modulo web analytics. clasenº1. prof. gustavo saientz. fecha: 16-06-2010
DESCRIPTION
Módulo: Web AnalyticsClase Nº1Prof. Gustavo SaientzFecha: 16-06-2010TRANSCRIPT
![Page 1: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/1.jpg)
Curso de Web AnalyticsAnálisis del tráfico y comportamiento on-line
16 de Junio de 2010
Gustavo [email protected]
![Page 2: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/2.jpg)
INTRODUCCION A WEB ANALYTICS
![Page 3: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/3.jpg)
¿POR QUÉ ES IMPORTANTE?Contexto
![Page 4: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/4.jpg)
Internet es un medio masivo
3750MVentas por eCommerce 2008
Población 40.9MUsuarios de Internet 20M
Tiempo Online 32.4h
91%% Compradores Online
Penetración de Internet 49%
![Page 5: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/5.jpg)
Es altamente medible y en tiempo real
![Page 6: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/6.jpg)
Internet refleja lo que sucede fuera de línea
37%37%
17%17%
20%20%
30%30%
67% de las búsquedas online son realizadas para informarse al respecto de una empresa, producto, servicio o slogan derivado de algún canal Offline.
![Page 7: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/7.jpg)
Internet refleja lo que sucede fuera de línea
67% de las búsquedas online son realizadas para informarse al respecto de una empresa, producto, servicio o slogan derivado de algún canal Offline.
![Page 8: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/8.jpg)
Estudia al universo completo de personas
VS
![Page 9: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/9.jpg)
Internet es flexible
![Page 10: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/10.jpg)
¿QUÉ ES WEB ANALYTICS?Definiciones
![Page 11: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/11.jpg)
¿50.000 Usuarios únicos?
![Page 12: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/12.jpg)
¿1.000.000 Page Views?
![Page 13: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/13.jpg)
¿50.000.000.000 Hits?
![Page 14: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/14.jpg)
¿Qué NO es web analytics?
• No son visitas a un sitio
• NO es un software
• NO es un conjunto de reportes
• NO es una herramienta
• NO es un sinónimo de “Google Analytics”
![Page 15: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/15.jpg)
¿Qué es Web Analytics?
Se conoce como “Web Analytics” al conjunto de técnicas, metodologías y herramientas que permiten medir, analizar y entender el comportamiento de los usuarios en la web, con el propósito de introducir mejoras en nuestras estrategias que tiendan a maximizar el cumplimiento de los objetivos del negocio.
Captura Procesamiento Análisis Reporte de datos
![Page 16: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/16.jpg)
OBJETIVOSEstrategia de implementación
![Page 17: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/17.jpg)
Definición de Objetivos
• Definir objetivos propios del Negocio y NO de Tráfico Web.
• Deben ser Medibles.
• Puede definirse objetivos secundarios propios de Internet.
Ejemplos:•Incrementar las ventas•Generar una base de datos de prospectos•Generar Awareness de una nueva marca•Fidelizar al cliente con una determinada marca o producto
Ejemplos:•Incrementar las ventas•Generar una base de datos de prospectos•Generar Awareness de una nueva marca•Fidelizar al cliente con una determinada marca o producto
![Page 18: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/18.jpg)
INDICADORESEstrategia de implementación
![Page 19: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/19.jpg)
KPI: Key Performance Indicators
DEFINICIÓN: Los indicadores clave de desempeño son métricas financieras o no financieras, utilizadas para cuantificar objetivos que reflejan el rendimiento de una organización. Estos indicadores son utilizados en inteligencia de negocio para asistir o ayudar al estado actual de un negocio a prescribir una línea de acción futura. Fuente: Wikipedia
![Page 20: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/20.jpg)
Elección de indicadores (KPI / KSI)
• Se deberán definir indicadores clave para cada objetivo planteado.
• Deben reflejar el éxito o fracaso del objetivo planteado.
• Deben derivar en acciones concretas de optimización.
• No utilizar indicadores que no respondan a una pregunta del negocio.
Ejemplos:•Incrementar las ventas Cantidad de transacciones / Monto facturado•Generar base de datos de prospectos Cantidad de personas registradas•Generar Awareness de una nueva marca Indice de difusión•Fidelizar al cliente Indice de fidelización
Ejemplos:•Incrementar las ventas Cantidad de transacciones / Monto facturado•Generar base de datos de prospectos Cantidad de personas registradas•Generar Awareness de una nueva marca Indice de difusión•Fidelizar al cliente Indice de fidelización
![Page 21: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/21.jpg)
NIVELES DE DATOSIntroducción a los Datos en Web Analytics
![Page 22: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/22.jpg)
Niveles de datos
Nivel Operativo básicoNivel Operativo básicoNivel Operativo medioNivel Operativo medio
Nivel estratégicoNivel estratégico
3 niveles de datos que proporcionan información distintos perfiles en la organización
![Page 23: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/23.jpg)
Counts (conteo): poco procesamiento
• Hits (no se usa más): Cada petición realizada al servidor Web, ya sea un archivo html, una imagen, un script, un archivo flash, etc.
