Canvas Lean de Ash Maurya (leancanvas.com) Fuente imagen
Desde hace unos días estoy leyendo (mucho menos de lo que quisiera, al igual que las publicaciones en este blog) el libro ‘Lean Analytics – Use data to build a better startup faster’ de Alistair Croll & Benjamin Yoskovitz, publicado por O’Reilly. En la 1ª parte se exponen varios conceptos aplicables a la Analítica Web y de la que extraigo algunos tips que me han parecido interesantes.
Tips de Lean Analytics
1- Parar de mentirse a uno mismo
Todos somos mentirosos (distorsionamos la realidad) y los empresarios, unos de los que más. Auto-mentirse y guiarse por el instinto son ‘malos’ para cualquier negocio.
El contrapunto son los datos. Ellos son la piedra angular del éxito en startups.
Peter Drucker: “sin objetivos de productividad, un negocio no tiene sentido; sin mediciones de la productividad, no tiene control «. «Si no se puede medir, no se puede manejar”.
Cuando piensas que has encontrado una idea que vale la pena, hay que probarlo de forma rápida y con mínima inversión. En ésto se basa el método Lean.
2- Cómo llevar las cuentas
La analítica permite el seguimiento de las métricas que son críticas para su negocio. Pueden cambiar ya que siempre deben estar alineadas con el negocio y éste suele cambiar.
Las métricas son imprescindibles para saber de dónde viene el dinero, los costes, el nº de clientes que hay que tener, la eficacia de las estrategias de adquisición de clientes, etc.
Inicialmente hay que analizar para encontrar el producto y mercado adecuados antes de que el dinero se acabe.
Una buena métrica es:
- La que permite comparar (medir en relación a períodos de tiempo)
- Comprensible
- Porcentajes y tasas son las más apropiadas al facilitar que podamos ‘actuar’, intrínsecamente ‘comparan’ y permiten hacerlo entre factores ‘opuestos’.
- Una buena medición o métrica debe ser capaz de comportar un cambio (permitir ‘actuar’).
- La que está alineada con los objetivos para evitar ‘falsas mediciones’.
Tipos de métricas:
- De contabilidad: ingresos diarios, relación precio-beneficio, márgenes de venta, coste de venta, ingresos por empleado,…
- ‘Experimentales’: ayudan a optimizar el producto, precio, o de mercado ya que nos van indicando lo que va funcionando mejor o peor.
Para elegir las métricas y KPIs correctos debemos discernir entre:
- Métricas cualitativas (no estructuradas pero también necesarias, p.e. resultados encuestas) frente a las cuantitativas (estructuradas, con cifras,…)
- Métricas de Vanidad (pueden hacernos sentir bien pero no permiten hacer cambios) frente a métricas accionables. Para que una empresa se base en datos debe disponer de los mismos y ser capaz de actuar acorde con ellos.
‘Inscripciones totales’ y ‘Total usuarios activos’ son métricas de vanidad pero el ‘% de usuarios que están activos’ sí es una métrica accionable ya que cambiará si cambia p.e. el producto. Otro ejemplo sería el de segmentar el nº usuarios activos por campaña, cuyos resultados también nos permiten ‘actuar’.
Ocho métricas de vanidad a evitar: Nº de accesos o hits, Nº de páginas vistas, Nº de visitas, Nº de visitantes únicos, Nº de seguidores / amigos / gustos, Tiempo en el sitio / nº de páginas, Correos electrónicos enviados, Nº de descargas.
- Métricas exploratorias (especulativas y tratan de encontrar nuevas ideas) frente a métricas de reporting (permiten estar al corriente de la gestión diaria).
- Métricas principales (dan una idea de predicción y permiten ‘actuar’) frente a métricas secundarias.
- Métricas correlacionadas (cuando cambian juntas) frente a métricas causales (una métrica es la causa de la otra). Ejem: Si encuentra una relación causal entre algo que quiere (p.e. ingresos) y algo que puede controlar (como el anuncio que usted muestra), podrá cambiar el futuro.
