Una de las partes más atractivas del marketing digital es el enfoque integrado en los datos.

Si una táctica tiende a tener datos positivos a su alrededor, es más fácil de adoptar. Del mismo modo, si una táctica no ha sido probada, puede ser difícil conseguir aceptación para probarla.

La principal forma en que los especialistas en marketing digital generan confianza en los datos es a través de estudios. Estos estudios normalmente se clasifican en una de dos categorías:

• Anecdótico: Un número limitado de puntos de datos, sin embargo, normalmente hay muchos más detalles sobre las mecánicas individuales.
• Estadísticamente significante: una gran cantidad de puntos de datos (normalmente más de 100) que podrían verse obligados a realizar un análisis más simple debido al gran volumen de entidades que se analizan.

Ambos conjuntos de datos tienen su lugar en la construcción de estrategias de marketing digital. Por eso es peligroso inclinarse demasiado hacia uno u otro.

Como alguien que ha trabajado en organizaciones capaces de generar ambos tipos de conjuntos de datos (y un ávido consumidor de ambos), pensé que sería útil profundizar en:

• Criterios mínimos para cada tipo de estudio.
• Qué valor pueden obtener las marcas de ambos tipos de estudios.
• Cómo montar tus propios estudios.

Esta publicación analizará algunos estudios diferentes que abarcan disciplinas del marketing digital.

Esto se debe a que los principios básicos que rigen lo anecdótico (datos más pequeños) y los estadísticamente significativos (grandes datos) son bastante similares en todas las disciplinas de marketing.

Criterios mínimos para cada tipo de estudio

Un error común que comete la gente al realizar estudios es pensar que el volumen de datos es el único criterio para que sus estudios sean valiosos.

Sí, es bonito cuando hay muchos datos, pero hay otros factores críticos:

• ¿Cuántas variables se están considerando?
• ¿Qué mitigación, si la hay, existe para los valores atípicos o el exceso de variables?
• ¿Puede el estudio responder a las críticas con datos versus emociones?

Estos tres serán requisitos mínimos independientemente de si te centras en un estudio anecdótico o uno estadísticamente significativo. Sin embargo, también existen algunos criterios específicos del estudio.

Estudios anecdóticos

Cuando se analiza un conjunto de datos más pequeño (es decir, menos de 10 cuentas, menos de un año de datos, etc.), hay mucha más presión para profundizar en los impactos del antes y el después de cualquier cosa que desee probar.

La gente querrá tantos detalles como sea posible porque el estudio generalmente muestra los resultados de acciones específicas tomadas en una cuenta o para una marca.

Esto significa que las capturas de pantalla serán fundamentales. Si no puede mostrar exactamente lo que sucedió, no se lo tomará en serio.

Sin embargo, las capturas de pantalla no requieren que reveles el cliente para el que estás trabajando. Filtrar nombres de marcas es absolutamente razonable.

Dejar de lado puntos de referencia, métricas importantes y si una iniciativa tenía “ventajas injustas” (gran presupuesto, campañas de marca, etc.) no lo es.

Un buen ejemplo de estudio anecdótico es analizar el impacto de un cambio en unos pocos meses. Este gráfico de Will O’Harra muestra el cambio en el tráfico del sitio para los sitios “fanáticos” frente a los grandes nombres.

En este estudio, podemos ver que los sitios que de otro modo tendrían menos tráfico obtuvieron un gran aumento debido al cambio en los criterios de calidad del contenido. Este es un estudio anecdótico ya que solo analiza cinco sitios.

Estudios de grandes datos

Mientras que la gente es bastante implacable con la falta de detalles en los estudios anecdóticos, los estudios de big data son un poco más indulgentes.

Esto se debe a que su principal medida es el volumen de cuentas que hablan de una tendencia específica. Sin embargo, esto no significa que los estudios de big data estén libres de escrutinio, sólo que la atención se centra en cosas diferentes.

Los macrodatos deben ser muy estrictos en los criterios de inclusión. Las entidades incluidas deben estar lo más cerca posible entre sí.

Además, los estudios de big data suelen necesitar muchas entidades. Si vas a hacer un comentario sobre una tendencia en particular, es necesario que haya suficiente volumen para respaldar la afirmación.

Por ejemplo, en mi estudio de Optmyzr que analizó los tipos de concordancia y las estrategias de oferta de Google, incluimos aproximadamente 2600 cuentas en varios países. (Descargo de responsabilidad: trabajo para Optmyzr). Podríamos haber incluido más cuentas si fuéramos más indulgentes con los criterios.

¿Qué valor pueden obtener las marcas de ambos tipos de estudios?

Puede resultar tentador centrarse únicamente en un tipo de estudio. Sin embargo, ambos tienen su lugar y pueden informar una estrategia de cuenta significativa.

Big data es útil para comprender conceptos y tendencias generales que pueden afectar su cuenta. Estos serán los principios rectores, como:

• ¿Qué opciones de estructura tienen mayores posibilidades de éxito?
• Dónde centrar los esfuerzos de generación de contenidos.
• ¿Cómo gasta la gente su dinero?
• ¿Cuándo utilizar qué tipo de mensaje en el embudo del comprador?

Lo útil de este tipo de aprendizajes es que le brindan un buen punto de partida para formular su estrategia. También pueden resultar útiles para comprobar su cordura usted mismo.

Por ejemplo, el brillante Mike Ryan (SMEC) realizó un estudio sobre cuántas conversiones se necesitan para campañas exitosas de PMax. Si bien estos datos son útiles en todos los contextos, es útil saber que se basan en 14.000 campañas.

Imagen de Mike Ryan (SMEC), noviembre de 2023

A partir de estos datos, podemos ver que para lograr resultados decentes, nuestras campañas PMax deben obtener al menos 60 conversiones en un período de 30 días.

Si no pueden, podría valer la pena evaluar otros tipos de campañas. Es muy posible que una cuenta pueda tener éxito fuera de los resultados de este estudio, pero serían valores atípicos de la regla general.

De manera similar, el inteligente y entretenido Greg Gifford (Search Labs) hizo un estudio sobre las listas de perfiles comerciales de Google para evaluar si las “mejores prácticas” realmente resisten el análisis.

Él y su equipo examinaron 1000 concesionarios y descubrieron que algunas de las mejores prácticas eran ciertas, mientras que otras eran correlación en lugar de causalidad.

Los estudios anecdóticos serán mejores para brindarle “ideas descabelladas y locas” para probar. También son muy buenos para que las personas tolerantes al riesgo exploren las tendencias emergentes.

Cómo configurar tus propios estudios

La configuración de estudios se reduce a comprender cuál será el alcance del estudio y qué tan repetible es. Si sólo haces un estudio una vez, no es tan útil porque las tendencias siempre están cambiando.

Además, si su alcance es demasiado limitado o amplio, podría confundir los datos o no abordar completamente la pregunta importante.

Asegúrese de que su hipótesis deje espacio para que se demuestre que está equivocado.

Si no se toman precauciones, se pueden hacer datos que digan cualquier cosa. Es fundamental mantener pautas estrictas sobre lo que se incluye y por qué.

Más recursos:

Imagen de portada: Sergey Nivens/Shutterstock