Análisis de cohortes google analytics
análisis de cohortes sql
El análisis de cohortes es un tipo de análisis de comportamiento en el que los usuarios se agrupan y rastrean en función de sus rasgos comunes para dar sentido a sus acciones. El análisis de cohortes es fundamental cuando se trata de reducir la pérdida de clientes, hacer las preguntas correctas y tomar decisiones informadas sobre el producto para impulsar el crecimiento de los ingresos.
Cuando se agrupan los datos de los usuarios en grupos distintos en función de determinados criterios como la edad, el sexo, la ubicación, el gasto, etc., y se intenta buscar patrones y obtener más información en estos grupos, este procedimiento se denomina análisis de cohortes.
Paso 3: ¿Qué métrica le gustaría estudiar para cada uno de estos grupos? Esto se especifica en la sección «Valores», por ejemplo, la métrica «Ingresos por compras» le permitirá saber la cantidad que se gastó en su sitio web. Puedes afinar más la métrica para incluir, digamos, sólo a los usuarios que gastan mucho.
«Tipo de métrica» determina si quieres una «SUMA» de todos esos valores o quieres mostrar valores «por usuario». Es decir, el total de todas las compras de un usuario en un periodo de tiempo determinado o cada una de las compras en el periodo de tiempo de interés.
valor de vida de google analytics
Ignóralo. Por defecto, muestra una vista acumulativa de todas las cohortes, lo que no es un verdadero análisis de cohortes. En este ejemplo, simplemente nos dice que la retención es más alta en el día 1 y luego disminuye, lo que probablemente podríamos haber asumido nosotros mismos.
En las filas, se pueden ver los usuarios agrupados por el día en que se inscribieron, que es el total de las cohortes que aparecen en las columnas de la derecha. Así, en este ejemplo, puedes ver que hubo 2.361 usuarios que se registraron el 23 de febrero.
En las columnas, puede ver los datos de las cohortes individuales. Por defecto, esto se muestra por día – así, como ejemplo, este informe nos muestra que el 2,33% de los 2.361 usuarios que se registraron el 23 de febrero volvieron el día 1, el 1,06% volvieron el día 2, el 1,48% el día 3, etc.
Por si no fuera obvio, se crea porque hoy es 2 de marzo, por lo que sólo los usuarios que se apuntaron el 22 de febrero han tenido siete días para volver. Los usuarios que se apuntaron el 23 de febrero sólo han tenido seis días, los que se apuntaron el 24 de febrero han tenido cinco días, etc. Si seleccionas un plazo diferente (más adelante), el efecto escalonado desaparecerá.
análisis de cohortes vs. segmentación
No sé tú, pero a mí esto no me queda claro de inmediato, así que déjame explicarte cómo verlo. El gráfico de la parte superior es una visualización de la retención media de usuarios (porcentaje de visitantes que vuelven) para el intervalo de fechas, que es de siete días por defecto.
Sin embargo, lo más interesante es la tabla que aparece debajo del gráfico. Esto nos da una idea de qué porcentaje de personas volvieron a su sitio en los siete días siguientes a su primera visita. El día 0 se corresponde con la fecha de la primera columna. El día 1 es el primer día después de que alguien haya visitado su sitio web por primera vez. Así, el 6,08% en el Día 1 de la fila del 29 de agosto significa que el 6,08% de las personas que visitaron ejemplo.com por primera vez el 29 de agosto, volvieron a visitar ejemplo.com al día siguiente (30 de agosto). El día 2 es el segundo día (31 de agosto) y así sucesivamente.
Entonces, ¿qué ocurrió el 1 de septiembre para que menos personas que visitaron este sitio web por primera vez el 1 de septiembre volvieran a visitarlo al día siguiente? La tasa de retención es un 2% más baja. ¿Quizás una campaña salió mal? ¿Tenían problemas técnicos con el sitio web? ¿O tal vez publican un post todos los días excepto ese día? Esta puede ser una buena forma de averiguar si lo que está probando (nuevos contenidos, nuevas campañas, etc.) está funcionando.
análisis de cohortes adobe analytics
La primera columna identifica las cohortes y el número de usuarios de cada cohorte. Por ejemplo, si la dimensión por la que se caracterizan las cohortes es Fecha de adquisición, esta columna enumera la fecha de adquisición de cada cohorte y el número de usuarios que adquirió durante ese periodo de tiempo (día, semana, mes).
El resto de las columnas reflejan los incrementos de tiempo que elija para el Tamaño de la cohorte. Por ejemplo, si selecciona por día, entonces cada columna incluye un día de datos. Hay 13 columnas de incremento de tiempo, de 0 a 12.
La primera fila muestra el valor total de la métrica para todas las cohortes de cada columna. Por ejemplo, si la métrica es Páginas vistas y las columnas son datos diarios, entonces la primera fila muestra el total de páginas vistas del día.
Analytics utiliza 5 valores de color como indicación de los valores relativos de la métrica: el color más oscuro representa los valores más altos de la métrica, y el color más claro representa los valores más bajos de la métrica. Cada color representa el mismo rango relativo de valores. Por ejemplo, si el valor más alto de la tabla es el 100%, cada color representa un rango de 20 (100/5); si el valor más alto de la tabla es el 50%, cada color representa un rango de 10 (50/5).