CÓMO DESARROLLAR CAPACIDADES ANALÍTICAS DE LAS EMPRESAS EN VENEZUELA: TRANSFORMAR DATOS EN INFORMACIÓN

Desarrollar las capacidades analíticas de las empresas en Venezuela se refiere al proceso mediante el cual una organización adquiere, implementa y optimiza herramientas, habilidades y estrategias para recolectar, analizar e interpretar datos con el fin de tomar decisiones informadas y mejorar su desempeño general.

Bienvenido a la segunda entrega de la serie “Analítica digital como herramienta gerencial necesaria en las pymes de Venezuela”, un grupo de cuatro publicaciones dirigidas a servir de apoyo a las pymes que buscan desarrollar sus capacidades analíticas en Venezuela.

Como bases teóricas, se han considerado diferentes enfoques de los autores más prominentes de los últimos años, en relación con el tema. Entre los más destacados se encuentran: Zorrilla y Sánchez (2022), Páez et al.(2022), Cibrián (2019), Joyanes (2019) y Kaushik (2011). De la mano de estos y otros expertos analizaremos cómo las pymes pueden desarrollar sus capacidades analíticas basadas en datos provenientes de plataformas digitales.

Te recomendamos leer la primera entrega de la serie «Analítica de datos: Una Herramienta Necesaria para la Toma de Decisiones Empresariales en Venezuela».

Antes de definir la primera habilidad que deben desarrollar las empresas para alcanzar su madurez analítica es necesario contextualizar el entorno. En este sentido, se inicia este apartado con lo señalado por UC Berkeley Executive Education, (s.f.):

Sin duda, la estadística es convincente en cuanto a la importancia del proceso de digitalización para la actual gerencia de las organizaciones.

Debido a la velocidad con la cual se ha impuesto esta realidad, la era digital ha desatado una vorágine de transformación en el tejido empresarial, instando a las organizaciones tradicionales a adaptarse o enfrentar la obsolescencia.

Como señala Joyanes (2022), la digitalización se torna imperativa para la competitividad, siendo la capacidad de innovación y gestión de nuevos modelos de negocio el catalizador de este cambio. No obstante, este camino hacia la digitalización no está exento de desafíos, como lo subraya Páez et al. (2022), quienes enfatizan los retos de la dirección en cuanto a la gestión del cambio, abarcando aspectos de liderazgo, estrategia y entorno organizacional.

Páez et al. (2022) se adentran en el cambio al sistema arterial de las organizaciones para explicar como la transformación digital, la cual lleva inmersa y como principal protagonista la analítica de datos, no se limita únicamente a la implementación de tecnología, también implica un cambio cultural profundo, una reevaluación de los recursos así como de las capacidades de la organización.

Este proceso transversal abarca áreas que van desde el talento humano hasta las operaciones y logística, desafiando la visión convencional de las empresas, además de demandar un enfoque más integral que incorpora elementos de ética, responsabilidad social e innovación.

Kotler et al. (2021), el autor con más autoridad en el campo del marketing, puntualiza a este respecto: “el marketing de contenidos en las redes sociales y las plataformas de comercio electrónico se consideran factores de higiene sin los cuales no pueden competir” (p.96).

En este contexto, la digitalización no solo representa un desafío, sino también una oportunidad para las organizaciones. Según Dini et al. (2021), la adopción de herramientas digitales permite a las empresas tanto percibir como anticipar los cambios del entorno.

La combinación de recursos digitales, análisis de grandes datos e inteligencia artificial proporciona a las empresas una ventaja competitiva al facilitar la recolección, filtrado y predicción de información relevante de manera eficiente y económica (CEPAL, 2021). Las empresas en Venezuela pueden aprovechar estos beneficios para optimizar sus presupuestos y sortear los desafíos que implica la economía del país.

Continuando con el mismo orden de ideas, la digitalización es un proceso inevitable, el cual redefine los paradigmas empresariales, exigiendo una adaptación continua y una visión que trascienda las fronteras tradicionales, llevando a las organizaciones a procesos disruptivos donde los datos son el centro sobre lo que todo lo demás gira.

Quedando claro la implicación de la analítica de datos dentro de un proceso integrado a lo largo de toda la columna vertebral de las empresas y del cual depende su permanencia en una economía cada vez más digitalizada. El desarrollo de fortalezas a adquirir por parte de las empresas para aprovechar el uso de la analítica y las oportunidades que provee, inicia en la capacidad de transformar datos en información.

Con apoyo rotundo a esta idea se identifica a Deloitte s.f, las empresas de servicios profesionales más grande del mundo, quien en su publicación de servicios para empresas señala, en relación con las inversiones actuales en gestión empresarial:

La encuesta nacional sobre analítica de datos en Venezuela realizada por la Consultora Pacheco, Apostólico y Asociados en el año 2022, arrojó como resultado que el 36% de los encuestados señalan que ha comenzado incipientemente a cambiar para adaptarse a iniciativas de analítica web.

