Uno de los principales desafíos a la hora de pensar la realización de conversiones (en los sitios clásicos de E-commerce, ventas) tiene que ver con las diferentes maneras de pensar y modelar la atribución: esto es, cómo distribuir el crédito del éxito entre las diversas maneras en que los usuarios llegan al sitio. Ahora bien, si pensamos en sitios en los que hay varias operaciones de interés, podemos entender a las acciones realizadas por los usuarios como partes de sus ciclos de vida en el sitio, encontrando relaciones entre ellas y posibilidades de atribuir importancias que vayan más allá del número de cada una realizada.


¿Cuál es el libro que más veces leíste en tu vida? El mío es El principito, de Saint-Exupéry. Estoy seguro de que lo leí más de quince veces. Quizás más de veinte. Pero no es solo eso: El principito es el primer libro que leí. Lo leí veinte veces, pero hay, por lo menos, otros cien libros que en mi vida leí gracias a él. El principito no me dio sólo sus veinte lecturas, me dio por lo menos ciento veinte. Algo parecido podemos hacer con las operaciones en las diferentes plataformas que permiten trazar el comportamiento de los usuarios. Estos realizan operaciones a lo largo de su vida, pero estas se relacionan entre sí, y unas pueden inducir a otras. En esta nota vamos a pensar en eso, y cómo eso impacta en la redistribución de su crédito.

En nuestra primera nota acerca de las plataformas de autogestión (podemos pensar en bancos, sitios de reproducción de videos, portales de universidades), mencionamos entre sus características que en este tipo de sitios no hay una única operación de interés, sino que hay muchos finales felices para cada sesión. Un portal del gobierno puede ofrecerle a los ciudadanos solicitar turnos para trámites, cancelar turnos previamente solicitados, pagar impuestos municipales, inscribirse como presidentes de mesa en las próximas elecciones y tramitar documentos. Al trackear el éxito de estas gestiones como un evento, el Gobierno puede considerarlas como conversiones. Para un mes, supongamos un caso hipotético en el que la cantidad de conversiones fue la siguiente:

¿A quién le corresponde cada operación?

A través de diversas herramientas de analítica digital, podemos superponer segmentos de grupos de usuarios: jugando con los que completaron diferentes gestiones, notamos que habían efectos curiosos en el comportamiento. Muchos de los usuarios que pagaban impuestos, también tramitaban documentos. ¿Puede haber una relación, invisible a simple vista, causa-efecto (efecto network) entre las operaciones? ¿El aleteo de una mariposa se puede sentir del otro lado del mundo?

Se podrían obtener los datos desagregados en BigQuery, pudiendo así obtener para cada usuario su recorrido completo en el tiempo, con las operaciones que fue haciendo en cada oportunidad. Si sumamos todas las operaciones de todos los usuarios en todo momento, obtenemos el gráfico que vimos más arriba. Pero, si vamos más allá y pensamos en posibles efectos de arrastre (incentivos que una hacer una operación genera sobre las demás), tenemos que armar modelos que miren la historia del usuario y distribuyan el valor de sus operaciones. Cada modelo es una regla para distribuir el crédito: similar a los modelos de atribución que comparan la contribución de cada canal de adquisición a las conversiones totales, generamos modelos de reasignación, que piensan en el éxito del sitio como un todo y analizan la contribución de cada operación. Veamos algunos:

Diferentes modelos de re – asignación

  • El modelo de primera interacción atribuye todo el crédito de las operaciones que un usuario hizo a su primera operación. Este modelo considera que la primera vinculación del usuario con el portal es la que motiva todas las demás.
  • El modelo de tipo lineal da igual peso a cada operación que el usuario hizo. Un usuario que realizó 12 operaciones correspondientes a cuatro grupos distintos, considerará 3 para cada grupo sin importar cómo se distribuyó realmente. Esto se apoya en que cuando el usuario realiza una gestión, la incorpora como digital.
  • El modelo de mayor frecuencia es el que le da la totalidad del crédito de las conversiones a la moda, la operación que más hizo. Siguiendo el ejemplo anterior, las 12 operaciones se asignarían a aquella que se haya realizado más veces.
  • El modelo de Markov analiza estadísticamente el efecto negativo que habría tenido la inexistencia de cada operación, y en función de eso asigna el peso de cada una en el total.

Resultados y conclusiones

En el gráfico anterior, se muestra la cantidad de veces que se realizó efectivamente la operación ‘Sacar turno para trámites’ y la atribución que recibe de acuerdo a los distintos modelos mencionados. Si comparamos, por ejemplo, la barra roja (cantidades efectivas) con la barra azul (atribución de acuerdo al modelo de mayor frecuencia), veremos que la diferencia entre ambas es grande, lo que nos quiere decir que no es una operación que se encuentre concentrada (que sea, justamente, frecuente) en cada uno de los ciclos de vida de los usuarios, sino más bien que funciona como la “puerta de entrada” al sitio (por eso vemos que lo atribuido a primera interacción es similar a la cantidad efectiva).

¿Qué modelo elegimos? A partir de ahora la información no se limita sólo al conteo de las operaciones efectivamente realizadas por los usuarios, sino que es posible obtener insights cuando se piensan las acciones al interior de los sitios como relacionadas entre sí, como parte del camino de los usuarios. No existe un modelo mejor que los demás, sino que cada uno nos muestra diferentes maneras de atribuir los créditos, por lo que lo más importante es entender qué nos están diciendo y para qué podemos utilizarlos. Muchas veces cometemos el error de pensar que una operación es poco importante porque no es muy realizada, pero hay otras perspectivas a las que prestar atención: puede estar trayéndonos usuarios nuevos o fidelizando a los actuales. En este sentido, si queremos atraer nuevo público al sitio y, si sabemos que los usuarios tienden a realizar como primera operación el “sacar turno para trámites”, cobra sentido una campaña de marketing enfocada a publicitar dicha modalidad; si nuestro objetivo está puesto en mantener usuarios a lo largo del tiempo, puede no ser efectivo publicitar dicha operación, ya que no es una de las que se realiza con frecuencia dentro del total de operaciones, ni es una que presente efectos negativos sobre la realización de otras en términos del modelo de Markov. Son efectos que a simple vista no se ven: sabemos que lo esencial, a veces, es invisible a los ojos.


Lucas Terranova
Analytics Consultant