Además de encontrar un modelo de negocio sostenible, los editores actuales que operan en el ámbito digital se enfrentan a otro desafío: medir adecuadamente el rendimiento de su contenido y comprender verdaderamente el comportamiento de su audiencia. Este es un problema real para todo tipo de publicaciones, independientemente de si están financiadas con publicidad o si son parte de la nueva generación que opera bajo un modelo de ingresos por lectores.
Las cosas eran un poco más sencillas en el pasado. Los editores podrían medir el éxito de su negocio observando y comparando el número de periódicos o revistas vendidos a lo largo del tiempo. Luego podrían estimar el tamaño de sus lectores multiplicando el número de copias vendidas por 2 o 2,5, que se considera la tasa de transferencia promedio . La información sobre el éxito de la circulación era particularmente importante para los anunciantes que querían alguna prueba de valor antes de invertir en espacio publicitario.
Los editores de medios tradicionales todavía confían en este tipo de cálculos porque, seamos realistas, es lo mejor que hay.
Una vez que ingresaron a la era digital, los editores descubrieron nuevas formas de monetizar su contenido. Sin embargo, también se encontraron en un territorio desconocido. Medir el rendimiento del contenido ahora implicaba utilizar herramientas de análisis y adquirir conocimientos de datos, lo que para muchos editores resultó ser un gran bocado para tragar. De ahí la falacia de confiar en métricas únicas.
Intentemos ver por qué métricas únicas como
- Páginas vistas
- Tiempo en la página y
- Visitantes que regresan
no pueden ser métricas confiables para los editores que desean medir el desempeño de su contenido, comprender el comportamiento de su audiencia, identificar a sus lectores leales y fomentar una relación sólida con ellos.
1. Páginas vistas
Las páginas vistas han estado siempre presentes para medir el rendimiento de los anuncios y la popularidad de las páginas de productos en los sitios web de comercio electrónico. Esta métrica despegó por primera vez con Google Analytics , que es una de las herramientas de análisis más conocidas que existen, diseñada principalmente para empresas de comercio electrónico.
El problema con las páginas vistas:
Desafortunadamente, a falta de algo mejor, muchas herramientas de análisis del mercado pronto adoptaron las páginas vistas como una métrica legítima para medir el rendimiento del contenido.
Así es como muchos editores han interpretado erróneamente las páginas vistas: más páginas vistas equivalen a más visitantes y más participación. Si algún contenido genera muchas páginas vistas, en última instancia es mejor que el resto de los artículos, ¿verdad?
No precisamente.
Abordemos este problema sistemáticamente.
Así es como se definen las páginas vistas en Google Analytics :
Una página vista (o visita de página vista, visita de seguimiento de página) es una instancia de una página que se carga (o recarga) en un navegador. Las páginas vistas son una métrica definida como el número total de páginas vistas. […] Si un usuario hace clic en recargar después de llegar a la página, esto se cuenta como una página vista adicional. Si un usuario navega a una página diferente y luego regresa a la página original, también se registra una segunda página vista.
También existe una métrica llamada Páginas vistas únicas que representa una cantidad de sesiones durante las cuales se ha visto una determinada página al menos una vez. Entonces, si un determinado usuario visita la página en cuestión, luego se aleja de ella y vuelve a ella dentro de la misma sesión, GA contará 1 página vista única.
Sin embargo, las páginas vistas son una métrica del navegador y no describen la naturaleza de la conexión ni el nivel de participación que los visitantes del sitio tuvieron con su contenido. Ni de lejos.
Una persona puede abrir un determinado artículo y luego cerrarlo inmediatamente, o dejarlo abierto en una pestaña del navegador mientras hace otra cosa. Independientemente, el script de la herramienta de análisis la registrará como una página vista.
Podríamos decir que el nombre más preciso para Pageviews sería Page-Loads , ya que esta métrica no necesariamente muestra la cantidad de personas que vieron la página, sino la cantidad de veces que la página fue cargada en el navegador.
