Conversación con Aingeru Duarte Fernández

Head of Digital Analytics en Adevinta, con una trayectoria profesional ligada al análisis de usuario. Desde los inicios con un foco muy orientado a la analítica Web, pasando por la gestión de metodologías de medición, equipos CRO, Marketing Digital y experimentación. Actualmente con foco en la estrategia digital, optimización y personalización del canal online.

Su pasión extra laboral es el Football Americano, y actualmente ejerce como Head Coach en el equipo de Barcelona. Y los pocos tiempos libres disponibles que quedan los dedica a la afición de la escultura tradicional.

Mientras repasaba tu biografía me he fijado  que estudiaste Ingeniería técnica Informática. ¿Cómo y cuándo te adentraste en el mundo de Data & Analytics? 

Es una buena pregunta, porque hasta que no estaba casi terminando la carrera, no tenía muy claro aún “qué quería ser de mayor”. La ingeniería me enseñó muchos aspectos técnicos: programación, estructura de datos, redes, etc. Pero muy poco de sistemas de gestión, Internet… y nada de analítica web, ecommerce o CRO. Esta última faceta la conocí en mi primer trabajo como becario, y ahí fue donde descubrí cuál quería que fuera mi trayectoria: estudiar al usuario. Hablamos del año 2006, de aquella Beca, y desde entonces sigo estudiando al usuario (entre otras muchas cosas) ;)

Y de aquellos primeros años en los que empezaste a usar Omniture SiteCatalyst, WebTrends, Urchin y otras muchas herramientas hasta la actualidad ¿qué grandes cambios dirías que ha vivido el mundo de la Analítica Web?

Hay grandes cambios, pero el más significativo lo estamos viviendo este año. Desde los inicios con Urchin o Webtrends, que eran herramientas que analizaban los logs de usuarios y podían ser almacenados en servidores locales, pasamos a las tradicionales herramientas de analítica Web como Google Analytics (1, 2 y 3) o Site Catalyst. Éstas últimas basadas en user-agent y cookies para el reconocimiento de los usuarios, y ejecutadas bajo el modelo Page o Session Centric.

Ahora el foco está puesto más que nunca en User Centricity, estrategia que requiere que la tecnología de medición no distinga entre plataformas. Esto está cambiando el paradigma hacia un modelo basado en eventos, y los grandes players como Google Analytics 4 o Adobe Customer Journey ya están irrumpiendo el mercado en este sentido.

Ahora me gustaría pedirte una comparativa rápida de pros y contras de las diferentes herramientas de Analítica web que hay en el mercado

Todo depende de las necesidades de la empresa, de los casos de uso que se quieran cubrir, y de la prioridad de los mismos dentro del modelo de negocio.

En el panorama actual, y en línea del foco User Centric comentado en la pregunta anterior, mi top tres de herramientas sería:

• Amplitude. Muy potente en análisis de cohortes, construcción de segmentos, configuración de funnels y pathing de usuario. Si nuestra visión es hacer un profundo análisis en el ámbito de producto, es la más potente. Aunque en áreas como Marketing tiene menos profundidad.

• Adobe Customer Journey. Es menos especialista en cohortes que Amplitude, pero más polivalente en general. Áreas como Marketing pueden hacer análisis deep dive con criterios custom de atribución. Es muy personalizable tanto en definiciones, como en creación de informes. Quizás tiene la curva de aprendizaje más elevada, y esto en parte es debido a su alta capacidad de personalización.

• GA4: El nuevo juguete de Google Analytics, que ha hecho un cambio radical a lo que venimos acostumbrados. Google sigue apostando por la sencillez y por el “menos es más”, reduciendo la curva de aprendizaje. Su gran baza es el Consent Mode, el acceso a datos a través de Big Query, y la gran sinergia con la comunidad Google (Data Studio, Google Ads, Optimize, etc.)

En el caso de Google Analytics hay abierto ahora mismo un debate sobre privacidad y cumplimiento de las normativas europeas (Francia, Austria). ¿Cuál es tu punto de vista al respecto? 