Menos de 15% posee una dirección de datos. 69% indican que no existe o existe de forma muy limitada el gobierno de datos. 50% indica no poseer presupuesto donde incluyan personal, tecnología o infraestructura de analítica de datos y solo un 25% indicó invertir en profesionales con perfiles calificados y capacitación en el área.

Desarrollar las capacidades analíticas de las empresas en Venezuela debe iniciar con el proceso de transformación digital, el cual debería ser apoyado por políticas gubernamentales en razón de la importancia que representa para el fortalecimiento de su sector productivo.

Alvarez y Díaz (2023) realizaron un estudio titulado “Chequeo digital en Venezuela: Resultados y reflexiones sobre la madurez digital de las empresas en un entorno económico desafiante”. Esta obra auspiciada por el Banco Interamericano de Desarrollo, ofrece una visión detallada sobre la situación de las empresas venezolanas en términos de de adopción de herramientas digitales en un entorno económico adverso.

Como una de sus conclusiones, el estudio destaca la infrautilización de la capacidad disponible en la infraestructura de red celular y la baja penetración de las redes fijas en la población. Esto sugiere que hay un potencial significativo para mejorar la infraestructura tecnológica del país, lo cual es fundamental para la implementación exitosa de herramientas de analítica digital en las empresas.

Asimismo, se resalta la importancia de mejorar las habilidades y conocimientos del personal en el uso de tecnologías digitales dentro de los negocios. La investigación también señala que la cultura empresarial ha sido una limitante para aprovechar las ventajas de la transformación digital. Esto destaca la necesidad de promover una cultura digital dentro de las pymes, donde se utilicen de manera más eficiente las herramientas tecnológicas para comunicarse con los clientes y mejorar la oferta de productos o servicios.

En el mismo apartado indica la importancia de la disposición de la persona que lidera la empresa para incorporar tecnologías digitales en la rutina diaria de los negocios.

Se concluye que la mayoría de las empresas se encuentran en niveles bajos de madurez digital, especialmente en lo que respecta a la dimensión de datos y analítica. Esto sugiere la existencia de una oportunidad significativa para iniciar un proceso de integración de tecnologías digitales en los procesos internos de las empresas, lo cual puede conducir a mejoras en la eficiencia operativa y en la oferta de productos o servicios.

A este respecto, Barton y Court (2012) como voceros de Mckinsey, subrayan la habilidad de abastecerse de múltiples fuentes de datos y la adquisición de infraestructura tecnológica, combinadas, como la primera fortaleza que deben adquirir las empresas para mejorar su capacidad de análisis.

Por su parte, Joyanes (2019) identifica como primera capacidad la habilidad de identificar, combinar y gestionar múltiples fuentes de datos. Por otro lado, Zorrilla y Sánchez (2022), puntualizan como objetivo de la primera fase a desarrollar en el estudio de la analítica de datos provenientes de plataformas digitales, la transformación del dato en información.

En este sentido, tomando la idea de todos los autores citados, para los efectos de este estudio, se define la primera fortaleza para alcanzar la madurez analítica como: la capacidad de las empresas para recopilar datos de diversas plataformas digitales, gestionarlos y transformarlos en información procesable que pueda ser utilizada para la toma de decisiones empresariales.

Para el análisis, de acuerdo con los postulados de los autores, se han seleccionado dos pilares. En primer lugar, se estudiará la identificación y recolección de datos a través del indicador: recolección de datos. Como segundo indicador se ha establecido: sistemas de información tecnológica, el cual estará relacionado con la infraestructura que permite gestionar y combinar datos de múltiples fuentes para transformarlos en información útil para la toma de decisiones empresariales.

Se espera que la cantidad de datos digitales creados entre 2021 y 2025, se duplique, alcanzando un volumen de 175 zettabytes con una tasa de crecimiento compuesto del 27% (CEPAL 2023). Esto ofrece una idea de la gran cantidad de datos que deben ser gestionados por las empresas. En este contexto la capacidad de identificar las fuentes de datos pertinentes y seleccionar los datos adecuados para el análisis se ha convertido en una necesidad crítica para las empresas en todos los sectores.

Joyanes (2019), señala expresamente el objetivo de la analítica de datos como una práctica esencial para extraer conocimiento con el fin de basar las decisiones empresariales en información precisa, relevante y confiable, lo cual contribuye al logro de objetivos estratégicos y a producir beneficios para la organización. Adicionalmente, indica que la selección de los datos adecuados para el análisis es un paso crítico en el proceso de toma de decisiones basadas en datos.

A este respecto,Tayar (2018), resalta la necesidad de emplear datos relevantes, fiables, robustos para lograr los objetivos, ya que los datos equivocados, conducen a decisiones equivocadas que no producirán los resultados esperados. Por su parte, Kotler et al. (2021) especifican en cuanto al volumen de datos generados:

Zorrilla y Sanchez (2022), señalan como primer gran desafío en el proceso de digitalización, el manejo de la cantidad y variedad de datos que se generan en el ecosistema digital. Los autores proponen organizar los datos en internos y externos.

Los internos corresponden a los que se extraen de los sistemas o plataformas manejados en el interior de las empresas como son las páginas web, Google Analytics, plataformas de gestión de clientes (CRM), entre otros.