Cómo los editores intentan entender las páginas vistas:
Los editores y especialistas en marketing de contenido pueden intentar darle más sentido a esta métrica observando cómo se correlaciona con otras métricas individuales disponibles dentro de GA y herramientas de análisis similares.
Por ejemplo, observarán la combinación de métricas individuales disponibles: páginas vistas, tiempo promedio en la página y tasa de rebote. Entonces, la “fórmula” común para estimar si un determinado artículo funcionó bien o no es algo como esto:
Alto número de páginas vistas + "bueno" tiempo promedio en la página + baja tasa de rebote
El Tiempo en Página “ideal” sería el que se corresponda con el tiempo de lectura necesario para el artículo en cuestión. La velocidad promedio de lectura es de aproximadamente 265 palabras por minuto, por lo que los editores se sientan y hacen algunos cálculos simples: si su artículo tiene 1500 palabras, una persona tardaría alrededor de 5 minutos y medio en leerlo, de arriba a abajo. Por supuesto, no todos los visitantes del sitio lo leerán completo, por lo que el tiempo promedio en la página será menor. La parte complicada para los editores es decidir qué tiempo sería aceptable aquí, es decir, cuál es el "buen" tiempo promedio en la página.
¿El problema clave con esto? Bueno, la forma en que se calcula el tiempo promedio en la página dentro de GA y herramientas similares puede arruinar sus suposiciones (consulte el siguiente segmento llamado Tiempo en la página/Tiempo promedio en la página).
Por definición, un rebote es una sesión de una sola página en su sitio. La tasa de rebote es el porcentaje de visitas a una sola página. La tasa de rebote de una página se basa únicamente en las sesiones que comienzan con esa página.
Entonces, los editores piensan: cuanto menor sea la tasa de rebote, mejor. En teoría, tienen razón ya que esto indica que las personas estaban interesadas en otros contenidos publicados en su sitio web, es decir, decidieron navegar más. Pero la información sobre la forma en que realmente interactuaron con su contenido no está disponible en los informes estándar de GA. Puede suponer que algunos de ellos se quedaron en su sitio web, pero eso es todo.
En Internet puedes encontrar información sobre los valores ideales del porcentaje de rebote : no superan el 40%, mientras que los valores medios llegan hasta el 55%. Sin embargo, debes establecer una base de acuerdo con tu propio sitio web y no perseguir cifras y normas que funcionen para otra persona. Además, los valores del porcentaje de rebote pueden ser terriblemente engañosos si no se interpretan correctamente. El contexto también es importante: por ejemplo, si una página de contacto tiene una tasa de rebote alta, no es que no proporcione valor. Simplemente responde a una consulta específica para los usuarios que luego no sienten la necesidad de seguir navegando.
Cómo abordamos este problema:
A diferencia de las páginas vistas en GA y herramientas similares, en Content Insights hemos desarrollado métricas complejas . Nuestra solución de análisis tiene lecturas de artículos , que se centra en el comportamiento humano real, ya que tiene en cuenta el tiempo real que pasan en la página, pero también la forma en que las personas interactúan con la página (por ejemplo, clics, selección de texto, desplazamientos, etc.). Además de las lecturas de artículos, CI también tiene la profundidad de lectura como una métrica compleja que revela qué tan profundamente ha llegado un visitante a leer un contenido. Para mayor precisión, se apoya en la combinación de varias métricas, una de ellas es el Tiempo de Atención. Además, también tenemos la profundidad de página , que calcula el número promedio de páginas visitadas después de que un lector abre la página o artículo inicial.
2. Tiempo en la página / Tiempo promedio en la página
Muchos editores analizan el tiempo en la página y el tiempo promedio en la página cuando intentan definir qué contenido podría considerarse atractivo. Piensan que cuanto más tiempo permanezcan las personas en una determinada página, mayor será la probabilidad de que el contenido ofrecido sea atractivo.
