Analítica Predictiva para UX: Guía Completa y Herramientas
Incluso con la mejor analítica predictiva del mercado, no podemos ver el futuro con un 100% de precisión. Pero a pesar de eso—y por suerte para nosotros—los humanos somos criaturas predecibles. Eso significa que puedes utilizar el comportamiento pasado de tus usuarios para obtener una comprensión bastante precisa de lo que harán a continuación.
En la gestión de productos y el análisis de datos, a este proceso lo llamamos “analítica de datos predictiva”, y es una de las herramientas más valiosas para construir productos con una experiencia de usuario increíble.
Así que, examinemos la analítica predictiva y cómo puedes utilizarla para optimizar tu experiencia de usuario.
¿Quieres más de The CPO Club?
Regístrate para obtener una membresía gratuita y terminar de leer este artículo:
Have an account? Log In
¿De qué trata la analítica predictiva?
La analítica predictiva es un enfoque avanzado de ciencia de datos para analizar los datos de producto y de usuarios a tu disposición con el fin de predecir (de ahí lo de 'predictiva') las acciones que tus usuarios tomarán y cómo tu producto funcionará en el futuro.
En esencia, implica analizar tus datos con la ayuda de modelos estadísticos, herramientas especializadas y algoritmos de aprendizaje automático para encontrar ciertos patrones de comportamiento. Suponiendo que estos patrones se mantendrán relativamente estables en el futuro, puedes extrapolar tus datos basándote en estos patrones y hacer conjeturas informadas sobre el uso futuro.
Descargo de responsabilidad: toda esta información es muy general, pero apenas estamos arañando la superficie de un conjunto de habilidades muy valioso. Si quieres profundizar, te sugiero que consultes nuestra lista de cursos de analítica de productos y realices uno cada año o dos.
Los beneficios de la analítica predictiva incluyen:
- Mejor calidad en la toma de decisiones: Con una visión clara de lo que viene, podrás tomar decisiones que tengan más probabilidades de conducir al éxito.
- Mejor eficiencia: Las previsiones también te permitirán ver los posibles problemas de eficiencia que podrías encontrar en el futuro si mantienes todo como está. Así, tienes la oportunidad de mejorar tu eficiencia de antemano. Esto puede ayudarte a reducir costos, bajar precios y obtener una gran ventaja competitiva sobre otros.
- Mejor gestión de riesgos: Ciertos tipos de analítica predictiva te ayudan a ver los riesgos empresariales, legales o financieros que se aproximan. Nuevamente, puedes prevenir estos riesgos antes de que se materialicen.
- Mejor personalización para el usuario: Las funciones y contenidos personalizados son la cúspide de la experiencia de usuario. Con la analítica predictiva, puedes sorprender a tus usuarios con sugerencias y experiencias que se adapten perfectamente a sus necesidades.
¿Suena fantástico, verdad?
Pues sí, pero hay una advertencia. Es imposible tener una predicción 100% precisa de los resultados futuros. Después de todo, no somos adivinos de un juego de rol fantasía.
Cualquiera sea el pronóstico que obtengas, será un 70-80% preciso como máximo. Así que, por favor, tenlo en cuenta al tomar decisiones importantes basadas en tus resultados.
Ejemplos de analítica predictiva en productos reconocidos
La falta de precisión absoluta, sin embargo, no significa que no puedas beneficiarte de estos aprendizajes predictivos. De hecho, la analítica predictiva es responsable de algunos de los éxitos de producto más famosos que existen.
Aquí tienes tres historias de éxito de grandes empresas tecnológicas para demostrar mi punto.
Ejemplo 1: El famoso motor de recomendaciones de Netflix
Una de las principales razones por las que la gente adora Netflix es su capacidad para recomendar buenas series. De hecho, el motor de recomendaciones es una de las dos claves del éxito de Netflix (la otra es su fantástica arquitectura de entrega de contenido).
Netflix utiliza inteligencia artificial y técnicas estadísticas para entender las preferencias de cada usuario y recomendar series que probablemente disfrutarán.
Lo que hacen, básicamente, es analizar las series que has visto en el pasado, si las saltaste o las viste hasta el final, y tus intereses generales en tu zona para predecir las categorías y tipos de programas que podrían gustarte.
Incluso te muestran una miniatura personalizada según tus intereses.
Si Netflix ve que ves muchas películas/series con cierto actor, te mostrará una versión del póster en la que ese actor aparece en primer plano. (¡Y si no lo sabías, ahora ya no podrás dejar de notarlo!)
