‍

Cuando uno analiza las métricas de un producto digital, esencialmente lo que busca es responder una pregunta de negocio.

Nadie entra a una plataforma con datos solo para ver datos, la información tiene que ser interpretada y analizada para dar con una verdad que permita tomar decisiones.

La gran cantidad de features de plataformas como Amplitude y Mixpanel responde a la propia complejidad del contexto en el que se presentan estas preguntas de negocio.

Si tu producto está buscando adopción temprana, tendrás un conjunto de métricas que te importen (tasa de activación de features, cantidad de eventos, etc).

Si estás buscando monetizar, entonces tendrás preguntas sobre LTV, CAC, tasa de conversión, etc.

Si estás buscando retener clientes, entonces los análisis de engagement, frecuencia/recurrencia y retención te serán valiosos.

Y así, en función del contexto, cada equipo termina enfocando en distintos indicadores en base a su objetivo.

Amplitude, como plataforma, es excelente para esto.

De todas formas, eso no quita que muchos equipos no se pierdan fácilmente en la infinidad de features que ofrece.

Uno sabe que está en el lugar correcto cuando visita Amplitude, pero entre tantas métricas y herramientas, no sabe exactamente cómo encontrar la respuesta que necesita.

Por tal razón, en esta publicación, voy a introducir brevemente los 7 análisis de producto más importantes que puedes hacer en Amplitude (y también otras plataformas de Product Analytics).

¡Allá vamos!

‍

Análisis de segmentación de eventos

El análisis de segmentación de eventos es una suerte de comodín de los análisis de producto.

Analizar y segmentar eventos implica trabajar directamente con aquellas interacciones que un usuario realiza en tu producto.

Así, podés descubrir cuántos usuarios realizaron una acción específica, como “escuchar una canción” en una app de streaming.

También podés saber cuántas canciones en total se escucharon o qué porcentaje de usuarios escuchan canciones en un período determinado.

Amplitude también da la posibilidad de que puedas crear tasas para medir ratios entre eventos, calcular promedios y frecuencia de uso.

Y, por último, es posible segmentos los eventos en función de sus propiedades.

Por ejemplo, yo puedo filtrar el evento “escuchar música” utilizando la propiedad “Género” y buscando el valor “Rock”.

De esta forma, estaré solo estudiante las interacciones en canciones de rock.

Este análisis reúne un elevadísimo número de casos de uso, ¡te invito a que lo explores a fondo en Amplitude!

Preguntas de negocio que podrás contestar con este análisis:

📌 ¿Qué porcentaje de usuarios realizó [X] acción?

📌 ¿Qué filtro de búsqueda es el más utilizado por los usuarios?

📌 ¿Cuántos usuarios realizan [X] acción?, ¿estamos creciendo?

‍

Análisis de retención

El análisis de retención es otro de los clásicos en Product Analytics.

Te permite comprender qué tan bien (o qué tan mal) retiene tu producto a sus usuarios a lo largo del tiempo en función de un evento concreto.

Se conecta estrechamente con la aceptación de la propuesta de valor del negocio.

La retención es una clara señal de sí efectivamente estás entregando valor sostenido de forma que tus usuarios o clientes vuelven una y otra vez al producto.

En Amplitude, la retención se puede calcular rápidamente al seleccionar un evento de inicio y otro evento de retorno.

Luego, debes configurar si vas a ver la retención general del período (Return On or After) o si vas a contar la retención en función de un día o intervalo específico (Return On).

Lo importante a tener en cuenta aquí es que no debes quedarte únicamente con el primer chart que ves.

Podés estudiar la retención tanto de distintos segmentos de usuarios entre sí o también navegar hacia la tabla de abajo y comparar retención entre distintas cohortes de adquisición.

Por ejemplo, en vez de ver la retención de los usuarios adquiridos en los últimos 45 días, podés ver la retención de los usuarios adquiridos el 1 de Julio vs los usuarios adquiridos el 8 de julio.

Y comparar, semana a semana, que tan bien o mal tu producto los retuvo.

En las diferencias entre segmentos es donde muchas veces el análisis de retención aporta mayor aprendizaje.