Básicamente el problema está en el almacenamiento de datos de Google, cuyos servidores están en USA. La apuesta de Europa es tener un control de los datos restringido a la normativa Europea, y países como los que citas lo empiezan a exigir.

Hace unos años pasó algo similar con Alemania, y entiendo que empieza a ser un tema recurrente donde Google acabará cediendo. No es algo que creo deba preocupar hoy por hoy a los usuarios de Google Analytics, aunque estaremos atentos. Desde luego, Google debe ser completamente transparente sobre la privacidad del usuario y el tratamiento que hace de los datos.

Y por cerrar el capítulo Google Analytics, actualmente se está viviendo una migración (de 360 a GA4). Yo recuerdo que las migraciones que yo viví de Google Analytics Classic a Universal fueron bastante “dolorosas”. ¿Cómo estás viviendo la migración a GA4? ¿Y qué nuevas funcionalidades de GA4 te parecen más interesantes?

GA4 es el cambio más radical que Google ha hecho con su plataforma de medición desde que compró Urchin. Ya no solo porque la herramienta es muy diferente, sino porque el tagging plan es distinto. La forma de medir e incluso la orientación de toma de requerimientos es algo que ha cambiado respecto a anteriores GA.

El analista web que hoy en día usa GA Universal, es muy distinto al analista que usará GA4, que requiere un nivel más técnico para la generación y consumo de la información.

La gran baza de GA4 es que (por fin) tenemos todos los datos en una única property. Se acabaron los datos segmentados por plataforma, y el hacer interpretaciones sesgadas por la tecnología de medición. Ahora todo son eventos y propiedades de eventos asociados al User ID. Y todo evento ejecutado en App, Web, In Store, etc. estará en el mismo repositorio para poder hacer análisis cross platform a todos los niveles.

Si hablamos de análisis de Apps ¿qué herramientas de analítica recomiendas?

Siguiendo aferrado al User Centric approach, diría que las herramientas de medición tienen que poner el foco en el usuario con total independencia de la plataforma en la que navega. Es decir, la misma herramienta usada en Web debería ser la que usemos en App y viceversa, con el fin de disponer de toda la traza de usuario.

Ahora bien, si hablamos de Pure Players en Apps (Mobile Apps, TV Apps, etc), hay varias herramientas en el mercado que han desarrollado su producto desde modelos Mobile First. Aquí encontramos la ya citada Amplitude, Firebase (que sirve sus datos a GA), o Mixpanel entre otras.

Parece que caminamos a un escenario en el que las cookies desaparecen. ¿Cuál crees que será el impacto en el mundo de la analítica web?

El mercado se está adaptando a una era cookieless, y tanto empresas como herramientas están acelerando para llegar con los ajustes hechos a principios del ‘23, fecha marcada por Google. Actualmente Safari y Firefox ya han hecho tratamiento de Cookies de terceros, pero Chrome es el navegador mayoritariamente usado en España, y el que marca la fecha de inicio a una era sin cookies.

En cuanto a la analítica, toda medición que dependa de una cookie de “tercera parte” tendrá un impacto en la calidad del dato. Es por ello que muchas empresas apuestan por aumentar las campañas de registro de usuario; eso también explica el auge de los CDPs con el fin de mantener identificadores de usuario asociados y vinculados a los sistemas de medición.

En ese sentido la existencia de “muros” entre los datos que recoge Facebook, los que recoge Google o los que recoge Apple hace cada vez más difícil una análisis “end-to-end” del comportamiento de los usuarios. ¿Cuál es tu recomendación para una empresa que quiera entender mejor el impacto de su inversión en medios digitales?

Son retos, y estamos en una era de muchos retos: Cookieless, Privacy, cookies consent… que afectan directamente a lo que podemos o no medir, y en consecuencia, no todo lo que antes se medía, se va a poder medir mañana. Métricas de negocio como “sesiones” / “visitas” son ya vanity metrics que quizás en los presentes modelos event model dejen de tener tanto peso.

