En Cyberclick nos pasamos la vida destacando la importancia del data analytics en inbound marketing.
Consideramos que es fundamental poder medir lo que está pasando en todas nuestras campañas y que esta medición debe estar detrás de la estrategia y las decisiones que tomemos desde el principio.
Pero acumular datos sin ton ni son tampoco nos sirve. Hoy en día podemos medirlo casi todo, pero eso no quiere decir que todo nos interese. Hay que evitar caer en la "parálisis por análisis" y centrarnos en obtener la información más importante y en aplicarla a nuestra estrategia.
Por eso, en este artículo vamos a ver por qué el data analytics es importante en inbound marketing, qué métricas deberíamos estar analizando y cómo hacerlo de manera efectiva. ¡Empezamos!
Para aprovechar mejor la inversión. Si medimos los resultados de nuestras campañas con precisión, podremos saber dónde se está gastando dinero y si estamos recuperando la inversión o no. También podremos establecer cuáles son las acciones más efectivas y cuáles no merecen la pena. Así, iremos ajustando progresivamente nuestro presupuesto y siendo cada vez más rentables.
Para conocer de verdad a nuestros clientes potenciales. En el mundo del inbound marketing muchas veces creamos campañas basándonos en una mezcla de buyer personas, buenas prácticas, intuiciones... pero hasta que no las ponemos en marcha, no podemos saber realmente qué funciona y qué no. Pero no podemos ver las reacciones de nuestros usuarios, y muchas veces su feedback se limita a unos pocos comentarios. Por tanto, la manera de comunicarnos realmente con ellos, de saber lo que les gusta y lo que no, es analizar los datos sobre su comportamiento.
Para mejorar continuamente nuestras campañas. La mejora y el aprendizaje continuos (¡con su dosis correspondiente de errores!) es una de las máximas para avanzar en inbound marketing. Mediante experimentos controlados y análisis de métricas, podemos ir viendo cuáles son las tácticas que mejor funcionan con cada target y adaptando nuestras campañas para incorporarlas.
Para detectar errores. Aunque sigamos las mejores prácticas a la hora de crear nuestra web y demás materiales de marketing online, siempre hay cosas que se nos escapan: un formulario poco optimizado, un vídeo que tarda en cargar, un botón que no funciona bien desde móviles... Cuando ponemos en marcha el data analytics, muchas veces pasa que vemos claramente que una página no funciona todo lo bien que debería. A partir de ahí, podemos analizar qué está pasando y corregir el error que está afectando negativamente a los resultados.
Para comunicarnos con clientes, jefes y compañeros. Contar con informes de data analytics regulares es un instrumento muy valioso para informar de lo que está pasando en nuestras campañas. Así, nos resultará mucho más fácil explicar al cliente a qué se destina realmente el presupuesto, decidir con el jefe los siguientes pasos a seguir o comentar a los compañeros de otros departamentos lo que necesitamos de ellos.
Como ya sabes, las campañas de inbound marketing suelen dividirse en tres fases: TOFU o top of the funnel, MOFU o middle of the funnel y BOFU o bottom of the funnel. Cada una de ellas tiene una serie de métricas asociadas que nos ayudarán a saber lo que está ocurriendo. Vamos a ver cuáles son las más importantes en cada etapa.
En la fase TOFU, el usuario está en las primeras etapas del proceso: acaba de reconocer que tiene una necesidad y se plantea buscar soluciones.
Tráfico: toda estrategia de inbound marketing parte de conseguir que los usuarios visiten nuestra web. Pero el número en bruto de visitas es solo parte de la historia. Para entender realmente el tráfico web, tenemos que analizar el número de sesiones, los usuarios únicos, las páginas vistas, la duración de las sesiones, el rebote... Todo ello nos servirá para entender cómo se comportan los visitantes en nuestra web y si debemos tomar alguna medida para mejorar la calidad de las visitas.
Engagement en redes sociales: aunque no es fácil vincular las métricas de engagement en redes sociales a los resultados de negocio, eso no quiere decir que tengamos que perderlas de vista. El social media es un gran canal para distribuir nuestro contenido y atraer usuarios nuevos, y su estado de salud se mide a través de las impresiones, los clics y las reacciones de los usuarios.
Enlaces entrantes: esta es otra métrica "secundaria" pero importante para evaluar los resultados de nuestro SEO en Inbound Marketing. Los enlaces entrantes no solo atraen a los visitantes que hacen clic en ellos, sino que son como un voto de confianza de otras web que nos ayuda a mejorar nuestro posicionamiento orgánico en Google.
Conversión de tráfico a leads: cuando un usuario nos deja sus datos, pasa a convertirse en un lead y avanza a las fases siguientes del embudo de conversión. De hecho, podríamos decir que el objetivo principal de las webs dentro de una estrategia de inbound marketing es generar leads. Pero no todos los leads son iguales: tenemos que distinguir entre los leads que podemos descartar, los que están cualificados para marketing y los que están cualificados para ventas.
Aquí el usuario está considerando diferentes maneras de resolver su necesidad, entre las que se encuentra nuestra marca.
Calidad y ratios de conversión de los leads: aquí estudiaremos en detalle cuál es la proporción de cada tipo de leads y, sobre todo, cómo están avanzando de un estado a otro. Esto es, cuántos de los usuarios que nos dejan sus datos pasan a convertirse en un contacto cualificado para marketing y cuántos de estos se convierten a la vez en contactos cualificados para que el equipo de ventas empiece a trabajar con ellos. Así, iremos avanzando paso a paso en el embudo de conversión hasta tener a los usuarios listos para comprar.