El envío anticipado de Amazon
¿Recuerdas cuando mencioné cómo puedes mejorar la eficiencia con el análisis predictivo? Esto es exactamente lo que hace Amazon con su proceso de envío anticipatorio.
Resulta que el comportamiento humano de compra es bastante predecible. Tendemos a comprar ciertos productos en intervalos regulares (por ejemplo, detergente para la ropa cada mes) o con cierta estacionalidad (decoraciones navideñas, etc.). Por suerte para Amazon, ellos tienen todos estos datos y pueden ejecutar análisis predictivos sobre ellos.
Con la ayuda de sus modelos estadísticos, pueden enviar por adelantado los tipos correctos de productos (y la cantidad correcta) a sus almacenes. Esto les permite disminuir significativamente el tiempo de envío al consumidor final y reducir la cantidad de productos que necesitan enviar de regreso a otro almacén donde tienen más demanda.
Así es como se ve el proceso en los papeles de su patente.
En este diagrama en particular, Amazon muestra el proceso de cambiar la dirección de destino del producto en tiempo real.
Predicciones de Tráfico en Google Maps
Me encanta la función de tráfico en Google Maps. Es increíblemente precisa y rápida.
¿Y sabes cómo han logrado ese nivel de precisión? Exactamente, ¡análisis predictivo!
Google tiene datos sobre casi todo lo que sucede en cualquier ciudad. La gran mayoría de las personas al volante utiliza un dispositivo con Android o algún otro servicio de Google con la geolocalización activada. Así que, si ven un grupo de smartphones moviéndose lentamente en una autopista, lo etiquetan como un atasco.
Pero Google también es capaz de soluciones mucho más inteligentes cuando se trata de predecir el tráfico. Debido a que tienen datos de los grandes eventos que ocurren en casi cualquier ciudad (por ejemplo, un gran partido deportivo), lo consideran también al planificar los itinerarios de los conductores. Por ejemplo, si tienes un viaje de una hora a través de la ciudad y pronto va a comenzar un partido, el algoritmo de Google te mantendrá alejado de las principales vías que probablemente estarán repletas de aficionados al deporte cuando llegues a esa zona.
Hasta ahora, hemos visto el análisis predictivo como una herramienta genérica en manos de las empresas. Sin embargo, el tema principal de hoy es aplicar esta fascinante técnica para mejorar tu experiencia de usuario (UX). Así que, permíteme explicarte cómo puedes llevar tu investigación UX a un nivel completamente nuevo con análisis predictivo.
Técnicas de Análisis de Datos Predictivos para la Investigación UX
El área del análisis predictivo es bastante amplia en cuanto a las diferentes técnicas que puedes aplicar para resolver problemas cotidianos. Pero hoy, quiero que nos enfoquemos en tres que son muy aplicables a la investigación UX: análisis de regresión, árboles de decisión y análisis de series temporales.
Regresión
Si tienes formación en negocios o matemáticas, este término quizá te resulte familiar. Sí, es el clásico modelo estadístico de regresión que puede identificar patrones en tus datos.
En términos más prácticos, la regresión (más específicamente, la regresión lineal) es tu línea de tendencia—una línea en el gráfico que muestra si la actividad de usuario que estás analizando está aumentando o disminuyendo.
Las líneas de tendencia son algo que mi equipo de UX y yo usamos constantemente en nuestros gráficos de Amplitude porque nos ayudan a transformar datos desordenados en tendencias visibles y ver si nuestros cambios de UX han producido resultados positivos.
Aquí tienes un ejemplo de regresión:
Mejoramos nuestro flujo de adquisición con el equipo de UX hace tres meses y queremos ver si el número de registros ha aumentado desde entonces.
Este es un gráfico de registros de usuario de los últimos 90 días, ¿puedes decirme si está creciendo?
Por supuesto que no puedes, es demasiado desordenado.
Pero, deja que cambie el tipo de medición en el gráfico a una fórmula desde la barra lateral.
Y agrego una línea de tendencia.
Ahora, el gráfico de registros se ve así.
Con la línea de tendencia añadida, podemos ver que nuestros cambios tuvieron un efecto positivo en nuestra adquisición. Sin embargo, este cambio es demasiado pequeño para ser estadísticamente significativo, así que diría que nuestros cambios en UX realmente no han supuesto una diferencia real.
Árboles de Decisión
Los árboles de decisión se encuentran entre las estructuras de modelos de IA más populares para analizar tus datos y extraer conclusiones útiles de ellos.