Mientras que los externos, son los datos de terceras empresas que pueden afectar al negocio digital y que se necesitan extraer y cruzar para complementar la información, por ejemplo, datos de los competidores digitales, del sector o del mercado.

Para el autor Joyanes (2019), esta organización de los datos se refiere al tipo de fuente, haciendo una descripción bastante similar aunque más extensa, incluyendo datos operacionales en los internos. Esto, debido a su enfoque más amplio desde el punto de vista de la analítica de negocio.

En relación, es prudente recordar que la analítica digital es parte primordial de la analítica de negocios, como se ha especificado en apartados anteriores, se diferencian en que la primera no incluye los datos trasaccionales o de operación tradicionales.

En este punto es oportuno definir los componentes de la analítica digital para así identificar y comprender el origen de los datos que posteriormente deberán ser analizados según los objetivos planteados en las estrategias empresariales. En referencia a este aspecto, el autor Joyanes (2019), realiza una detalla desagregación, la cual será tomada como sólido argumento para desgajar la analítica digital.

Según se indica, la analítica digital obtiene sus datos del seguimiento de los usuarios que entran en contacto con la parte digital del negocio, es decir, de la interacción con el sitio web, redes sociales, correo electrónico, aplicaciones móviles, entre otros.

Estos datos originan distintos tipos de análisis para detectar actividad en los diferentes canales. Entre los más empleados se mencionan: análisis de textos, sentimientos, localización, movimiento, reconocimiento facial, voz e imágenes. Resulta importante acotar que la mencionada desagregación es ampliamente aceptada en el campo de estudio de la analítica de datos.

Continuando con lo indicado por Joyanes (2019), los tipos de análisis anteriormente mencionados pueden ser agrupados en tres grandes categorías: analítica web, analítica social y analítica móvil, señaladas como estratégicas para enfrentar los procesos de digitalización y transformación digital dentro de las organizaciones.

A continuación se definirán cada una de ellas y posteriormente se identificarán los datos que pueden ser recolectados a partir de cada categoría.

Kaushik (2011), un referente obligado por ser el más importante precursor y mayor experto mundial en analítica web, ofrece la definición más aceptada sobre la misma:

Para proseguir, es imprescindible definir tres términos realmente importantes, dato, métrica e Indicador clave de rendimiento o KPI por sus siglas en inglés (Key Performance Indicator). Cibrian (2019), sobre el dato, enfatiza que son números aislados que proporcionan información poco relevante antes de ser procesados.

Por otra parte, el término métrica lo define como una medida cuantitativa específica que se utiliza para evaluar el desempeño, el progreso o el éxito de un proceso, una actividad o un objetivo dentro de una organización.

En cuanto a la definición de KPI es una métrica clave cuidadosamente seleccionada que se utiliza para evaluar el rendimiento general de una empresa en relación con sus objetivos estratégicos, siendo especialmente relevante para medir el éxito en áreas críticas y guiar la toma de decisiones empresariales.

Los KPIs permiten a los líderes y gerentes monitorear y gestionar el progreso hacia los objetivos organizacionales de manera más eficiente (Cibrian, 2019), Tayar (2018), Kaushik (2011).

Cibrian (2019), nos advierte que en el entorno digital todo se puede medir, pero no todo debe ser medido, lo correcto es medir lo que será útil para alcanzar los objetivos del negocio, medir algo diferente es solo pérdida de tiempo. La misma recomendación es realizada por todos los autores relacionados en el campo de la analítica utilizados como referentes para la presente investigación, Zorrilla y Sánchez (2022), Joyanes (2019), Kaushik (2011) y otros.

Teniendo claro lo que es un dato, una métrica y un KPI, además de la comprensión que en el mar de datos, solo se deben seleccionar aquellos realmente útiles para alcanzar los objetivos trazados.

Ha llegado el momento de explorar de la mano de Tayar (2018), Joyanes (2019) y Kaushik (2011), padre de la analítica web 2.0, el vasto mundo del análisis cuantitativo y cualitativo dentro de la analítica web.

Kaushik (2011), a través del estudio de las métricas y KPIs, presenta el grupo de análisis cuantitativo o clickstream. Este análisis, según se indica, se centra en la medición de indicadores generados a través de los sitios web. El autor resalta los relacionados con el número de visitas, visitantes, páginas vistas, tasa de robote, tasa de conversión y toda métrica capaz de aportar información de valor para entender el comportamiento de los usuarios en el activo digital.

Por su parte, Tayar (2018), puntualiza un poco más expresando que el análisis cuantitativo permite conocer el rendimiento de un activo digital, determinar el qué hacen, cuándo lo hacen, desde dónde y desde qué dispositivo interactúan los usuarios, basándose en el mismo enfoque de Kaushik y su paradigma actualizado de analítica 2.0, solo que de una forma mucho más sucinta.

