En un anterior artículo que publiqué en Leaners resumía algunas metodologías y definiciones comúnmente aceptadas por la comunidad de empresas de base tecnológica. Qué es una métrica o cómo medirlas utilizando metodologías iterativas e incrementales —tales como la definida por Dave McClure denominada AARRR (acquisition, activation, retention, referral y revenue)— son temas que poco a poco se han convertido en parte del lenguaje estándar.
Justo Hidalgo | @justohidalgo

Mientras que hace dos o tres años hablar de AARRR significaba abrir una puerta a lo desconocido para muchas startups, me alegra ver cómo en la actualidad, cuando comienzo a definir cada uno de los puntos, veo muchas caras de asentimiento y escucho comentarios acerca de las experiencias de muchos de los asistentes.

Sin embargo, lo que ayer era innovador, hoy es algo obsoleto.

En mi opinión, hay dos vías principales que se están empezando a abrir.

Por un lado, existe una gran cantidad de datos, obtenidos de la interacción entre usuarios, proveedores y la propia empresa, que no se han considerado de manera habitual como parte de la “analítica web”.

Es decir, aunque nada en la analítica web teórica impedía tener en cuenta esta información, el conocimiento compartido y las herramientas disponibles restrigían implícita o explícitamente que se pudiera acceder a ella.

Por ejemplo, la creación de cohortes (organizando usuarios a partir de su fecha de registro) no suele ser una tarea fácil en muchas herramientas de analítica, por lo que muchos usuarios se veían obligados a crear sus propias hojas de cálculo para obtener esta información.

Hasta no hace mucho, muy pocas herramientas ofrecían capacidades de marketing de atribución, que permite asignar pesos a cada canal comercial para así entender mejor la utilidad y éxito de cada uno de ellos a la hora de captar potenciales clientes.

La medición de KPI no estándar, como, en el caso de mi startup 24symbols, el número de páginas de libros leídas por lector activo y mes, se antojaba en muchos casos demasiado compleja como para realizarla en una herramienta al uso. De esta forma, la decisión final fue procesar esta información directamente desde nuestros sistemas de data warehousing.

Por otra parte, hay muchísima más información disponible que la existente en tu propia página web, y las infraestructuras y herramientas disponibles para poder sacar jugo a esta información son cada vez más sencillas y baratas. Estamos hablando de productos de computación en la nube como Amazon Web Services o Gigas; gestión de esa nube (New Relic); herramientas de web scraping (Scrapy), etc. Muchísimos servicios web ofrecen desde hace años las denominadas API (interfaces de acceso programático), que los desarrolladores pueden utilizar para integrar sus propios datos con información meteorológica, de geolocalización, fotográfica o de lo que sea.

Existe a su vez, desde hace mucho tiempo, un directorio de API que simplifica la búsqueda e ingestión de estas capacidades. Pero lo más importante es que, poco a poco, casi sin darnos cuenta, nuestros competidores están haciendo uso cada vez más rápidamente y de manera masiva de estas posibilidades. Con precios más bajos y más ancho de banda y memoria, es posible para una pequeña compañía tecnológica de cuatro o cinco personas realizar procesamientos de datos que hasta hace unos pocos años solo eran imaginables en departamentos de grandes corporaciones, con millones de euros de presupuesto.