Sin embargo, después de comprender la forma en que se mide esta métrica, verá que no proporciona información confiable.
El problema de medir el tiempo en la página:
Google Analytics y herramientas de análisis similares miden estas métricas sólo a nivel del navegador, lo que no dice nada sobre la forma en que las personas interactúan con el contenido.
Cuando una persona sale de la página pero deja la pestaña abierta, Google Analytics y herramientas de análisis similares no pueden registrarlo. En lo que respecta a los análisis, la persona nunca abandonó el sitio web. Además, GA no puede medir el tiempo que un usuario pasó en la última página de su visita a su sitio. Además, si el visitante se marcha después de ver sólo una página (es decir, si la visita es un rebote), no se registrará ningún tiempo.
Como puede ver, estos datos no reflejan adecuadamente el nivel de participación del lector con su contenido.
Cómo los editores intentan entender el tiempo promedio en la página:
Algunos editores implementan rastreadores de eventos, como la profundidad de desplazamiento, en un intento de obtener informes más precisos y garantizar que se mida el tiempo en la página incluso si la página es un rebote. Sin embargo, no es tan simple.
Cuando se trata de depender únicamente de la profundidad de desplazamiento, existe un problema subyacente relacionado con:
- actividad real del usuario
- la ubicación del pliegue
- la longitud del artículo
Digamos que una persona se desplaza por el 60% de su contenido, pero lo hace en una pantalla que no está ampliada al 100% sino al 75%. Pueden ver el resto de su contenido y no continuar desplazándose hacia abajo.
O digamos que están en el 60% de tu contenido, pero permanecen allí durante media hora (la página permanece abierta y se alejan de su computadora), antes de finalmente rebotar. Además, el hecho de que se desplacen por su contenido no significa que realmente lo lean. ¿Y si el artículo no es muy extenso? La profundidad de desplazamiento será del 100%, pero esto no significa que este artículo en particular haya generado más participación o tenga mejor rendimiento que otros.
No hace falta decir que, incluso con el seguimiento de eventos, es posible que los informes no sean precisos ya que no proporcionan una imagen completa. Las discrepancias en los datos no son raras, por lo que los propietarios de cuentas pueden notar en su informe que el tiempo promedio en la página es mayor que la duración promedio de la sesión, lo cual no tiene mucho sentido. En Google Analytics, esto se llama "tiempo perdido".
Cómo abordamos este problema:
A diferencia de GA y herramientas de análisis similares, Content Insights mide el tiempo de atención , que es el tiempo real que un usuario pasa en la página consumiendo contenido. No tiene en cuenta el tiempo de inactividad, es decir, el tiempo que una persona no está activa en la página o está fuera de la página. Entonces, lo que obtienes con esta métrica es el tiempo de interacción real.
Nuestra solución de análisis se basa en un algoritmo complejo llamado Indicador de rendimiento de contenido (CPI). El IPC siempre se presenta en forma de número, del 1 al 1000, siendo 500 la línea de base (también conocida como la "norma") para el sitio web, sección, tema, autor o artículo observado.
CPI toma en consideración docenas de métricas de rendimiento de contenido diferentes y examina sus relaciones. También los pondera de manera diferente según tres modelos de comportamiento: exposición , compromiso y lealtad . Por eso, hemos desarrollado tres IPC que miden estos comportamientos: IPC de exposición , IPC de compromiso y IPC de lealtad .
En el contexto de la participación, tenemos el IPC de participación que se calcula midiendo la lectura atenta y el recorrido del lector dentro del sitio o dominio. Ofrece una forma mucho más avanzada y precisa de medir la participación en comparación con simplemente examinar el tiempo en la página, que es una métrica única dentro de GA y herramientas de análisis similares.
3. Visitantes que regresan
Para comprender qué son los visitantes recurrentes, debemos examinar brevemente la forma en que Google Analytics y la mayoría de las herramientas de análisis actuales rastrean a los usuarios.