Debido a la importancia crítica de su compresión para una gran pléyade de profesionales dentro las organizaciones incluidos sus directores y estrategas, a continuación se definirán las métricas fundamentales del grupo cuantitativo según el autor Joyanes (2018), quien utiliza como referente a Kaushki (2011):

También conocida como sesión se refiere a la interacción de un usuario con un sitio web durante un período de tiempo específico. Una visita comienza cuando un usuario accede al sitio web y termina cuando el usuario sale del sitio o permanece inactivo durante un período de tiempo predefinido. Es necesario tener en cuenta que una visita puede conllevar la interacción con múltiples páginas del sitio web, aunque es posible determinar el número de visitas a una sola página, lo cual es de utilidad para evaluar las más importantes y las que necesiten posibles correcciones.

Es una métrica de interés, representa a un usuario único que realiza una o más visitas al sitio web dentro de un período de tiempo determinado. Los visitantes se identifican mediante cookies o identificadores únicos y proporcionan información valiosa sobre el alcance y la frecuencia de la interacción de los usuarios con el sitio web.

El indicador mide la cantidad promedio de tiempo que los visitantes pasan interactuando con un sitio web durante una sesión. Esta métrica proporciona información sobre el nivel de compromiso de los usuarios con el contenido del sitio y su interés en permanecer en él.

Cuanto mayor sea el tiempo en el sitio, se considera al usuario potencialmente más interesado en el contenido ofrecido. Esta es una métrica difícil de cuantificar, debido a que se conoce bien el momento de entrada, pero no tan exactamente el de salida. Adicionalmente, no es lo mismo estar algunos segundos en una página que diez minutos.

Mide el porcentaje de visitas a un sitio web en las que el usuario abandona el sitio después de ver solo una página, sin realizar ninguna otra interacción. Una alta tasa de rebote puede indicar que los visitantes no encontraron el contenido relevante o atractivo, o posiblemente tuvieron dificultades para navegar por el sitio. Por lo tanto, una baja tasa de rebote suele ser deseable; la misma sugeriría una mayor participación y retención de los usuarios en el sitio web.

Es una métrica clave en analítica web, mide el porcentaje de visitantes que realizan una acción específica deseada en un sitio web, como completar una compra, llenar un formulario o suscribirse a un boletín informativo. Esta métrica es fundamental para evaluar la efectividad de las estrategias de marketing y diseño del sitio web, ya que indica el éxito en convertir visitantes en clientes o en lograr otros objetivos predefinidos.

El compromiso mide el nivel de interacción e involucramiento de los usuarios con el contenido del sitio web durante una sesión. Esto puede incluir acciones como visualizar múltiples páginas, interactuar con elementos multimedia, compartir contenido en redes sociales o dejar comentarios. Un alto nivel de compromiso indica que los usuarios están interesados y participativos con el sitio web, lo cual puede conducir a una mayor retención, fidelización y conversiones a largo plazo. No es una métrica fácil de medir, ya que involucra el análisis de muchos conceptos a precisar.

En el ámbito de la analítica web, según expresan los autores Joyanes (2019) y Kaushik (2011), existen una variedad de métricas disponibles para medir el rendimiento y el éxito de un sitio web, cada una ofrece información valiosa sobre diferentes aspectos del comportamiento del usuario y el desempeño del sitio.

La selección de las métricas adecuadas depende en gran medida de los objetivos y el modelo de negocio específico de cada empresa. Al comprender las diversas métricas disponibles y cómo se alinean con los objetivos empresariales, las organizaciones pueden tomar decisiones informadas para optimizar su presencia en línea y alcanzar las metas establecidas en sus estrategias a corto, mediano y largo plazo.

Es pertinente mencionar que en la actualidad la métrica velocidad de carga es crucial para evitar un incremento en la tasa de rebote. Los motores de búsqueda recomiendan una velocidad de carga de hasta tres segundos o toda la estrategia digital estará afectada negativamente (Google, 2019).

Para iniciar el análisis cualitativo de las métricas, se tomará lo indicado por el autor Tayar (2018), el análisis cualitativo de las métricas en la analítica web es una práctica necesaria en la investigación del comportamiento del usuario, fusiona la rigurosidad de los datos cuantitativos con la riqueza interpretativa de los datos cualitativos.

Está centrada en la exploración profunda de los factores contextuales y subyacentes que influyen en las métricas tradicionales, qué les gusta, dónde hacen clic, dónde hacen scroll o en qué zona de las páginas se detienen los usuarios. Kushik (2011), la identifica como una información menos objetiva pero necesaria para conocer el porqué del comportamiento del usuario en línea.

Haciendo una retrospectiva de lo indicado por los autores, es fundamental en la medida en que proporciona una comprensión más holística y detallada de la experiencia del usuario en la web, permite capturar matices y sutilezas que pueden escapar al análisis puramente cuantitativo.

El autor Tayar (2018), resalta en su análisis tres herramientas de analítica cualitativa:

El autor Tayar (2018), resalta en su análisis tres herramientas de analítica cualitativa:

Scrollmaps: También llamados mapas de calor, proporcionan una representación visual de hasta dónde desplazan los usuarios en la página web durante su visita, lo que permite identificar patrones de lectura y áreas de interés.

