Análisis de marketing móvil

Métricas de adquisición: medición del alcance y la rentabilidad

Las métricas de adquisición se centran en cómo se atrae a las personas al ecosistema móvil, ya sea descargando una aplicación o visitando un sitio web móvil, y los costes asociados con estas actividades.

• Instalaciones/descargas: para las aplicaciones móviles, el número de instalaciones o descargas sirve como métrica inicial de entrada. Aunque es fundamental, requiere contexto. Un alto volumen de instalaciones no equivale necesariamente al éxito si estas personas abandonan rápidamente o nunca interactúan de manera significativa con la aplicación.

• Coste por instalación (CPI) y coste por adquisición (CPA): estas métricas cuantifican la rentabilidad de las campañas de adquisición de clientela. El CPI representa el coste medio incurrido para generar una nueva instalación de la aplicación, calculado al dividir el gasto total en publicidad por el número de instalaciones atribuidas a ese gasto. El CPA amplía este concepto para medir el coste asociado con una acción deseada específica más allá de una simple instalación, como el registro de una persona, la finalización de una secuencia de incorporación o la realización de una compra inicial. Tanto el CPI como el CPA son vitales para evaluar el rendimiento financiero de los diferentes canales y campañas de publicidad.

• Coste de adquisición de cliente (CAC): el CAC proporciona una visión más integral de los costes de adquisición al centrarse específicamente en una adquisición de cliente de pago. Se calcula dividiendo los costes totales de ventas y marketing (incluidos salarios, gastos generales, gastos de publicidad, etc.) durante un período determinado por el número de nueva clientela de pago adquirida durante ese período. El CAC suele ser más alto que el CPI o el CPA porque tiene en cuenta el hecho de que no todas las personas que hayan instalado la aplicación o realizado acciones iniciales llegarán a monetizar. Relaciona directamente el gasto en adquisición con el potencial de generación de ingresos.

 
Métricas de participación que miden la interacción de uso

Una vez que se adquieren usuarios/as, las métricas de participación miden con qué actividad y frecuencia interactúan con la aplicación o el sitio web móvil. Una alta participación suele ser un precursor de la monetización y la retención a largo plazo.

• Personas activas diarias (DAU) y personas activas mensuales (MAU): DAU representa el número de personas únicas que interactúan con la aplicación en un día determinado, mientras que MAU mide las personas únicas durante un período de 30 días. Estas métricas indican el tamaño general de la base de personas activas y la “adherencia” general de la aplicación. La relación entre DAU y MAU (a menudo expresada como un porcentaje) proporciona información sobre la frecuencia de la participación: una proporción más alta sugiere que las personas regresan con más regularidad en un mes.

• Duración y frecuencia de la sesión: la duración de la sesión mide el tiempo promedio que las personas pasan dentro de la aplicación durante una sola sesión. La frecuencia de la sesión supervisa con qué frecuencia las personas inician una nueva sesión durante un período de tiempo específico (por ejemplo, por día o por semana). En conjunto, estas métricas miden la profundidad y la regularidad de la interacción de la persona. Las sesiones más largas y una mayor frecuencia suelen correlacionarse con una mayor inversión de la persona en la aplicación.

• Tasa de retención: esta métrica crítica mide el porcentaje de personas que regresan a la aplicación después de un período específico tras su primer uso (por ejemplo, retención en el día 1, retención en el día 7 o retención en el día 30). Las altas tasas de retención son esenciales para un crecimiento sostenible, lo que indica que la aplicación proporciona un valor continuo y hace que las personas vuelvan. Es un fuerte indicador del ajuste del producto al mercado y de la viabilidad a largo plazo.

• Tasa de abandono: la tasa de abandono es la inversa de la retención, y representa el porcentaje de personas que dejan de usar la aplicación durante un período definido. Una alta tasa de abandono indica problemas, potencialmente relacionados con la experiencia de uso, la falta de valor percibido, problemas técnicos o una incorporación ineficaz. Minimizar el abandono es crucial para mantener una base de personas saludable y maximizar el valor a largo plazo.

Unas sólidas métricas de participación sirven como requisitos previos esenciales para lograr un valor de vida de cliente (CLV) sustancial. Funcionan como indicadores principales del potencial de monetización futuro y de la salud general del negocio. Unas métricas deficientes de participación predicen inevitablemente un bajo CLV, independientemente de cuántas personas se adquirieron inicialmente o lo poco que costara hacerlo. En consecuencia, los esfuerzos estratégicos centrados en mejorar la participación y la retención de las personas, incluso en porcentajes aparentemente pequeños, pueden producir impactos positivos sustanciales en los ingresos y la rentabilidad a largo plazo.

