Además de encontrar un modelo comercial sostenible, los editores de hoy 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 simples en el pasado. Los editores podrían medir el éxito de su negocio anotando 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 circulación fue particularmente importante para los anunciantes que querían alguna prueba de valor antes de invertir en espacio publicitario.
Los editores de medios heredados aún confían en este tipo de cálculos porque, seamos sinceros, es tan bueno como parece.
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 el uso de herramientas de análisis y la alfabetización de datos, lo que para muchos editores resultó ser un gran bocado. De ahí la falacia de confiar en métricas únicas.
Probemos y veamos por qué métricas individuales como
- Páginas vistas
- Tiempo en la página y
- Visitantes que regresan
no pueden ser métricas confiables para los editores que desean medir el rendimiento de su contenido, comprender el comportamiento de su audiencia e 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, diseñada principalmente para empresas de comercio electrónico.
El problema con las páginas vistas:
Desafortunadamente, a falta de algo mejor, las páginas vistas pronto se adoptaron como una métrica legítima para medir el rendimiento del contenido por muchas herramientas de análisis en el mercado.
Así es como muchos editores han interpretado erróneamente las visitas a la página: más visitas a la página 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, ¿no?
Realmente no.
Abordemos este problema sistemáticamente.
Así es como se han definido las páginas vistas en Google Analytics :
Una vista de página (o hit de página vista, hit de seguimiento de página) es una instancia de una página que se carga (o recarga) en un navegador. Páginas vistas es 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 vista de página adicional. Si un usuario navega a una página diferente y luego regresa a la página original, también se registra una segunda página vista.
También hay una métrica llamada Visitas de página únicas que representa una cantidad de sesiones durante las cuales una determinada página se ha visto al menos una vez. Por lo tanto, 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 vista de página única.
Sin embargo, las páginas vistas son una métrica del navegador y no describen la naturaleza de la conexión o el nivel de interacción que los visitantes del sitio tuvieron con su contenido. No 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. El script de la herramienta de análisis lo registrará como una página vista independientemente.
Podríamos decir que el nombre más preciso para páginas vistas sería Page-Loads , ya que esta métrica no muestra necesariamente la cantidad de personas que vieron la página, sino la cantidad de veces que se cargó la página en el navegador.
Cómo intentan los editores dar sentido a las páginas vistas:
Los editores y los especialistas en marketing de contenido pueden tratar de 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: visitas a la página, 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 + “buen” tiempo promedio en la página + baja tasa de rebote
El Tiempo en Página “ideal” sería el que se corresponde con el tiempo necesario de lectura del 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, por lo que el tiempo promedio en la página será menor. La parte difícil para los editores es decidir qué tiempo sería aceptable aquí, es decir, cuál es el tiempo promedio "bueno" 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 pueden estropear 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 línea, puede encontrar información sobre los valores ideales de la tasa de rebote : no superan el 40%, mientras que los valores promedio llegan al 55%. Sin embargo, debe establecer una línea de base de acuerdo con su propio sitio web y no perseguir cifras y normas que funcionen para otra persona. Además, los valores de la tasa 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 navegar más.
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 se pasa en la página, pero también la forma en que las personas interactúan con la página (p. ej., clics, selección de texto, desplazamientos, etc.). Además de las lecturas de artículos, CI también tiene profundidad de lectura como una métrica compleja que revela cuán profundamente un visitante se ha metido en la lectura de un contenido. Para mayor precisión, se apoya en la combinación de varias métricas, siendo una de ellas el Tiempo de Atención. Además, también tenemos profundidad de página , que calcula el número promedio de páginas visitadas después de que un lector abre la página inicial o el artículo.
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 darse cuenta de 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 solo 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 va después de ver solo una página (es decir, si una visita es un rebote), no se registrará ningún tiempo.
Como puede ver, estos datos no reflejan correctamente el nivel de compromiso del lector con su contenido.
Cómo intentan los editores dar sentido al 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 su 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 tu 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 un 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 brindan una imagen completa. Las discrepancias de datos no son raras, por lo que los propietarios de cuentas pueden notar en su informe que el tiempo promedio en la página es más largo que la duración promedio de la sesión, lo que 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 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 participación real.
Nuestra solución de análisis se basa en un algoritmo complejo llamado Indicador de rendimiento de contenido (CPI). El CPI 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, la sección, el tema, el autor o el artículo observados.