La primera vez que un determinado dispositivo (computadora de escritorio, tableta, dispositivo móvil) o navegador (Chrome, Firefox, Internet Explorer) carga el contenido de su sitio web, el código de seguimiento de Google Analytics le asigna una identificación única y aleatoria llamada identificación del cliente y luego la envía. al servidor GA
La identificación única se cuenta como un nuevo usuario único en GA. Cada vez que se detecta una nueva identificación, GA cuenta un nuevo usuario. Si el usuario elimina las cookies del navegador, la identificación se elimina y se restablece.
Teniendo esto en cuenta, un visitante recurrente es aquel que utiliza el mismo dispositivo o navegador que antes para acceder al sitio web e iniciar una nueva sesión, sin borrar las cookies . Entonces, si Google Analytics detecta la identificación del cliente existente en una nueva sesión, lo ve como un visitante recurrente.
El problema con los visitantes que regresan:
El problema con el cálculo de los visitantes que regresan es obvio: las herramientas de análisis pueden contar al mismo visitante que regresó al sitio web como nuevo , simplemente porque cambiaron su dispositivo o navegador, o borraron sus cookies. No hay mucho que nadie pueda hacer al respecto ya que su identificación de cliente se cambia de esta manera. No es posible rastrear usuarios en diferentes navegadores y dispositivos. Además, Google Analytics puede contar al mismo visitante como nuevo y recurrente, si regresa dentro de un período de tiempo determinado. Esto significa que puede haber una superposición entre los visitantes nuevos y los que regresan, lo que provoca discrepancias en los datos. Además, el mismo usuario podría contarse dos veces para la misma fuente/medio.
Sin embargo, aquí hay un problema mucho mayor:
Muchos editores han aceptado los visitantes recurrentes como una métrica que indica el número de lectores leales, lo cual es una falacia lógica.
Los visitantes recurrentes indican la cantidad de personas que visitaron su sitio web en el pasado y luego regresaron. Sin embargo, este informe no dice nada sobre:
- Qué tan bueno es su contenido para atraer visitantes
- El comportamiento humano real (cómo las personas interactúan con su contenido)
- La frecuencia y actualidad de sus visitas.
- Si esos visitantes son realmente leales a su publicación o simplemente son fisgones ocasionales que estuvieron en su sitio web antes (es decir, estos visitantes han formado el hábito real de visitar su publicación o simplemente se toparon con su sitio web más de una vez durante un período de tiempo determinado). por razones XY)
Para comprender mejor esta métrica, podemos intentar explicarla con una simple analogía. Si una persona va a una tienda, la sale y regresa, sin ninguna intención específica ni sin realizar una compra, ¿es esta persona un cliente leal por defecto? No precisamente. Podrían serlo, pero no es posible saberlo realmente.
Una vez más, debemos subrayar que los visitantes recurrentes miden la actividad del navegador y no tiene nada que ver con la lealtad.
Cómo los editores intentan entender a los visitantes que regresan:
Muchos editores optan por ignorar estas falacias de cálculo o ni siquiera son conscientes de cómo se miden realmente las cosas. Tienen en cuenta la proporción de visitantes nuevos y recurrentes para obtener una descripción general superior del tipo de tráfico que atrae su sitio web, incluso si no es muy precisa. Luego comparan aspectos como el número de sesiones o el tiempo promedio en la página, en un intento de descubrir las similitudes y diferencias entre cómo los visitantes nuevos y recurrentes interactúan con su sitio web. Además, pueden optar por aplicar segmentación y generar informes personalizados para obtener más detalles sobre sus visitantes.
Aún así, estos informes se basan en métricas únicas que no brindan información útil cuando se trata de medir el rendimiento del contenido.