En un escenario en el que cada vez es más difícil tener el “Total de los datos” a lo que usuarios se refiere, debemos centrarnos en el dato fiable del que disponemos para la toma de decisiones. Pero para ello, es necesario recalcar en la importancia de disponer de una correcta medición de todas las acciones de campaña con el fin de tener un óptimo “marketing channel mix”.

Hablemos ahora de otro de los campos en los que eres un experto: el A/B Testing. Soy de los que piensa que es una herramienta maravillosa pero que en algunas ocasiones se utiliza de forma incorrecta. Igual te suena rara la pregunta, pero ¿cuáles son los tres/cuatro errores fundamentales que se pueden cometer cuando se hacen tests A/B? 

No es una pregunta rara, se hacen numerosos errores en torno a la experimentación, generalmente asociados a la falta de un framework que garantice una óptima definición, una correcta implementación, y/o sobre todo la toma de decisión adecuada.

Por citarte algunos errores:

• La definición del objetivo sobre el que buscamos medir la significancia estadística debe centrarse en el mismo elemento de cambio. En numerosas ocasiones se tiende a declarar un objetivo asociado a una parte del funnel más lejana (venta, leads, etc).

• Usar calculadoras para determinar el minimum detectable effect, la duración del test o el tamaño de la audiencia, es muy importante para tener una estimación de lo que esperamos en un experimento. No siempre se usan, y pienso que son un elemento fundamental.

• Y bajo mi punto de vista, uno de los errores más comunes que he visto en cuanto a un AB es la interpretación del resultado. No siempre se toma la referencia de la significancia estadística, o no se hace la debida extensión de análisis para conocer el impacto de la variación en diferentes segmentos.

Me gustaría pedirte una breve comparativa de las principales herramientas de A/B test, con sus pros y contras

Realmente yo entiendo el AB test como un proceso más que una herramienta. Si este proceso está bien construido y con los roles definidos, tenemos grandes garantías de hacer buenas activaciones de experimentación con independencia de la herramienta que se tenga. De hecho, grandes players con volúmenes de experimentos muy elevados, usan sus propias herramientas en lugar de herramientas de terceros.

Sobre herramientas de mercado hay varias opciones, aunque es importante tener en cuenta el stack tecnológico para evaluar si encaja una u otra. Por ejemplo, Google tiene Optimize, Adobe tiene Target, Amplitude tiene su sistema interno, etc. Diría que las herramientas más populares son Optimizely (Full Stack) y Apptimize (app oriented).

En una de las preguntas anteriores hablabas de los CDPs (Customer Data Platform) y de hecho creo que andas involucrado en un proyecto sobre este tema. ¿Podrías decirme cuál es la función de un CDP y qué valor le aporta a una organización si la comparamos con herramientas de CRM?

Sí, ahora estoy bastante inmerso en CDPs. Realmente puede ser muy potente si está bien integrado. Va más allá de un CRM en cuanto a la identificación de usuario, y es ahí donde radica su auge. Aunque con los CDPs (al igual que analytics tools), hay de todos los colores. No todos hacen lo mismo, e incluso te diría que no todos son CDPs (aunque los vendan como tal).

Desde mi punto de vista, un CDP debe permitir vincular todos los identificadores de usuario por medio de un identity graph, de forma que tengamos opciones muy garantistas de reconocimiento. Con esto, el poder crear segmentos y audiencias de usuarios y activarlos en las diferentes destinaciones nos lleva a un espectro muy amplio de actuación en áreas como Advertising, Marketing, Producto y Analítica.

¿Y cuál es la mayor complejidad de un proyecto de CDP?

Dependiendo si el CDP es de desarrollo propio o de un tercero, generalmente me he encontrado problemáticas en la integración con terceros. No existe el plug&play con todo, y algunas destinaciones requieren mayor workaround que otras. 

También depende mucho de la situación del Tagging plan. Un CDP requiere de un buen tagging nutrido con varios identificadores de usuario y con las acciones de usuario medidas en eventos. A mayor definición de este tagging, mayor precisión tendremos en la creación de audiencias y journeys de usuario.

Termina esta frase. Un buen equipo de Analytics es aquel que…

… Impulsa la cultura data driven en la organización.