CPI tiene en cuenta docenas de diferentes métricas de rendimiento de contenido y examina sus relaciones. También los pondera de manera diferente según tres modelos de comportamiento: exposición , compromiso y lealtad . Por lo tanto, hemos desarrollado tres CPI que miden estos comportamientos: exposición, CPI de compromiso y CPI de lealtad .
En el contexto de la participación, tenemos CPI de participación que se calcula midiendo la lectura atenta y el viaje del lector dentro del sitio o dominio. Ofrece una forma mucho más avanzada y precisa de medir el compromiso 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 recurrentes
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 ID se elimina y se restablece.
Teniendo esto en cuenta, un visitante recurrente es aquel que usa 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 que regresa.
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 , solo porque cambió su dispositivo o navegador, o borró 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 a los usuarios a través de 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 puede contarse dos veces para la misma fuente/medio.
Sin embargo, hay un problema mucho más grande aquí:
Muchos editores han aceptado a los visitantes recurrentes como una métrica que indica el número de lectores leales, lo cual es una falacia lógica.
Los visitantes que regresan 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.
- Ya sea que esos visitantes sean o no leales a su publicación o simplemente fisgones ocasionales que estuvieron en su sitio web antes (es decir, si estos visitantes formaron un hábito real de visitar su publicación o simplemente tropezaron 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, se va y vuelve de nuevo, sin ninguna intención específica o sin hacer una compra, ¿es esta persona un cliente leal por defecto? Realmente no. Podrían serlo, pero no se puede saber realmente.
Una vez más, debemos subrayar: los visitantes que regresan miden la actividad del navegador y no tienen nada que ver con la lealtad.
Cómo intentan los editores dar sentido a los visitantes recurrentes:
Muchos editores eligen 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 frente a los que regresan para obtener una visión general superior del tipo de tráfico que atrae su sitio web, incluso si no es muy preciso. Luego comparan cosas como la cantidad de sesiones o el tiempo promedio en la página, en un intento de descubrir las similitudes y diferencias entre cómo los visitantes nuevos y los que regresan interactúan con su sitio web. Además, pueden optar por aplicar la 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 procesable cuando se trata de medir el rendimiento del contenido.
Otra cosa que los editores pueden usar para obtener datos más precisos es rastrear la identificación del usuario , es decir, establecer un sistema de inicio de sesión en su página web donde los usuarios pueden iniciar sesión. Cuando inician sesión, los usuarios pueden rastrearse fácilmente en todos los dispositivos. Sin embargo, GA no funciona de forma retroactiva, por lo que si elige implementar un sistema de inicio de sesión, no conectará ninguna sesión anterior. El problema candente aquí es que es probable que sus visitantes no elijan iniciar sesión en su sitio web si el contenido está disponible independientemente.
Cómo abordamos este problema:
El equipo de laboratorios 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 comportamiento habitual Hay una forma específica en que se cuentan sus "Días activos" dentro de los análisis de CI para garantizar que interactúen verdaderamente con el contenido.
A diferencia de otras herramientas de análisis, medimos la lealtad a nivel de contenido porque eso es lo que realmente importa. Los editores quieren identificar aquellas piezas de contenido que fomenten 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”
Creamos 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 el 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 los llame. Muchas herramientas de análisis en el mercado han creado narraciones completas que, de hecho, son falsas y engañosas, ya que realmente no puede medir las cosas que se le prometen.
Puede 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 comenzando a darse cuenta de la falacia de creer en métricas únicas al medir el rendimiento del contenido, pero eligen hacer la vista gorda. Otros aún no son conscientes del hecho de que el problema existe.
Dado el hecho de 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 usando métricas únicas y lograron llegar a fin de mes. El cambio significa que existe el peligro de perder el control, tiene 'incertidumbre' escrita por todas partes, impone trabajo adicional y, en general, da miedo, incluso es aterrador.
Sin embargo, las cosas ESTÁN rotas y NECESITAN arreglos.
Al igual que todos los cambios fundamentales, este cambio de métrica única a métrica compleja sigue la llamada Ley del movimiento de Hemingway : está ocurriendo gradualmente y luego de repente. Y al igual que con cualquier tipo de tecnología o método disruptivo que impulsa al mundo hacia adelante, los primeros usuarios obtienen una ventaja competitiva. Lo hemos visto suceder. Así es como funciona el progreso.
Ahora el centro de atención está sobre ti. ¿Qué análisis usas? ¿Cómo le das sentido a los datos? ¿Cuál es su métrica de "estrella polar" para medir el rendimiento del contenido? Te invitamos a unirte a esta conversación y compartir tus pensamientos en los comentarios a continuación.