El cuadrante de Rumsfeld (ex secretario de Defensa de EE.UU dice que hay):
- Cosas que sabemos y conocemos. La analítica puede comprobar los datos y asegurarnos que no nos engañamos.
- Cosas que sabemos y no conocemos. Son las incógnitas (métricas) conocidas y podemos descubrirlas midiendo. Son muy importantes al iniciar una startup. La analítica puede probar nuestras intuiciones convirtiendo las hipótesis en tests o pruebas.
- Cosas que no sabemos pero conocemos. La analítica puede proporcionar los datos para descubrir el porqué de los mismos.
- Cosas que no sabemos y desconocemos. A nivel de negocio son las más interesantes ya que su descubrimiento permite alterar un mercado (por ejem). La analítica puede ayudar a encontrar la oportunidad para el negocio.
Indicadores principales frente a indicadores rezagados: ambos son útiles pero sirven diferentes propósitos.
Un indicador principal (a veces llamado un indicador adelantado) trata de predecir el futuro mientras que un indicador rezagado mide una cosa que ya ha ocurrido (p.e. pérdida de clientes, devolución producto,…).
Al principio, en una startup, aún no hay datos relevantes para los indicadores principales (muestra pequeña) por lo que hay que hacer uso de los indicadores rezagados.
Métricas correlacionadas frente a métricas causales. Las correlaciones puede ayudar a predecir qué va a pasar pero la búsqueda de la causa de algo comportará que puede cambiarlo. Rara vez existe una sola relación causal ya que siempre hay varios factores causales (varia métricas independientes explicarán partes de una métrica dependiente) pero sigue siendo valioso. Además, si la muestra es suficientemente grande podemos hacer testing de una sola métrica independiente sin tener en cuenta las demás (es la base del testing). La correlación es buena y la causalidad es grande.
Las pruebas (testing) son el corazón de Lean Analytics e implican la comparación de dos cosas entre sí a través de la segmentación, análisis de cohortes, o las pruebas A / B.
Segmentación: un segmento es simplemente un grupo que comparte alguna característica común (un atributo como la edad, género,…).
Análisis de cohortes: cuando se comparan grupos similares con el tiempo. Cada grupo de usuarios es una cohorte de participantes en un experimento a través de su ciclo de vida. Puede comparar cohortes contra otros para ver si los indicadores clave están mejorando con el tiempo. Son estudios longitudinales ya que los datos se recogen a lo largo de lo natural esperanza de vida de un grupo de clientes.
P.e. tenemos los promedios de ingresos mensuales sin que nos aporte mucha información pero ‘segmentamos’ en función del tiempo que hace que son clientes y vemos que los más ‘viejos’ gastan casi el doble de lo que antes gastaban.
Testing A / B y multivariantes: son estudios transversales ya que a diferentes grupos se les muestra diferentes experiencias.
3- Decidir qué hacer con tu vida
Los tres criterios claros para decidir en qué gastar su tiempo según Bud Caddell:
- en algo que sea bueno,
- que quieres hacer,
- y que puedes hacer dinero.
Marc Andreesen: “Los mercados que no existen no les importa lo inteligente que eres.»
Lean Analytics puede ayudar a no perder el tiempo con algo que no vale la pena.
4- Basarse en datos frente a informarse por datos
Para basarse en datos hace falta la intervención humana para evitar errores y distorsiones ya que es necesario tener una visión más amplia del negocio y mercado y no sólo centrarse en algo muy concreto.
Los datos cuantitativos son ideales para probar las hipótesis, pero pésimos para generar otras nuevas (detectar oportunidades, etc) a menos que se combinen con la introspección humana.
La optimización consiste en encontrar los valores más bajos o más alto de una función particular, en un contexto determinado.
Hay que tener un “mínimo producto viable” (MVP) y una visión sumamente convincente al mismo tiempo.
Lean Startup ayuda a iniciar una empresa siendo el proceso para moverse hasta alcanzar la visión o propósito.
Hasta la próxima. Saludos!