Clicmaps: Es un mapa de calor que incluye las áreas de la página donde los usuarios hacen clic con más frecuencia, lo que permite determinar qué elementos son más atractivos o relevantes para los visitantes.

Mouse move maps: Los mapas de movimiento del ratón registran los movimientos del cursor del ratón de los usuarios mientras navegan por la página, lo que ayuda a comprender cómo interactúan con diferentes elementos y secciones del sitio. Se suele interpretar como las zonas dónde se fija la mirada, muy útil para las empresas cuando desean resaltar contenido, publicidad o alguna información dentro de su sitio web.

Al integrar en su análisis de los datos web la analítica cuantitativa y la cualitativa las organizaciones pueden obtener una visión más completa de lo que ocurre en su activo digital, pudiendo realizar optimizaciones o correcciones a sus estrategias en base en la información obtenida (Tayar, 2018).

Hasta aquí la exposición sobre lo que representa la analítica web dentro de la analítica digital. Tomando los distintos enfoques de los autores referenciados, se puede indicar, no es una mera observación de datos es un canal que permite desentrañar el comportamiento del usuario, llevando a un entendimiento más profundo del mismo. Con ese conocimiento, es posible desencadenar acciones relacionadas con la ejecución efectiva de campañas publicitarias, optimización de estrategias o de mayor impacto como el rediseño del plan de negocio de la empresa.

Al comprender y dominar las complejidades de la analítica web, las organizaciones no solo se equipan con información valiosa sobre el rendimiento de sus sitios web, también adquieren la capacidad de adaptarse ágilmente a las demandas cambiantes del mercado y las preferencias de sus clientes.

En cuanto a la categoría analítica social, el autor Joyanes (2019) indica:

La autora Shum (2019), desde su enfoque basado en el marketing digital, resalta como las redes sociales se han convertido en la principal plataforma de comunicación en la actualidad debido a su accesibilidad, alcance global y capacidad para facilitar la conexión instantánea entre personas y comunidades.

Además, señala la capacidad de las redes sociales para permitir a las empresas y organizaciones llegar a su audiencia de manera directa y personalizada, las convierte en un canal indispensable para el marketing, la atención al cliente y la construcción de relaciones con los clientes.

Con la proliferación de dispositivos móviles y la rápida difusión de información, las redes sociales ofrecen un espacio dinámico donde las personas pueden compartir noticias, opiniones, experiencias y contenido multimedia de manera rápida, sencilla y en cualquier lugar, según lo indicado por Shum (2019).

Joyanes (2019), como autor enfocado en la inteligencia empresarial, la señala como una disciplina de aplicación necesaria en organizaciones y empresas debido al uso diseminado de las redes sociales, que se fundamenta en la recopilación, el análisis y la interpretación de datos generados a partir de interacciones en plataformas de redes sociales.

Con capacidad para proporcionar comprensión sobre el comportamiento de los usuarios, ofreciendo información valiosa sobre la percepción de los mensajes enviados, percepción de la marca y respuesta al lanzamiento de nuevos productos a través de métricas y KPIs.

Adicionalmente, resalta que los datos proporcionados por las mismas, permiten realizar recomendaciones sobre el modelo de negocio y cómo se puede mejorar coadyuvando a la toma de decisiones. Finalmente, el autor advierte de la necesidad de crear nuevas métricas diferentes a las tradicionales a razón de la gran importancia que han adquirido. Se indican como métricas sociales comunes dependiendo de objetivos de las marcas: reputación, popularidad, autoridad, alcance, engagement, conversión y fidelización.

De lo esbozado por estos dos autores con enfoques diferentes, pero coincidentes en su la importancia para las empresas, se puede señalar que la analítica social aporta datos que pueden ser utilizados por las empresas para mejorar la toma de decisiones estratégicas, optimizar las campañas de marketing, mejorar la atención al cliente e identificar oportunidades de mercado.

Al comprender las opiniones, preferencias y necesidades de su audiencia en las redes sociales, las empresas pueden tomar decisiones más informadas sobre el desarrollo de productos, la estrategia de marketing y la gestión de la reputación de la marca.

Por último, al analizar las tendencias y temas emergentes en las redes sociales, las empresas pueden identificar nuevas oportunidades de mercado, anticipar cambios en la demanda del consumidor y desarrollar productos o servicios para satisfacer las necesidades no cubiertas de su audiencia.

Es momento de adentrarse en mundo de la analítica para dispositivos móviles de la mano del autor Joyanes (2019), quien expone cómo el surgimiento de la analítica de dispositivos móviles responde a la necesidad de las empresas de comprender y aprovechar el creciente uso de dispositivos móviles por parte de los consumidores. Señala que con su proliferación, las empresas reconocen la importancia de entender el comportamiento de los usuarios en estos dispositivos para optimizar sus estrategias digital.

El autor indica que la analítica móvil se refiere específicamente al campo de la analítica web en el canal móvil, centrándose en la recopilación y el análisis de datos relacionados con la interacción de los usuarios en dispositivos móviles.