• Pageview (página vista): Cada página descargada desde el servidor web.
• Visitas:Sesiones de navegación de un usuario que permanece por un determinado tiempo en el sitio.
• Visitantes / Usuarios únicosUsuarios identificados unívocamente que visitan un sitio en una o varias sesiones diferentes.
Nivel O
perativo básicoN
ivel Operativo básico
![Page 24: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/24.jpg)
Counts (conteo): poco procesamiento
• Transacciones• Pedidos• Registros• Búsquedas• Clicks• Impresiones• Vistas de videos• Etc.
Nivel O
perativo básicoN
ivel Operativo básico
![Page 25: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/25.jpg)
Indicadores: algo de procesamiento
• Páginas por visita• Visitas por visitante• Tiempo de sesión• Tiempo por página• Búsquedas por visita• Etc.
Nivel O
perativo medio
Nivel O
perativo medio
![Page 26: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/26.jpg)
KPI: mayor procesamiento
• Stikiness• Freshness factor• Success In Finding Employment After Graduation• Etc.
Nivel estratégico
Nivel estratégico
![Page 27: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/27.jpg)
FUENTES DE INFORMACIÓNAdquisición de datos
![Page 28: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/28.jpg)
Pensamiento sistémico
Las 5 categorías de acuerdo a Russell Ackoff:
![Page 29: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/29.jpg)
Sistemas de información
Un sistema de información (SI) es un conjunto de elementos orientados al tratamiento y administración de datos e información, organizados y listos para su posterior uso, generados para cubrir una necesidad (objetivo).
![Page 30: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/30.jpg)
Sistemas de información
Fuentes primarias de información:
• Generadas por la empresa con un objetivo particular
• Se conoce la metodología
Fuentes secundarias de información:
• Generadas por terceros
• Son útiles para la organización pero se desconoce su metodología.
![Page 31: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/31.jpg)
Ejemplos…
• ¿Qué fuentes primarias de información conocen?
• ¿Qué fuentes secundarias de información conocen?
![Page 32: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/32.jpg)
Posibles fuentes de información
• Herramienta de Web Analytics
• Sistema de Encuestas online• Plataforma de E-Mail
Marketing• Ad-Server• CRM
Ad ServerAd Server
E-Mail MarketingE-Mail Marketing
Web
Dat
aW
eb D
ata
Surv
ey T
ool
Surv
ey T
ool
![Page 33: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/33.jpg)
HERRAMIENTASAdquisicón de datos
![Page 34: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/34.jpg)
Herramientas de Web Analytics¿Cómo capturar y procesar los datos necesarios para alcanzar la sabiduría?
Fuentes primarias (on-site):
Fuentes secundarias (off-site):
![Page 35: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/35.jpg)
Tipos de herramientas
Web LogsWeb Logs
Web Server
Logs Tags
Web Server
HerramientaWeb Analytics
HerramientaWeb Analytics
![Page 36: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/36.jpg)
Procesamiento de Log Files
• Ventajas:– El servidor SIEMPRE genera un Log file– Se capturan todas las transacciones realizadas (no
solo PV)– Se puede mantener un histórico para ser procesado /
analizado con cualquier herramienta– El método es independiente de las características del
navegador/computadora/plataforma del usuario
![Page 37: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/37.jpg)
Procesamiento de Log Files
• Desventajas:– El procesamiento de los logs puede demorar varias
horas o días.– Generalmente se debe tener acceso “físico” al
servidor para acceder al log.– No es posible capturar datos como resolución de
pantalla, colores, plugins instalados, etc.