Métricas de monetización para medir los ingresos

Las métricas de monetización supervisan directamente el rendimiento financiero de los esfuerzos de marketing móvil y de la propia aplicación, evaluando con qué eficacia se convierte la base de personas en ingresos.

• Ingresos medios por persona (ARPU): el ARPU se calcula dividiendo los ingresos totales generados durante un período específico por el número total de personas activas durante ese mismo período. Proporciona una medida amplia de la contribución media de ingresos en toda la base de personas usuarias, incluyendo tanto a quienes pagan como a quienes no.

• Ingresos medios por persona de pago (ARPPU): el ARPPU se centra específicamente en los ingresos generados por las personas que realizan compras o contribuyen a nivel financiero. Se calcula dividiendo los ingresos totales por el número de personas de pago. El ARPPU ofrece una visión más clara de la eficacia de la monetización entre el segmento de personas que se convierten y ayuda a comprender los patrones de gasto de la clientela valiosa. La comparación del ARPU y el ARPPU puede resaltar la proporción de personas que generan ingresos.

• Valor de vida de cliente (CLV): el CLV (a veces llamado LTV) es una métrica predictiva que representa los ingresos netos totales que una empresa puede esperar generar gracias a una sola persona promedio a lo largo de toda su relación con la aplicación o la marca. El cálculo del CLV suele implicar tener en cuenta el valor medio de la compra, la frecuencia de la compra y la vida útil de cliente (a menudo derivada de las tasas de retención/abandono). Es posiblemente una de las métricas más cruciales para el crecimiento sostenible, ya que cambia el enfoque de las ganancias a corto plazo a las relaciones con la clientela y la rentabilidad a largo plazo. Un modelo de negocio exitoso generalmente requiere que el LTV sea significativamente mayor que el CAC.

• Retorno de la inversión publicitaria (ROAS): el ROAS mide los ingresos brutos generados por cada euro gastado en publicidad. Se calcula dividiendo los ingresos directamente atribuidos a una campaña publicitaria por el coste de esa campaña. El ROAS proporciona una medida directa de la rentabilidad de los esfuerzos publicitarios específicos y se utiliza comúnmente para la optimización táctica de campañas.

Modelos de atribución comunes

Existen varios modelos para asignar el crédito, y la elección del modelo influye significativamente en cómo se percibe el rendimiento del canal.

• Atribución de primer contacto: asigna el 100 % del crédito al primer punto de contacto de marketing con el que interactuó una persona antes de la conversión.

• Atribución de último contacto: asigna el 100 % del crédito al último punto de contacto antes de la conversión. Suele ser un modelo común debido a su simplicidad, pero a menudo pasa por alto las interacciones influyentes anteriores.

• Atribución de varios puntos de interacción: intenta distribuir el crédito entre múltiples puntos de contacto en el recorrido de la persona. Las variaciones comunes incluyen:

• Lineal: distribuye el crédito por igual en todos los puntos de contacto.

• Decaimiento temporal: otorga más crédito a los puntos de contacto más cercanos en el tiempo a la conversión.

• En forma de U (basada en la posición): asigna un mayor crédito al primer y al último punto de contacto, y distribuye el resto entre las interacciones intermedias.

La selección de un modelo de atribución idealmente refleja el recorrido típico de cliente y los objetivos de negocio, pero las limitaciones prácticas y la disponibilidad de datos a menudo influyen en la elección.

Desafíos de la atribución móvil

La atribución en el entorno móvil se enfrenta a varios desafíos únicos y significativos

• Atribución de vista posimpresión (VTA): se refiere a la atribución de conversiones que ocurren después de que una persona se exponga a un anuncio (una impresión) pero no hace clic en él. Si bien las vistas de anuncios pueden influir en el comportamiento, medir este vínculo de manera definitiva y evitar correlaciones falsas es técnicamente complejo y a menudo depende de metodologías de seguimiento específicas empleadas por redes publicitarias y MMP. Determinar la ventana de retrospectiva adecuada (cuánto tiempo después de ver un anuncio se debe acreditar una conversión) también es complicado.

