto) y reste la fecha de creación del prospecto. Repita para todos los clientes potenciales y asegúrese de excluir los valores atípicos importantes.
Para generar una oportunidad, puede ser prudente trabajar en un documento separado para evitar la confusión de datos. Tome la fecha en que el cliente potencial se convirtió en una oportunidad y reste la fecha de creación del cliente potencial original. Como era de esperar, esta diferencia de fecha podría ser mucho más larga que la del cliente potencial.
Repite el proceso con los clientes.
Después del análisis, tendrá una buena idea de cuánto tardan los clientes potenciales en moverse por cada etapa. Incluso puede sorprenderse de lo largo que es el ciclo de ventas en un caso dado. De inmediato, puede saber por qué las vistas semana tras semana pueden no funcionar bien para algunas campañas de generación de clientes potenciales según el tiempo que realmente lleva la progresión a través del embudo.
Seleccionar un percentil
El modelo de cohorte se puede utilizar para realizar optimizaciones de búsqueda más rápidas e inteligentes.
No es práctico (ni necesario) esperar a que el 100 por ciento de nuestros clientes potenciales pasen por el embudo antes de tomar decisiones. Elija el percentil correcto para usar en su lugar.
Por ejemplo, tomar el percentil 75 ayudará a determinar cuántos días se necesitan para que el 75 por ciento más rápido de nuestros clientes potenciales de búsqueda pagada se mueva a través del embudo. Esto puede reducir significativamente los días entre etapas de análisis anteriores, pero está bien. Sabemos que el resto de nuestros clientes potenciales pasarán a la siguiente etapa en algún momento. Recuerde, nuestro objetivo es tomar decisiones acertadas rápidamente.
Trabajar dentro de una ventana de tiempo más corta requerirá un costo por objetivos ligeramente más alto para dar cuenta de los clientes excluidos del modelo.
Otro ejemplo: si el objetivo es un costo de $ 750 por cliente y estamos trabajando con el percentil 75, queremos aumentar ese objetivo a $ 1,000. Si tuviéramos que esperar a que todos nuestros clientes se filtraran, terminaríamos con un mejor costo por número que si solo estuviéramos viendo el 75 por ciento más rápido.
Si la idea de trabajar con un percentil suena difícil, recuerde que trabajar con promedios y un modelo que no es de cohorte ya es inexacto. Nuestro objetivo es tomar decisiones de optimización reales con datos precisos lo más cerca posible del tiempo real.
Una vez que se hayan definido un marco de tiempo y un percentil, evite incluir prospectos, oportunidades o clientes que tarden más que el período de tiempo dedicado para convertir.
Si la ventana del cliente es de 30 días, y un cliente tarda 45 días en llegar, incluir ese cliente en la ventana del percentil 75 inflaría artificialmente los números de modelo. Estos deben residir en otra parte de una tabla resumen, no en el modelo de toma de decisiones de cohortes.
Desarrollo de informes y resultados de informes
La clave para desarrollar informes precisos es garantizar que los clientes potenciales, las oportunidades y los clientes no sean informados fuera de sus ventanas de tiempo.
Esto significa que si la ventana de un cliente es de 30 días, no vemos ningún resultado de cliente a menos que tengan 30 días y hayan tenido ese tiempo para madurar. Para obtener un costo por cliente preciso en este caso, también queremos excluir el gasto de los últimos 30 días.
Solo deberíamos ver el gasto en la ventana de vencimiento para nuestros clientes u oportunidades.
Después de la configuración, estará disponible la vista más precisa para el volumen, el costo por números y las tasas de conversión a través del embudo.
Lo más probable es que salga a la luz que el rendimiento no se informa porque hay días de gasto contabilizado, mientras que el volumen de clientes potenciales aún no se ha puesto al día. Con la nueva vista, puede comenzar a tomar decisiones basadas en los datos más precisos con los que ha tenido la oportunidad de trabajar.
En el ejemplo anterior, el análisis ha indicado que el 75 por ciento más rápido de los clientes potenciales se dirige a los clientes dentro de los seis meses. Dada esta información, las métricas del canal solo se pueden ver durante los meses uno y dos al analizar el costo por cliente.
Para conocer el costo por oportunidad, las métricas del canal se pueden ver del mes uno al cinco. Nuestros clientes potenciales se pueden analizar casi en tiempo real.
Aplicación de análisis de cohortes para búsqueda pagada
Pronóstico. Comprender el flujo y la evolución de las cohortes de búsqueda pagada en correlación con la canalización o los ingresos hace que sea mucho más fácil pronosticar el comportamiento de un nuevo subconjunto de clientes.
Estrategia de retención. ¿Deberías hacer más después de la compra? La comparación de cohortes por día, semana o mes de adquisición por los ingresos generados por ese grupo durante los próximos seis a 12 meses arrojará luz sobre los cambios en los hábitos de compra y participación. Si la canalización o las compras repetidas no aumentan, puede ser mejor implementar una estrategia de retención o re-participación para guiar a los usuarios de regreso al viaje de ventas.
Estacionalidad. La evaluación de la fecha del primer cliente / compra en comparación con la compra repetida o el flujo total resaltará a los usuarios que caen después de un feriado o una temporada alta. El uso de estos datos puede ayudar a informar a los especialistas en marketing si deben duplicar la post-temporada.
Comportamientos de compra geoespecíficos. Si emplea iniciativas de búsqueda pagas internacionales o geo-enfocadas, la medición de los ingresos incurridos mes tras mes por ubicación dejará en claro dónde prospera el valor de por vida (LTV) o se sumerge por región.
Los modelos de análisis varían mucho y cambiar a un modelo o análisis de cohorte puede ser una decisión importante. Para muchos especialistas en marketing, este movimiento es necesario para trabajar con campañas de generación de leads.
La implementación del análisis de cohortes en los informes de búsqueda pagada es a menudo un medio poderoso para trazar verdaderas tendencias a largo plazo de retención, abandono y atribución a un nivel más granular y, lo que es más importante, sacar a la luz oportunidades dentro de los programas de búsqueda pagada.
Las opiniones expresadas en este artículo pertenecen al autor invitado y no necesariamente a El Blog informatico. Los autores del personal se enumeran aquí.