Métricas de email marketing. Dentro del email marketing caben muchos tipos de campañas diferentes, cada uno con sus propias métricas y con diferentes roles dentro del embudo de conversión. Pero he decidido colocar el email marketing dentro de la fase MOFU por la gran importancia que tiene en las estrategias de lead nurturing. Mediante el envío de publicaciones regulares a la base de contactos, podemos ir convirtiendo los leads en leads cualificados para marketing y ventas y guiándoles en el camino hacia la conversión. Si este proceso no funciona como debería, quizá sea la hora de echar un vistazo a nuestra estrategia de segmentación.
Por último, tenemos la fase BOFU, en la que el usuario ya está listo para comprar
Coste de adquisición: una vez que hayamos conseguido que el usuario se convierta en un cliente, podremos saber cuál ha sido el coste. Para ello, dividiremos la inversión en la campaña entre el número de clientes conseguidos. El coste por adquisición es una de las métricas más cruciales para la rentabilidad de nuestro marketing, por lo que conviene estar siempre al tanto y buscar maneras de que sea lo más bajo posible.
Aumento de ventas: aquí medimos si hemos conseguido el objetivo estrella de todas las marcas, esto es, "vender más". Con una buena estrategia de data analytics, podremos ver todo el viaje del cliente desde el primer contacto hasta la venta y saber si nuestras campañas de marketing digital están contribuyendo realmente a aumentar las ventas.
ROI: muy ligada a las dos anteriores, esta es la métrica que nos dice si hemos conseguido recuperar el presupuesto invertido. Aquí podemos encontrar muchísima información útil analizando el ROI de cada canal o incluso de cada anuncio de manera separada, para ver cuáles han funcionado mejor y redistribuir nuestro presupuesto en función de los resultados.
Valor de tiempo de vida del cliente: esta es la métrica que nos permite saber si adquirir clientes nuevos nos sale "caro" o "barato", ya que nos dice cuánto vamos a ganar de media por cada cliente. Para calcularlo, necesitamos saber el importe medio de una compra y las veces que compra el usuario mientras es cliente de la marca.
En el apartado anterior hemos visto un montón de métricas que pueden resultarnos útiles para medir los resultados de nuestro inbound marketing, pero nos falta un marco de trabajo en el que aplicarlas para mejorar nuestros resultados. Así pues, vamos a ver un sencillo método paso a paso para mejorar nuestras campañas con data analytics.
En primer lugar, necesitas saber qué quieres conseguir o qué problema necesitas resolver. Solo así podrás saber qué datos necesitas realmente y en qué contexto tienes que analizarlos. Si mides los datos equivocados o los interpretas de manera incorrecta, estarás llegando a conclusiones equivocadas y desviándote del camino a seguir.
Por tanto, pregúntate qué es lo que quieres conseguir. Puede tratarse de un problema general, pero necesitas poder vincularlo a un KPI concreto, como los leads, las ventas o el ratio de conversión.
Por ejemplo: "creo que mi página web no está dando los resultados que debería y me gustaría conseguir más leads con ella".
Ahora que ya tienes claro cuál es el problema y qué quieres conseguir, necesitas un objetivo concreto y cuantificable para determinar si lo estás consiguiendo o no. Los objetivos y las comparativas (por ejemplo, el ratio medio de conversión a leads en tu sector o en campañas anteriores) le dan contexto a los datos y nos ayudan a interpretarlos.
Podemos establecer objetivos dentro de un margen de error, por ejemplo, marcarnos un primer objetivo asequible, uno más ambicioso y un tercero que sería la situación ideal. Usando estas cifras como referencia, sabremos qué y cuánto tenemos que mejorar.
Siguiendo con el ejemplo de antes, podemos analizar los datos de nuestras landing page. Así, vemos que una de ellas atrae una gran cantidad de tráfico pero el ratio de conversión es solamente del 1%. Al compararla con el resto del sitio, vemos que las mejores landing page de nuestra web consiguen un 5% de conversiones, así que decidimos centrarnos en mejorar el ratio de esta landing page en particular en lugar del tráfico web en general. Basándonos en estas cifras, podemos establecer un objetivo mínimo de duplicar el ratio de conversión al 2% y uno ideal de alcanzar el 6%.
En esta fase, la precisión es fundamental. Para llegar a la conclusión correcta y poner en marcha las medidas adecuadas, nuestras herramientas de data analytics tienen que ser fiables y darnos los datos en un formato fácil de interpretar.
Para que esto suceda, tenemos que trabajar mano a mano con el equipo informático, para asegurarnos de que tenemos instalados todos los plugins, píxeles, códigos de seguimiento y otras herramientas. También necesitamos contar con una plataforma de analíticas (como Google Analytics) que nos permita analizar los datos que estamos obteniendo.
Basándonos en la información que hemos recopilado, ha llegado el momento de empezar a hacer cambios. La manera de trabajar más eficiente es formular hipótesis y hacer experimentos mediante tests A/B o multivariable.
Por ejemplo, podemos pensar que la landing page de nuestro ejemplo convertiría mejor si tuviera un formulario más corto y un vídeo explicativo del producto. Para ver si esto es cierto, vamos a probar los cambios uno a uno mediante tests A/B.
En el primer test, lanzamos una versión de la landing con el formulario acortado y en otra mantenemos el original, dirigiendo la mitad del tráfico a cada una de ellas. Vemos que la versión con el formulario más corto consigue aumentar el ratio de conversión hasta un 2,5%, así que nos quedamos con ella.
A continuación, probamos una versión de la nueva landing con vídeo y otra sin vídeo. Una vez más, vemos que habíamos acertado, ya que la landing con el formulario más corto y con vídeo ha conseguido aumentar el porcentaje de conversión hasta el 4%. ¡Objetivo conseguido!