![Page 38: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/38.jpg)
Ejemplo de Log File
123.123.123.123 - - [26/Apr/2000:00:23:48 -0400] "GET /pics/wpaper.gif HTTP/1.0" 200 6248 "http://www.jafsoft.com/asctortf/" "Mozilla/4.05 (Macintosh; I; PPC)" 123.123.123.123 - - [26/Apr/2000:00:23:47 -0400] "GET /asctortf/ HTTP/1.0" 200 8130 "http://search.netscape.com/Computers/Data_Formats/Document/Text/RTF" "Mozilla/4.05 (Macintosh; I; PPC)" 123.123.123.123 - - [26/Apr/2000:00:23:48 -0400] "GET /pics/5star2000.gif HTTP/1.0" 200 4005 "http://www.jafsoft.com/asctortf/" "Mozilla/4.05 (Macintosh; I; PPC)" 123.123.123.123 - - [26/Apr/2000:00:23:50 -0400] "GET /pics/5star.gif HTTP/1.0" 200 1031 "http://www.jafsoft.com/asctortf/" "Mozilla/4.05 (Macintosh; I; PPC)" 123.123.123.123 - - [26/Apr/2000:00:23:51 -0400] "GET /pics/a2hlogo.jpg HTTP/1.0" 200 4282 "http://www.jafsoft.com/asctortf/" "Mozilla/4.05 (Macintosh; I; PPC)”123.123.123.123 - - [26/Apr/2000:00:23:51 -0400] "GET /cgi-bin/newcount?jafsof3&width=4&font=digital&noshow HTTP/1.0" 200 36 "http://www.jafsoft.com/asctortf/" "Mozilla/4.05 (Macintosh; I; PPC)"
![Page 39: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/39.jpg)
Page Tagging
• Ventajas:– Relativamente fácil de instalar– Permite ser utilizado mediante servicio hosteados
externamente (modo ASP)– Permite medir “eventos” que no son ejecutados en
el servidor (AJAX, Flash, etc)
![Page 40: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/40.jpg)
Page Tagging
• Desventajas:– Si el usuario interrumpe la carga de la página, esta
puede no ser contabilizada.– En sitios con varios dominios o sub-dominios, la
implementación es mucho más compleja.– Si se cambia de herramienta, no se puede acceder a
un histótico.
![Page 41: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/41.jpg)
Ejemplo de Tag (Yahoo Web Analytics)
![Page 42: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/42.jpg)
OTRAS HERRAMIENTASAdquisición de datos
![Page 43: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/43.jpg)
On exit survey
![Page 44: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/44.jpg)
On exit survey
![Page 45: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/45.jpg)
On exit survey
Customer Driven OptimizationCustomer Driven Optimization
![Page 46: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/46.jpg)
E-Mail Marketing tools
![Page 47: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/47.jpg)
Checklist
Definición de objetivos
Elección de indicadores (KPI / KSI)
Adquisición de datos (herramientas)
¿Y AHORA…?
![Page 48: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/48.jpg)
ANALISIS DE DATOSRegla 10/90
![Page 49: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/49.jpg)
Regla 10 / 90 (Avinash Kaushik)
Cada 10 dólares que invertimos en herramientas, deberíamos invertir 90 en análisis de los datos (inteligencia).
![Page 50: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/50.jpg)
ACCIONAR SOBRE LAS METRICASOptimización de resultados
![Page 51: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/51.jpg)
Conversion Path
• Es el camino que sigue un usuario para convertir el objetivo de su visita.
• Generalmente consta de varios pasos y se representa con un embudo (o funnel).
ObjetivoObjetivo1122
33
44
55
66
![Page 52: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/52.jpg)
Funnel / Conversion rates
10%
40%
CTR: 1%
BannerBanner
Micro conversiones
5%
Impresiones: 1 millón
Visitas: 10 mil
Visitas: 1000
Visitas: 400
Ventas: 20
20 x $100 = $2.000
Conversión
![Page 53: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/53.jpg)
Funnel / Conversion rates
12%
45%
CTR: 1.5%
Banner 2Banner 2
Micro conversiones
8%
Impresiones: 1 millón
Visitas: 15 mil
Visitas: 1800
Visitas: 810 (x2)
Ventas: 64 (x3)
64 x $100 = $6.400 (+320%)
Conversión
![Page 54: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/54.jpg)
Experimentar
• A/B Test• Experimentos multi-variable• Mix de medios• Comunicación• Estrategia de precios• Ofertas y promociones
Medir siempre el resultado de los experimentos y pruebas
Medir siempre el resultado de los experimentos y pruebas
![Page 55: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/55.jpg)
Aprender y ejecutar
• Buscar conclusiones relevantes al negocio
• Aprender de lo bueno y de lo malo
• Tomar acciones que puedan influir sobre los KPIs elegidos
• Cada pequeño cambio puede hacer una gran diferencia
![Page 56: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/56.jpg)
EN RESUMEN…Web Analytics
![Page 57: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/57.jpg)
Resumen
• Web Analytics es acerca del Negocio y no del tráfico
• Objetivos Datos Análisis Conclusiones Acciones
• Hacer foco en el Análisis más que en la Herramienta
• Incorporar la medición a la cultura de la organización
• Hay que estar dispuesto a probar y equivocarse
• El análisis web es un proceso de mejora continua
![Page 58: Modulo Web Analytics. ClaseNº1. Prof. Gustavo Saientz. Fecha: 16-06-2010](https://reader037.vdocuments.us/reader037/viewer/2022110308/558393d7d8b42af07a8b4dfa/html5/thumbnails/58.jpg)
¡Gracias por su atención!
¡Gracias por su atención!¿Preguntas?