Métricas proxy en el comercio electrónico. Parte 3

La tercera y última parte es más aplicada. En ella, hablaremos de cómo seleccionar métricas que tengan sentido desde una perspectiva empresarial y utilizarlas para tomar decisiones que aumenten el LTV de los usuarios y, con ello, los ingresos a largo plazo de una tienda online.Interpretar las métricas proxy resultantes desde una perspectiva empresarialRecordemos que en la Parte 2 seleccionamos las siguientes métricas proxy:

• Número de pedidos;
• Correo electrónico dejado por el visitante;
• Tipo de navegador;
• Tipo de dispositivo;
• Duración de la última visita al sitio
• Número de productos diferentes vistos;
• Duración de la interacción del usuario con el sitio en días (diferencia en días entre la primera y la última visita);
• Número de consultas en el motor de búsqueda del sitio;
• Número de productos añadidos al carrito.
  

No hace falta que expliquemos la presencia de atributos relacionados con los pedidos en nuestra lista; su influencia en el LTV es clara: según el análisis RFM, cuantos más pedidos haya realizado un usuario, más fiel es a la empresa y más probable es que siga comprándole en el futuro.

Ahora intentemos explicar cómo los demás atributos pueden predecir el LTV:

El visitante dejó un correo electrónico. El hecho de que un cliente haya entregado sus datos de contacto es una clara señal de fidelidad a la tienda. En algunas tiendas, no se puede hacer un pedido sin dejar un correo electrónico, y se podría suponer que el correo electrónico dejado es sólo una consecuencia del pedido. Pero hemos hecho pruebas y hemos descubierto que dejar un correo electrónico sin realizar un pedido puede tener un impacto positivo en el LTV futuro. Esto se debe probablemente al hecho de que conociendo el correo electrónico del usuario, la tienda puede comunicarse con él, incentivando nuevas compras. Sin embargo, en este caso depende mucho de la eficacia de los correos.

Tipo de navegador. Esta métrica puede influir en el LTV, y para cada tienda será diferente: los usuarios de Safari son más propensos a realizar una compra en una tienda, mientras que los de Firefox lo son en otra. Puede depender de la categoría de productos de la tienda. Por ejemplo, si una tienda tiene un gran surtido de productos Apple, es probable que los usuarios de Safari sean más fieles a ella. Otra razón es que el sitio tenga un aspecto y un funcionamiento diferentes según el navegador.

Tipo de dispositivo. Esencialmente, aquí sólo hay dos opciones: ordenador y smartphone. En muchas tiendas vemos que los clientes que utilizan un ordenador tienen más probabilidades de comprar en el futuro. Esto puede deberse al hecho de que es más cómodo hacer pedidos desde él y, en general, utilizar el sitio que desde un dispositivo móvil.

El tiempo transcurrido desde la última visita al sitio. Esta métrica está directamente relacionada con la fidelidad del usuario. Por ejemplo, si una persona lleva más de dos meses sin visitar el sitio, es posible que ya lo haya olvidado o que no haya encontrado un producto de su interés, por lo que es poco probable que vuelva en el futuro.

El número de productos diferentes vistos. Cuantos más productos diferentes haya visto el usuario, mayor será el tamaño efectivo del catálogo y más familiarizada estará la persona con la tienda y mayor será la probabilidad de que se acuerde de ella cuando quiera comprar algo.

Duración de la interacción del usuario con el sitio en días. Si una persona visita el sitio durante mucho tiempo en días diferentes, indica que la tienda online es interesante para el usuario y sabe que puede encontrar en ella los productos que necesita.

El número de solicitudes al motor de búsqueda del sitio. La interacción regular del usuario con el motor de búsqueda de la tienda online indica que funciona y ayuda bien al usuario a resolver sus tareas.

El número de productos añadidos al carrito. Este atributo puede correlacionarse con los atributos relacionados con los pedidos, ya que algunas de las cestas se transforman en pedidos. Pero su cobertura puede ser mucho mayor si la tienda tiene muchas “cestas abandonadas”, es decir, pedidos incompletos. A continuación mostraremos por qué añadir un artículo a la cesta incluso sin un pedido posterior es un acontecimiento positivo para la tienda.

Resumamos la conclusión intermedia: todos estos signos hablan en mayor o menor medida de la actividad del usuario en el sitio y de su fidelidad a la tienda online. Sobre la base de ellos, se puede construir un modelo que será fácil de interpretar y utilizar en el futuro.
Modelo de predicción de LTV mediante métricas proxy y formación del criterio de evaluación global (OEC)
Hemos construido un modelo de regresión logística. Al hacerlo, para cuantificar la fuerza de cada atributo en la predicción del LTV a partir de los coeficientes del modelo, los hemos normalizado todos y los hemos llevado así a una escala común.
Para averiguar la probabilidad de realizar una compra en el futuro, tenemos que tomar una combinación lineal de atributos y aplicarle una función sigmoidal. Esta combinación lineal puede utilizarse para hacer un OEC (término que introdujimos en la primera parte del estudio. En esencia, es lo que la tienda necesita optimizar para alcanzar sus objetivos a largo plazo).