Esto incluye métricas como la cantidad de visitantes móviles, la tasa de conversión en dispositivos móviles, el comportamiento de navegación dentro de aplicaciones móviles y el rendimiento de campañas de marketing específicas para dispositivos móviles

El autor Joyanes (2019), aporta algunas preguntas que las empresas deben ser capaces de responder a través de la analítica móvil, con base en ellas se presentan las siguientes:

• ¿Cuántos usuarios acceden a nuestro sitio web o aplicación a través de dispositivos móviles?
• ¿Cuál es la tasa de conversión de los usuarios móviles en comparación con los usuarios de escritorio?
• ¿Cómo interactúan los usuarios en nuestra aplicación móvil? ¿Qué funciones o secciones son más populares?
• ¿Cuál es el rendimiento de nuestras campañas de marketing dirigidas a dispositivos móviles?
• ¿Qué dispositivos móviles son más utilizados por nuestros usuarios?
• ¿Cómo varía el comportamiento entre diferentes dispositivos y sistemas operativos?
• ¿Cuál es la duración promedio de las sesiones de los usuarios móviles en nuestro sitio o aplicación?
• ¿Cuál es la tasa de abandono en diferentes etapas del embudo de conversión para los usuarios móviles?
• ¿Cómo afectan las actualizaciones de la aplicación móvil o del sitio web a la retención y la participación de los usuarios?
• ¿Qué patrones de comportamiento móvil podemos identificar en función de la ubicación geográfica de los usuarios?
• ¿Cómo podemos mejorar la experiencia del usuario móvil y aumentar la retención y la lealtad de los clientes?

Joyanes (2019), concluye indicando que esta categoría existen dos tipos de dimensiones a ser medidas: los tipos de dispositivos y plataformas sobre las que se medirán. Además, señala la necesidad de precisar los KPIs para mensurar los objetivos planteados.

El autor Tayar (2018) coincide y menciona que en el análisis de datos, es imperativo abordar las diferencias entre los datos generados en dispositivos móviles y otros dispositivos. Estas distinciones influyen en cómo se recopilan, procesan e interpretan los datos, lo que a su vez impacta en las conclusiones y acciones resultantes del análisis.

Por ende, es fundamental considerar estas discrepancias al realizar análisis de datos, especialmente en el contexto de dispositivos móviles, para asegurar la precisión y relevancia de los resultados obtenidos.

En relación con lo dicho por los autores, para las empresas, la analítica móvil es fundamental en el contexto de la industria 4.0, donde los consumidores pasan cada vez más tiempo en sus dispositivos móviles y realizan una variedad de actividades. Desde la búsqueda de información hasta la realización de compras. Al comprender cómo los usuarios interactúan con sus sitios web y aplicaciones móviles, las empresas pueden tomar decisiones estratégicas informadas para mejorar la experiencia del usuario, optimizar el rendimiento de sus activos digitales y aumentar la conversión y retención de clientes en ese canal.

Retomando lo dicho por Barton y Court (2012) como voceros de Mckinsey, la adquisición de infraestructura tecnológica para reunir y gestionar grandes volúmenes de datos, es parte de la primera fortaleza que deben desarrollar las empresas para mejorar sus capacidades analíticas.

Hewlett Packard Enterprise (2024) la define de la siguiente forma:

Estas perspectivas se alinean con los enfoques de los autores referenciados, quienes se centran específicamente en la importancia de contar con software de analítica para recopilar, gestionar y analizar datos de manera efectiva. En consecuencia, el presente apartado se centra en la selección y utilización de herramientas de analítica digital que sean adecuadas para las necesidades y objetivos de las empresas pymes, orientándose en cómo estas herramientas pueden ser usadas para recolectar y gestionar datos.

En tal sentido, los autores Zorrilla y Sáchez (2022), Joyanes (2019), Tayar (2019) y Kaushik (2011), se enfocan en la importancia de las herramientas digitales para recolectar y gestionar datos de manera efectiva. Todos destacan la necesidad de utilizar herramientas robustas y versátiles que permitan recopilar datos en tiempo real, analizar el comportamiento del usuario y tomar decisiones basadas en datos con rapidez y precisión.

Por su parte, Kaushik (2011), el autor con mayor aporte con relación a este punto, señala que no existe una solución única para todos los requerimientos en analítica web. Cada organización tiene necesidades y objetivos específicos, por lo cual es imperativo evaluar cuidadosamente las opciones disponibles y seleccionar la herramienta más adecuadas a las exigencias de la empresa.

Asimismo, el autor, exhibe cinco pilares que cualquier programa sólido de toma de decisiones basado en analítica web debe resolver: clickstream, el análisis de múltiples resultados, la experimentación y el testing, la voz del cliente y, por último, la inteligencia competitiva. Los cuales forman, nada más y nada menos, el paradigma actualizado de analítica 2.0 propuesto por Kaushik (2011), el cual dio origen al estudio de la analítica web como una disciplina.

Sobre este punto, Joyanes (2019) toma las ideas de Kaushik (2011) para ahondar en las consideraciones empresariales sobre analítica web, manifestando que es ese autor quien realizó la primera clasificación de las herramientas de analítica y que para él aun siguen vigentes, procediendo a definir siete de las ocho métricas claves que forman parte del paradigma, excluyendo solo tasa de salida.

