Analizar datos es una tarea extremadamente necesaria. Es lo que permite tomar decisiones en base datos objetivos, y reducir la dependencia de opiniones. Nos acerca un poco más a la realidad al comprender con evidencia empírica nuestro entorno.

Todo Product Manager debe tener en su día a día incorporado el análisis de datos. Parece algo obvio, pero por experiencia personal, créeme que es algo que suele quedar bastante desatendido entre su vorágine de actividades .

De todas formas, hablar de datos puede ser una cuestión muy amplia... ¿Qué datos debe ver un Product Manager? ¿Qué debe asegurarse primero entender antes que nada? ¿Donde debe estar nuestro foco? Por esta razón, me propuse a separar los distintos tipos de datos que puede analizar un Product Manager en su día a día en cuatro categorías: Product Analysis, Web Analysis, Business Analysis y Technical Analysis.

En este newsletter, voy a describir cada categoría para que sepas que tipo de análisis estás realizando según la métrica que tenés en mente. Aquí vamos:

‍

Product Analysis

Como Product Manager, este debe ser tu principal foco. El análisis de producto o Product Analysis consiste en descubrir cómo los usuarios utilizan el producto a partir del seguimiento de eventos y propiedades. El análisis de producto trabaja sobre las métricas de adquisición, activación, retención, monetización y referencia, y es extremadamente importante ya que permite comprender que comportamientos llevan a mejores resultados al negocio.

Por ejemplo, con Lumi he encontrado que los usuarios que completan una clase dentro de sus primeras 24hs tienen el doble de posibilidades de convertirse en usuarios recurrentes durante los primeros tres meses de uso. 🙌🏻

‍

‍

Web Analysis

El análisis web revela las principales métricas para entender la performance de un sitio web. Es muy útil especialmente para evaluar landing pages, blogs y sitios institucionales. Los equipos de Marketing y Ventas suelen consumir con frecuencia este tipo de datos, entre los que se encuentran la cantidad total de sesiones, tiempo en página, tasa de rebote, fuentes de tráfico y páginas vistas por sesión. 👨🏻‍💻

Este tipo de análisis son útiles para validar, por ejemplo, la deseabilidad de una landing page. A partir de Google Analytics, podemos determinar la cantidad de visitas que recibe nuestra página web y contrastar con el porcentaje de leads que hemos capturado.

‍

‍

Business Analysis

Las métricas de negocio son las más tradicionales de todas, ya que abordan las cuestiones relacionadas con los ingresos y egresos del modelo de negocio. Tanto indicadores de monetización (LTV, CAC, ARPU y MRR) como indicadores de satisfacción (NPS) forman parte del análisis de negocio. Estos datos son consumidos a diarios por los principales líderes de cada área y el equipo ejecutivo, ya que dan información sobre la rentabilidad y salud de la empresa. 📈

Estos datos pueden estar alojados dentro de una base de datos, y ser consultados a partir de una herramienta de visualización de datos como puede ser Chartio, QlikView, Tableau o Power BI. Un claro ejemplo puede ser los registros de todas las transacciones y compras de una empresa, a partir de los cuáles se pueden calcular márgenes operativos.

‍

‍

Technical Analysis

Finalmente, pero no menos importante, están los tipos de datos técnicos. Estos análisis son principalmente realizados por el equipo de desarrolladores y buscan asegurar un correcto funcionamiento de la plataforma, al entender el rendimiento del producto en términos de tiempos de carga, velocidad de navegación, incidencia de crashes, deuda técnica, uso de memoria, etc. 🤖

Por ejemplo, en mi caso particular con Lumi, no es lo mismo cargar 10 cursos al inicio de una sesión que cargar 40. La cantidad de información requerida es mayor y el tiempo de carga se ha expandido. Por tal razón, para asegurar una buena UX, el equipo técnico tiene que determinar una forma de resolver este desafío técnico.

‍

‍

Si trabajas en producto, recuerda: Product Analysis > el resto.

Tu misión #1 es comprender cómo tus usuarios utilizan el producto y encontrar oportunidades de mejora. Sea para explotar aquellos comportamientos que se correlacionan con un incremento en las métricas que nos importan (adquisición, activación, retención, monetización o referencia) o para reducir o mitigar los comportamientos indeseables o improductivos.

Una vez que tengamos eso bien cubierto, podemos complementar nuestro análisis con datos técnicos, de negocio o de marketing. Pero primero, lo primero.