Puede utilizar el modelo OEC directamente. Por ejemplo, realizar un experimento, medir la diferencia de rendimiento entre dos segmentos, sustituir estas diferencias en una combinación lineal y ver en qué sentido cambia la OEC.
Puede simplificar: observe los cambios en las métricas proxy individuales, seleccione los cambios fuertes, controle que el resto de las métricas proxy no cambien y espere el cambio correspondiente en el OEC. Por ejemplo, a menudo en las pruebas el “número de pedidos” medio por usuario no cambia mucho porque la proporción de compradores suele ser pequeña, pero al mismo tiempo el “número de productos añadidos al carrito” medio o el “número de productos diferentes vistos” medio por usuario se definen para una gran parte de los usuarios y cambiarán con más fuerza.
Calidad del rendimiento del modelo
Construimos modelos lineales para las 27 tiendas. Predicen con bastante precisión el hecho de la compra durante los 6 meses siguientes. Su calidad para las distintas tiendas varía de 0,8 AUC a 0,93 AUC.
El modelo divide bien a los usuarios según la probabilidad de compra futura. Puede utilizarse para distinguir segmentos con probabilidad de compra muy alta (>80%) y casi nula (<1%).

Rendimiento del modelo en diferentes segmentos de usuarios

El modelo incluye atributos que tienen valores útiles para predecir el VTL de casi todos los usuarios, no sólo de los que hicieron un pedido. Veamos cómo es capaz de separar a los visitantes según su futuro VTL en tres segmentos:

El visitante no añadió artículos al carrito y no realizó ningún pedido;

El visitante tenía artículos añadidos a la cesta pero ningún pedido;

El visitante hizo pedidos.

En el gráfico siguiente, hemos clasificado cada segmento de usuarios en grupos en función de la probabilidad de compra según el modelo. Cada grupo muestra el número y el porcentaje de usuarios que realizaron una compra en los seis meses siguientes.

El modelo es capaz de distinguir a los usuarios más propensos a comprar (aunque ocurra después de un largo periodo de tiempo) de los que no han comprado ni añadido nada al carrito. Es decir, cualquier actividad del usuario en el sitio indica su valor potencial para la tienda. Por lo tanto, podemos concluir que al aumentar la actividad de los usuarios en el sitio, la tienda puede esperar un aumento de sus ingresos finales a largo plazo.

Conclusiones

Hemos investigado a fondo y hemos encontrado métricas indirectas que pueden utilizarse para predecir el valor futuro del usuario de una tienda online. También serán útiles para evaluar el valor de los cambios en una tienda online.

Las métricas proxy caracterizan la actividad diversa de un usuario en un sitio web. Por ejemplo, “el número de productos diferentes vistos” habla del compromiso del usuario, “la duración de la interacción del usuario con el sitio en días” y “la antigüedad de la última visita al sitio” – sobre volver al sitio, “el visitante dejó un correo electrónico” y “el número de consultas en el motor de búsqueda del sitio” – sobre usar la funcionalidad del sitio, “el número de productos añadidos al carrito” y “el número de pedidos” – sobre resolver sus tareas actuales (buscar el producto adecuado).

Las métricas proxy que encontramos son coherentes con la recomendación del artículo de revisión de centrarse en HEART: Happiness – satisfacción, Engagement – compromiso, Adoption – utilización de la funcionalidad del sitio, Retention – tasa de retorno y Task success – resolución de problemas.

También demostramos que, además de las métricas relacionadas con los pedidos – “comprobación media”, “conversión a cliente”, “ingresos por visitante”- que la mayoría de las tiendas online controlan y optimizan, existen otras métricas más útiles. Consideramos que la gran ventaja de nuestras métricas sugeridas es que son mucho más sensibles a los cambios que los atributos comúnmente utilizados sobre los pedidos, ya que tienen valores útiles para predecir la LTV de la mayoría de los usuarios de la tienda.

Utilizando métricas proxy, es posible generar OEC. En este artículo proponemos hacerlo mediante regresión logística, teniendo en cuenta la experiencia en un negocio concreto a la hora de construir la fórmula OEC.

Para encontrar buenas métricas proxy, un minorista online puede realizar la misma investigación o utilizar las métricas proxy que hemos encontrado. Su pertinencia se ha comprobado en 27 tiendas de distintos tipos, por lo que es probable que también sean útiles para muchas otras tiendas online.