En este sentido, se realizará la síntesis de los cinco pilares y su agrupación, según lo realiza su autor original, Kaushik (2011).

Se presenta su agrupación por orden de prioridad y tamaño de las empresas, según lo indica el autor.

Grupo1. Pequeñas empresas:

Clickstream: Responde el “qué” dentro del paradigma. Recopila y analiza los datos a nivel clics.

Resultados: Responde el “cuánto”, mide y evalúa los múltiples objetivos, así como las micro y macroconversiones dentro de un sitio web.

Voz del cliente: Responde el “por qué”, recoge y analiza los comentarios y opiniones de los usuarios para comprender mejor sus necesidades y expectativas.

Grupo 2. Medianas empresas:

En este grupo se adiciona testing.

Testing: Al igual que la voz del cliente, responde el “por qué”. Se indica que las herramientas de analítica web deben facilitar la configuración y ejecución de pruebas A/B y pruebas multivariables, de las misma forma deben proporcionar métricas y análisis detallados para evaluar el rendimiento de las variantes de prueba.

Grupo 3. Grandes empresas:

La inteligencia competitiva se incluye en este grupo.

Inteligencia competitiva: Responde el “que más” dentro del paradigma. Monitorea y analiza el rendimiento del sitio web en relación con la competencia.

Como interpretación de lo esbozado por el autor, las empresas, de acuerdo con las necesidades que imponga su tamaño, pueden seleccionar software de analítica que presenten funcionalidades para los pilares correspondientes al grupo donde se ubiquen

Para presentar los software más utilizados en analítica web se ha considerado lo indicado por Kaushik (2011), Joyanes (2019), Tayar (2018), De la Cruz (2022), en el portal Graduate School of Business y el portal de la Universidad Europea Online.

Google Analytics: Es la herramienta número uno, mencionada por todos los autores. Según lo indicado por los referentes citados, ofrece una visión detallada del tráfico del sitio, comportamiento del usuario y efectividad del marketing. Genera informes precisos sobre visitantes, fuentes de tráfico y conversiones. Adicionalmente, puede integrarse con otras herramientas del Google para mostrar un panorama más amplio y detallado.

Adobe analytics: Kaushik (2011) y Joyanes (2019) la mencionan como Omniture. Sin embargo, fue adquirida por Adobe y es conocida actualmente como Adobe analytics, siendo ampliamente mencionada como una de las más potentes en el campo de la analítica web.

Según se indica en el portal Adobe Experience Cloud, ofrece capacidades avanzadas de seguimiento y análisis que permiten a las empresas recopilar, medir y analizar datos de múltiples canales, incluidos sitios web, aplicaciones móviles y plataformas sociales. Según se menciona, con la herramienta, las empresas pueden comprender el comportamiento del usuario, evaluar el rendimiento de las campañas de marketing, identificar oportunidades de mejora y tomar decisiones basadas en datos.

Stocks (2022), Vicepresidenta de medición global de Google, menciona en el portal Think With Google una nueva herramienta no incluida en la literatura citada y se trata de Google Analytics 4, explica como la recién lanzada tecnología de aprendizaje automático se utiliza para ofrecer nuevos insights y hacer predicciones.

La autora manifiesta que no debe utilizarse tecnología de analíticas desfasada debido al riesgo de perderte ventajas que las nuevas funciones de modelización sofisticadas pueden llevar a las empresas.

La misma exhibe como caso de éxito a McDonald’s Hong Kong, organización que luego de migrar a Google Analytics 4, obtuvo acceso a funciones de aprendizaje automático, el cual le permitió llegar a mejores prospectos.

Resalta como en solo dos meses, la empresa aumentó sus pedidos en la aplicación en un 550 %, reduciendo al mismo tiempo su coste por adquisición en un 63 %. Sin duda, la exposición de Stocks (2022) pone de manifiesto el poder de las nuevas tecnologías emergentes en el campo de la analítica digital.

Amazon. (s.f.).¿Qué es el análisis de datos? aws. https:/ /aws. amazon.com/es/what-is/data-analytics/
Barton, D., y Court, D. (2012). Making Advanced Analytics Work for You. Harvard Business Review. https://hbr.org/2012/10/making-advanced-analytics-work-for-you

Cabello, S. (2023). Análisis de los modelos de gobernanza de datos en el sector público: una mirada desde Bogotá, Buenos Aires, Ciudad de México y São Paulo, Documentos de Proyectos (LC/TS.2023/71), Santiago, Comisión Económica para América Latina y el Caribe (CEPAL).