En este caso, una red neuronal toma tu conjunto de datos original y comienza a dividirlo en subgrupos basándose en ciertas condiciones, luego divide estos subgrupos en otros grupos, y así sucesivamente. Como resultado, obtienes algo que se parece a un árbol invertido.
Después de construir este árbol, el algoritmo te dará una respuesta basada en los datos que tienes. En el ejemplo anterior, el árbol de decisión te dirá si debes tomar el autobús a la escuela o ir caminando.
Ahora veamos cómo podemos resolver problemas de UX con estos modelos. Imagina que intentas disminuir la tasa de abandono del carrito en tu tienda de comercio electrónico. Cuando ejecutas el algoritmo de árbol de decisión en los datos de tus usuarios, obtienes el siguiente resultado.
Observando el árbol de decisión anterior, podemos entender los factores clave que afectan la tasa de abandono. En este caso, necesitamos agregar funciones/experiencia de usuario que:
- Anime a las personas a finalizar la compra antes de que su carrito sea más grande.
- Asegure que los costos de envío sean visibles y fáciles de notar en todo tipo de dispositivos.
- Incentive a las personas a iniciar sesión.
- Acelere nuestras páginas.
Luego podemos continuar utilizando herramientas de analítica predictiva para ver cuál de estos factores afectará más la tasa de abandono, ayudándonos así a priorizar estas soluciones.
Análisis de Series Temporales
El Análisis de Series Temporales es el conjunto más avanzado de técnicas de modelado. Como sugiere el nombre, este tipo de análisis se realiza sobre tipos específicos de datos (principalmente datos históricos ligados al tiempo).
Una de las mejores formas de incorporar el análisis de series temporales en tu proceso de UX sería predecir tus principales métricas de experiencia de usuario (por ejemplo, engagement, abandono, retención, etc.) en función del comportamiento de usuario de datos pasados y ver si tienen tendencia a mejorar en el futuro o no. Si las predicciones muestran una disminución en tus métricas, entonces puedes tomarlo como una señal de que algo anda mal y necesitas solucionarlo.
No entraré en demasiados detalles sobre cómo hacer el análisis de series temporales aquí, ya que exploraremos la función Pronóstico de Amplitude a continuación que utiliza esta metodología.
Mejores Modelos y Servicios de Machine Learning para Analítica Predictiva
Junto con todos los beneficios que obtienes con la analítica predictiva, hay un gran inconveniente: son notoriamente difíciles de hacer manualmente. Por suerte, internet está lleno de varias herramientas de investigación y soluciones que pueden ejecutar estos modelos analíticos por ti con solo un clic.
Así que, veamos cómo puedes aprovechar diferentes tipos de herramientas para predecir el futuro de tu UX.
Uso de Herramientas de Analítica de Producto
La forma más rápida y sencilla de hacer analítica predictiva es utilizando herramientas de analítica de producto relativamente avanzadas a tu disposición. Para tareas habituales, normalmente se utiliza Amplitude. Para flujos de trabajo más avanzados que impliquen minería de datos, puedes considerar herramientas avanzadas como Domo o Tableau para análisis predictivos.
Actualmente, mi herramienta diaria para este tipo de casos es Amplitude. Así que permíteme mostrarte cómo puedes usar algunas de sus funciones para predecir el futuro de tu producto.
Cohortes Predictivos
La primera función en Amplitude que puede ayudarte con esto se llama "Cohortes Predictivos".
Amplitude utilizará sus modelos de predicción de IA para crear cohortes de usuarios basándose en la probabilidad de realizar determinadas acciones o comportarse de cierta manera.
Después podrás usar estos cohortes en tu análisis creando gráficos y comparando el comportamiento de las personas en tu cohorte con el resto. También puedes ejecutar pruebas A/B basadas en estos cohortes para ver si los cambios en la experiencia de usuario afectan o no su comportamiento.
Cómo Crear un Cohorte Predictivo en Amplitude
- Primero, simplemente abre la sección de cohortes en Amplitude y haz clic en "Predecir un Cohorte".
2. Luego, puedes empezar a definir el comportamiento que te interesa.
En este caso, queremos agrupar a las personas que tienen más probabilidades de comprar canciones y videos por valor de $25 o más.
En función de tus requisitos, los modelos de Amplitude analizarán tus datos históricos y nuevos y te mostrarán una predicción a la que puedes acceder en la sección de cohortes.