Otra cosa que los editores pueden utilizar para obtener datos más precisos es el seguimiento de la identificación del usuario , es decir, establecer un sistema de inicio de sesión en su página web donde los usuarios puedan iniciar sesión. Cuando inician sesión, los usuarios pueden ser rastreados fácilmente en todos los dispositivos. Sin embargo, GA no funciona retroactivamente, por lo que si elige implementar un sistema de inicio de sesión, no conectará ninguna sesión anterior. El problema candente aquí es que no es probable que sus visitantes opten por iniciar sesión en su sitio web si el contenido está disponible de todos modos.
Cómo abordamos este problema:
El equipo de Labs de Content Insights ha estado particularmente interesado en comprender y definir a los lectores leales y en encontrar una manera de medir la lealtad .
Finalmente, hemos definido a los lectores leales como "rutinariamente muy comprometidos" , ya que se corresponde con mayor precisión con su habitual . Hay una forma específica en que se cuentan sus "Días activos" dentro de los análisis del CI para garantizar que realmente estén interactuando con el contenido.
A diferencia de otras herramientas de análisis, medimos la lealtad a nivel del contenido porque eso es lo que realmente importa. Los editores quieren identificar aquellos contenidos que fomentan un comportamiento leal y tal vez contribuyan a convertir lectores leales en suscriptores.
Con las últimas mejoras de nuestro IPC de Lealtad , ahora es posible medir exactamente eso. Este modelo de comportamiento analiza cómo los artículos contribuyen a la lealtad general de su base de lectores en el sitio web.
“Si no está roto, no lo arregles”
Hemos creado una descripción general de las métricas individuales más utilizadas y mostramos con gran detalle por qué es incorrecto basar los informes de rendimiento del contenido en ellas.
El tema candente aquí es que muchos de los editores de hoy no se molestan en entender la forma en que se calculan las cosas.
Por ejemplo, los editores realmente creerán que cuando soliciten el Informe de audiencia en GA, obtendrán información precisa y confiable sobre cómo su audiencia consume su contenido. Pero cada informe en GA como herramienta lista para usar se basa en métricas únicas que describen los eventos del navegador .
Estos informes no pueden medir adecuadamente el comportamiento humano y su complejidad, sin importar cómo se les llame. Muchas herramientas de análisis en el mercado han creado narrativas completas que de hecho son falsas y engañosas, ya que realmente no se pueden medir las cosas que se le prometen.
Puedes llamar tigre a un gato y fingir que está bien solo porque pertenecen al mismo árbol genealógico de felinos, pero en algún momento, el error saldrá a la superficie y se volverá dolorosamente obvio para todas las partes interesadas clave. Un maullido no es un rugido.
Algunos editores están empezando a darse cuenta de la falacia de creer en métricas únicas al medir el rendimiento del contenido, pero optan por hacer la vista gorda. Otros aún no son conscientes de que el problema existe.
Dado que la gente es naturalmente muy resistente al cambio, muchos editores se apegan al principio de “si no está roto, no lo arregles”. Su lógica es sensata: han estado utilizando métricas únicas y lograron llegar a fin de mes. El cambio significa que existe el peligro de perder el control, lleva escrito "incertidumbre", impone trabajo adicional y, en general, da miedo, incluso terrorífico.
Sin embargo, las cosas ESTÁN rotas y SÍ necesitan ser reparadas.
Al igual que todos los cambios fundamentales, este cambio de métricas únicas a métricas complejas sigue la llamada Ley del Movimiento de Hemingway : ocurre gradualmente y luego de repente. Y al igual que con cualquier tipo de tecnología o método disruptivo que impulse al mundo hacia adelante, los primeros en adoptarla obtienen una ventaja competitiva. Lo hemos visto suceder. Así es como funciona el progreso.
Ahora el foco de atención está sobre ti. ¿Qué análisis utilizas? ¿Cómo se le dan sentido a los datos? ¿Cuál es su métrica “estrella del norte” para medir el rendimiento del contenido? Lo invitamos a unirse a esta conversación y compartir sus pensamientos en los comentarios a continuación.