Cibrián, I. (2019). Marketing Digital. Mide, analiza y mejora. Colombia. ESIC Editorial. ISBN: 978-958-778-509-8

Comisión Económica para América Latina y el Caribe (CEPAL). Un camino digital para el desarrollo sostenible de América Latina y el Caribe (LC/CMSI.8/3),Santiago,(2022a).https://www.cepal.org/es/publicaciones/48460-un-camino-digital-desarrollo-sostenible-america-latina-caribe

Comisión Económica para América Latina y el Caribe (CEPAL), Tecnologías digitales para un nuevo futuro (LC/TS.2021/43), Santiago,(2022b).https://repositorio.cepal.org/server/api/core/bitstreams/879779be-c0a0-4e11-8e08-cf80b41a4fd9/content

De la Cruz, R. (2022). Herramientas de analítica web: ¿Cuáles son las mejores? Conexiónesan. https:// www.esan.edu.pe/ conexion -esan/ herramientas-de-analitica-web-cuales-son-las-mejores

Deloitte.(2022). COVID-19: confrontar la incertidumbre a través y más allá de la crisis. El poder de la planeación de escenarios para mejorar la toma de decisiones. Canada.Deloitte Desing Studio.

Deloitte.(2015).Deloitte Analytics.BrochureAnalitics.www.deloitte.com/ar

Dini, M., Gligo, N., y Patiño. A. (2021). Transformación digital de las mipymes Elementos para el diseño de políticas. Documentos de Proyectos (LC/TS.2021/99), Santiago, Comisión Económica para América Latina y el Caribe (CEPAL). https://www.cepal.org/es/publicaciones/47183-transformacion-digital-mipymes-elementos-diseno-politicas

Estevéz, M. (2020). Beneficios de la analítica como proceso transformador de las empresas. think with google. https://www.thinkwithgoogle.com/intl/es-es/estrategias-de-marketing/datos-y-medicion/beneficios-de-la-analitica-como-proceso-transformador-de-las-empresas/

Hewlett Packard Enterprise (2024).¿Qué es la infraestructura de datos? Glosario de la empresa-Definiciones principales .https:// www. hpe. com/lamerica/es/what-is/data-infrastructure.html

Joyanes, L. (2019). Inteligencia de negocios y analítica de datos. Bogotá. Grupo Editorial Alfaomega.

Kaushik, A. (2011). Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity. Barcelona. Centro Libros PAPF, S. L. U.ISBN: 978-84-9875-090-4 (epub)

Kotler, P., Kartajaya, H., y Setiawan, I.(2021). Marketing 5.0. Hoboken, Nueva Jersey. John Wiley & Sons. Inc.

Kotler , P., Kartajaya, H., y Setiawan, I.(2018). Marketing 4.0.Madrid. LID Editorial Empresarial, S.L.

Kotler, P., Stigliano, G. (2020). Retail 4.0.Madrid, España. LID Editorial.EAN-ISBN13: 9788417880484

McAfee, A., and Brynjolfsson, E.(2012). Big Data: The Management Revolutio. Harvard business review. https://hbr.org/2012/10/big-data-the-management-revolution

Microsoft (2024). Contextualización de datos mediante el uso de gráficos en bases de datos SQL. Learn. https://learn.microsoft.com/es-es/azure/architecture/example-scenario/data/data-contextualization-based-on-azure-sql-graph

Núñez,G. y Da Silva, F.(2021). La libre competencia en la era digital y la pospandemia: el impacto sobre las pequeñas y medianas empresas. Santiago.CEPAL.https://www.cepal.org/es/publicaciones/46663-la-libre -competencia-la-era-digital-la-postpandemia-impacto-pequenas-medianas

Páez-Gabriunas, I., Sanabria, M., Gauthier-Umaña, V., Méndez-Romero, R. A. y Rivera, L. (2022). Transformación digital en las organizaciones. Editorial Universidad del Rosario. https://doi.org/10.12804/urosario 9789587848359

Pacheco, Apostólico y Asociados. (2022). Analítica de datos y su nivel de madurez en la empresa venezolana. pwc.
https://www.pwc.com/ve/es/publicaciones/assets/PublicacionesNew/Boletines/Encuesta%20Analitica%20de%20Datos_Venezuela_Abril2022_v3.pdf

Shum, Y. (2019). Navegando en aguas digitales 2Edic. Bogotá.Ediciones de la U. e-ISBN 978-958-792-021-5

Stocks, K. (2022).Cómo desarrollar un plan de medición eficaz para 2023. Think with Google.https://www.thinkwithgoogle.com/intl/es-es/ estrategias-de-marketing/datos-y-medicion/plan-de-medicion/

The Economist (2017).El recurso más valioso del mundo ya no es el petróleo, sino los datos.https://www. economist.com/ leaders/2017/05/06/the-worlds -most-valuable-resource-is-no-longer-oil-but-data

UC Berkeley Executive Education.( s.f.).Analítica de Negocios para Líderes. De los Datos a las Decisiones.BerkeleyExecEd.https://em-executive.berkeley.edu/analitica-negocios-lideres

Universidad Europea Online. Postgrado de Experto Universitario en Analítica Web.UE https://peru.universidadeuropea.com/curso-analitica-virtual/

Zorrilla, J. y Sánchez,D. (2022). Guia práctica de analítica digital.Editorial Almuzara S.L. 2022 para LID Editorial. EAN-ISBN13: 978-84-18952-75-3.v