• Seguimiento multidispositivo: las personas interactúan frecuentemente con las marcas a través de múltiples dispositivos. Por ejemplo, realizan el descubrimiento en una aplicación móvil, investigan en un sitio web de escritorio y quizás la conversión se da después en una tableta. Vincular estas interacciones a un único recorrido es notoriamente difícil debido a los identificadores fragmentados y a los diferentes mecanismos de seguimiento entre plataformas (cookies web frente a ID de anuncios móviles). Esta fragmentación dificulta una visión verdaderamente unificada de la ruta de cliente.

• Jardines vallados: las principales plataformas publicitarias como Meta y Google operan como “jardines vallados”. Poseen amplios datos sobre la actividad de las personas dentro de sus propios ecosistemas y a menudo utilizan sus propios sistemas de atribución internos. Los datos ofrecidos por estas plataformas pueden a veces diferir de los datos comunicados por MMP externos debido a variaciones en la lógica de atribución, las ventanas de retrospectiva o el acceso a los datos. El personal responsable de marketing a menudo debe conciliar estos informes diferentes.

• Regulación de la privacidad de los datos: representa el desafío más profundo que afronta actualmente la atribución móvil. Las regulaciones de privacidad como el RGPD y la CCPA, junto con las políticas aplicadas por las plataformas, especialmente el marco de Transparencia de Seguimiento de Aplicaciones (ATT) de Apple, han afectado fundamentalmente a la privacidad de los datos y el seguimiento de los análisis móviles. La ATT exige que las aplicaciones obtengan el consentimiento explícito de la persona que las usa antes de acceder al Identificador para Anunciantes (IDFA) único del dispositivo con fines de seguimiento en las aplicaciones y los sitios web de diferentes empresas. Dado que muchas personas optan por no participar, la disponibilidad del IDFA para el seguimiento determinista y a nivel de persona entre aplicaciones ha disminuido drásticamente. En respuesta, Apple introdujo SKAdNetwork, un marco de atribución que preserva la privacidad. SKAdNetwork proporciona datos de atribución directamente desde el sistema operativo a las redes publicitarias, pero se agregan (no son a nivel de persona), se reciben con retraso y son limitados en cuanto a la granularidad de la campaña y los datos de eventos posteriores a la instalación que transmiten. Este cambio afecta significativamente a la capacidad de realizar una atribución precisa, al instante y a nivel de persona para las campañas de iOS. Consideraciones de privacidad similares afectan a los identificadores de publicidad de Android (ID de publicidad de Google o GAID) y al seguimiento basado en el navegador.

Seguimiento de eventos

El seguimiento de eventos implica configurar una plataforma de análisis (como Adobe Analytics) para registrar acciones de uso o casos específicos y predefinidos de la persona dentro de la aplicación. Estos eventos pueden ser cualquier cosa que se considere importante supervisar, desde interacciones simples como clics en botones, visualizaciones de pantalla o actividad de desplazamiento, hasta hitos más significativos como completar un tutorial, añadir un artículo a un carrito de la compra, terminar un nivel en un juego, compartir contenido o completar con éxito una compra.

La implementación de un seguimiento de eventos completo proporciona datos granulares sobre cómo interactúan las personas con las diferentes funciones y contenidos dentro de la aplicación. Permite al personal responsable de marketing y a los equipos de producto medir las tasas de adopción de funciones, comprender los patrones de participación de la persona a un nivel detallado, supervisar el progreso a través de flujos de trabajo clave y señalar acciones específicas que se correlacionan con la retención o la monetización. Estos datos granulares son la materia prima para análisis más sofisticados como el análisis de embudo y de flujos de personas.

Análisis de embudo

El análisis de embudo visualiza los pasos secuenciales que dan las personas para completar un objetivo o una ruta de conversión específicos y deseados dentro de la aplicación. Algunos ejemplos incluyen el proceso de registro, el flujo de pago de comercio electrónico, la secuencia del tutorial de incorporación o los pasos necesarios para completar una acción principal en una aplicación de productividad. El análisis mide el número de personas que completan con éxito cada paso y, de manera crucial, calcula la tasa de conversión (o la tasa de abandono) entre pasos consecutivos.

El valor principal del análisis de embudo es identificar los cuellos de botella y los puntos de fricción dentro de los flujos de personas críticos. Al señalar exactamente dónde las personas abandonan un proceso (altas tasas de abandono entre pasos específicos), los equipos pueden centrar sus esfuerzos de optimización en mejorar esas etapas. Por ejemplo, si un embudo de pago muestra un gran abandono entre la visualización del carrito y el inicio del pago, señala un posible problema con el diseño, la claridad o las opciones de pago disponibles de la pantalla del carrito.