Descubre las Cadenas de Markov y entérate cómo al comprender las transiciones en línea entre pasos específicos, podemos obtener percepciones cruciales para optimizar la experiencia del usuario y potenciar conversiones.

En el amplio mundo digital, cada clic y desplazamiento del usuario deja un rastro: un conjunto de datos que se convierten en “pistas” sobre sus decisiones y preferencias. Una forma simplificada de entender el comportamiento de los usuarios web, es a través del funnel de conversión. Acá asumimos que este usuario realiza linealmente una serie de pasos, desde que llega al sitio, hasta que realiza la acción de interés. Una compra, rellenar un formulario, descargar un documento u otra actividad. 

Pero la verdad es que con este modelo lineal solo estamos viendo la punta del iceberg. Si bien, esta herramienta permite entender qué proporción de usuarios va avanzando en los pasos necesarios previos a la conversión, las Cadenas de Markov permiten un enfoque más dinámico. 

Estas cadenas modelan las transiciones entre estados, considerando todas las posibles rutas que los usuarios pueden seguir, lo que refleja mejor la realidad de la navegación no lineal en la web. Al utilizar Cadenas de Markov para generalizar el embudo de conversión, obtenemos una visión más completa del comportamiento del usuario. Podemos identificar patrones de navegación alternativos, comprender cómo los usuarios exploran diferentes secciones y descubrir qué desvíos pueden llevar a la pérdida de interés o la conversión.

Por ejemplo, puede estimar la probabilidad de que un usuario inicie un flujo de contratación a partir de que esté en la landing page de un producto. Pero no solo eso, sino que también indica las probabilidades de todas las acciones que puede realizar el usuario posterior a ver la página en que está, es decir, entrega información acerca del recorrido real, y no solo responde a si avanzó o no el usuario en el flujo deseado por el negocio.

¿Te va haciendo sentido? Mira el siguiente ejemplo.

Para un cliente usamos las Cadenas de Markov con el fin de identificar tasas de fugas de manera más precisa, al hacer zoom en la actividad del usuario. La imagen muestra que para dos productos similares (que en un funnel de conversión se ven unificadamente), el primero tiene una tasa de fuga atípica en un paso, que para el segundo es despreciable. (Revisar gráfico 1.a)

1.a

Previo a la implementación del modelo y análisis de los resultados, utilizamos una estrategia de medición web específica para el caso. Necesitábamos un “marcaje” lo más granular posible, o sea, saber cada acción que realizaba el usuario y seguirla como línea de tiempo. Por ello, utilizamos las herramientas Google Tag Manager, junto con GA4 para configurar las mediciones y Google Bigquery como nuestro repositorio de datos.

Una vez que recopilamos suficientes datos, los extrajimos a un entorno de modelamiento para obtener los resultados ya mencionados.

En el gráfico inferior (revisar gráfico 1.b) se pueden presenciar todos los eventos marcados (eje X y eje Y) y la interacción entre ellos por los distintos tipos de usuarios, lo que nos permitió identificar las interacciones con mayor probabilidad de paso directo de un evento a otro. A partir del orden que dimos, debíamos esperar que la diagonal fuese más oscura y si vemos partes oscuras fuera de la diagonal, entonces el usuario no está avanzando en el flujo deseado.

1.b

Al aplicar este modelo matemático nos dimos cuenta de que los usuarios avanzaban y retrocedían reiteradas veces en el flujo de contratación, buscando más información del producto antes de tomar la decisión de compra. En particular, para el producto 1, la tasa de fuga en el paso de “ingreso datos de domicilio” era de 8.5%, aproximadamente 5 veces más grande que para el producto 2. Con ello identificamos que al sitio llegaban al menos 2 tipos de usuarios. Personas que cotizaban el producto 1, estaban considerando aún contratarlo, mientras que las que cotizaban el producto 2 (ya habiendo avanzado hasta el ingreso de datos de domicilio), ya estaban decididos a comprar.

Aquí se comienza a aplicar una estrategia Growth con su respectivo proceso de formulación de hipótesis para ir identificando qué otra información o funcionalidad agregar, trasladar, replantear o derechamente quitar, para ir disminuyendo ese porcentaje de fuga y equiparar al del producto 2. Con distintos experimentos, aprendizaje validado y ajustes en la estrategia de marketing digital (atraer segmentadamente a los 2 tipos de usuarios) es que logramos bajar esa tasa de abandono del 8.5%, igualándola con la del otro producto y lo que significó que miles de usuarios más terminaran convirtiendo. 

Al aplicar Cadenas de Markov, los profesionales del marketing pueden valerse de diversas herramientas y enfoques prácticos, desde plataformas de análisis web hasta bibliotecas de programación como Python. Sin embargo, es esencial reconocer los desafíos inherentes, como la sensibilidad a la calidad de los datos y la experiencia en estadísticas y análisis de datos.