3. Podemos convertir esta predicción en una cohorte útil haciendo clic en ella y guardándola como cohorte.
4. Si lo deseas, tienes la opción de ajustar la selección eligiendo qué percentil de la base de usuarios quieres incluir en tu cohorte. Pero te recomiendo que te mantengas con la selección predeterminada y la guardes haciendo clic en el botón "Guardar como Cohorte".
¡Voilà! Ahora tienes una cohorte dinámica basada en modelos predictivos que puedes usar prácticamente en cualquier lugar de Amplitude, incluidos tus gráficos, análisis y pruebas A/B.
Pronóstico
Otra función de Amplitude que ha sido muy útil para mí y mi equipo de UX es su motor de pronóstico nativo. Automatiza el proceso y utiliza tanto regresión, análisis de series temporales y su propio conjunto de modelos de IA para ofrecerte una predicción de las métricas que te interesen.
Desde mi experiencia, una de las aplicaciones más prácticas de esta función para UX es el pronóstico de las tasas de conversión en el embudo de activación.
Cómo pronosticar las tasas de conversión del embudo de activación en Amplitude
1. Imagina que el embudo de activación para tu herramienta CRM de servicios financieros consta de tres eventos—registro, añadir integración y crear oportunidad. Si observamos la tasa de conversión a lo largo del tiempo, se verá algo así.
Ahora, ya has implementado algunas mejoras de UX en el recorrido hace una semana y quieres saber si han tenido algún efecto tangible. Para ello, pidamos a Amplitude que nos proporcione un pronóstico para los próximos 30 días.
2. Haz clic en el botón "Anomalía + Pronóstico" y luego haz clic en el botón "Agregar pronóstico".
Los modelos de Amplitude se cargarán y nos mostrarán un gráfico como este.
Como podemos ver, no hay un crecimiento visible en la tasa de conversión de nuestro embudo (lo cual es más común de lo que crees). El aprendizaje práctico aquí es implementar otra ronda de mejoras de UX.
Uso de APIs de modelos predictivos en la nube
Utilizar herramientas de analítica de productos para modelado de datos predictivos es bastante útil cuando el problema que intentas resolver es relativamente sencillo. Sin embargo, si necesitas algo más avanzado, puedes optar por APIs de modelos de aprendizaje automático de terceros.
Aquí tienes dos proveedores que mi equipo ha encontrado útiles en el pasado.
API de Machine Learning de AWS
El servicio en la nube de Amazon es rico en diversos modelos de inteligencia artificial para inteligencia de negocio a los cuales puedes conectarte vía API. La plataforma también incluye modelos de análisis predictivo.
- Está Amazon Forecast, que puede trabajar con datos de series temporales—permitiéndote ver el efecto de tu UX a largo plazo.
- También está Amazon Personalize, que te ofrece un motor de personalización escalable y personalizable con el que puedes sugerir productos y servicios relevantes a tus clientes (al igual que hacen Netflix y TikTok).
Infraestructura de IA de Google
A diferencia de Amazon, Google no proporciona modelos de IA predictiva preconstruidos. En su lugar, tienes acceso a su amplio conjunto de herramientas que te permiten realizar análisis de big data y construir tus propios modelos predictivos personalizados de deep learning con la ayuda de tu equipo actual de científicos de datos.
Las herramientas de Google son especialmente adecuadas para manejar grandes volúmenes de datos y detectar tendencias futuras en ellos (sus funciones de gestión de datos son increíbles). Además de realizar predicciones, también puedes utilizar su conjunto de herramientas para tus necesidades de análisis descriptivo, campañas de marketing de ciclo de vida, análisis empresarial, finanzas (por ejemplo, puntuación crediticia) y más.
Así que, si los modelos prediseñados de Amazon no pueden resolver el problema específico que tienes, Google es el servicio al que debes acudir.
Un vistazo al futuro puede salvar tu experiencia de usuario
Todos deseamos poder predecir el futuro. Si pudiéramos, crearíamos productos perfectos con la experiencia de usuario más atractiva del mundo—para bien o para mal. Pero, mientras tanto, el análisis predictivo es la alternativa más cercana para ayudarnos a tomar decisiones basadas en datos sobre la experiencia de usuario y sorprender a nuestros clientes con grandes experiencias.
No olvides suscribirte a nuestro boletín para más recursos y guías sobre gestión de productos, además de los últimos pódcasts, entrevistas y otros conocimientos de líderes y expertos de la industria.