Preguntas de negocio que podrás contestar con este análisis:

📌 ¿Qué porcentaje de usuarios sigue volviendo a realizar [X] acción a las 2 semanas?

📌 ¿Qué grupo retuvimos mejor?, ¿los que adquirimos en enero o febrero?

📌 ¿Qué características de usuario están correlacionadas con una mayor retención?

‍

Análisis de funnel

El análisis de funnel es fundamental para estudiar el rendimiento de flujos y embudos.

Primero, debes determinar una secuencia de eventos.

En Amplitude, podrás configurar qué tan estricto querés ser con el orden:

🔷 In this order → el progreso hacia el siguiente paso se cuenta si, por ejemplo, el 2do evento estuvo siempre después del 1er evento, sin importar si entre estos dos eventos hubieron otros (enfoque flexible).

🔷 In exact order → el progreso hacia el siguiente paso se cuenta solo si luego del 1er evento, vino el 2do evento (si hubo un evento intermedio en el medio, se pierde el progreso)

🔷 In any order → el progreso hacia el siguiente paso siempre se cuenta, sin importar si el 2do evento sucedido antes que el 1ro, siempre y cuando haya sucedido ambos.

Luego, este análisis te permitirá visualizar distintos charts en función de lo que necesitas.

Podrás ver el embudo de conversión con un gráfico de barras que determine rápidamente donde están los mayores puntos de fuga.

También podrás ver la tasa de conversión a lo largo del tiempo, la distribución de tiempos de conversión, frecuencia de eventos previo a conversión, etc.

Y, por si fuera poco, también podés configurar la ventana de conversión para adecuar el análisis a distintos ciclos de venta (¡no todo convierte en 24hs!).

Por último, lógicamente donde más se aprende es en la cruza de datos: recomiendo que compares distintos funnels de conversión entre diferentes grupos de usuarios.

Preguntas de negocio que podrás contestar con este análisis:

📌 ¿Dónde está el mayor punto de fuga del flujo de onboarding?

📌 ¿Cuánto tardan en promedio los usuarios en convertir?, ¿estamos mejorando el CR?

📌 ¿Cuántas veces un usuario realiza [X] acción antes de convertir?

‍

Análisis de user journeys

El análisis de user journeys comparte una similitud con el análisis de funnel pero tiene su propio propósito.

A veces, no estamos buscando analizar un flujo específico de usuario.

Sino, más bien, queremos descubrir cuáles son los distintos caminos que toma para completar una tarea en el producto.

Aquí es justamente donde entra el análisis de user journeys.

Marcamos un evento de comienzo, y plataformas como Amplitude nos arrojan una combinación de user paths más comunes entre nuestra base de usuarios.

Por ejemplo, desde el evento “Search Song”, puedo visualizar que:

🔷 8,21% de los usuarios siguen la ruta: Select Song → Play Song → Favorite Song → Search Song (de nuevo).

🔷 8,09% de los usuarios siguen la ruta: Select Song → Play Song → Favorite Song → Play Song (por 2da vez).

Y así con el resto de las combinaciones de eventos.

Además, podés excluir eventos específicos en caso que tengas interacciones secundarias que no quieras que se pongan en el medio de una secuencia de eventos clave.

También, podés filtrar en función de una propiedad particular de evento para agregar mayor personalización.

Por último, también en Amplitude es posible aplicar ingeniería inversa.

En vez de construir user journeys a partir de un evento de inicio, seleccionás un evento de finalización para ver todos los eventos previos que llevaron a esa interacción final.

Preguntas de negocio que podrás contestar con este análisis:

📌 ¿Cómo es la navegación de mis usuarios por el producto?

📌 ¿Qué porcentaje de usuarios realizan inmediatamente [X] acción luego [Y] acción?

📌 ¿Qué eventos previos suelen llevar a la conversión?

‍

Análisis por tablas de datos

El análisis por data tables, cuando es bien utilizado, puede serte de gran utilidad.

¿La principal ventaja? Permite explorar en profundidad la distribución de varios eventos en función de distintas capas de información.

Por ejemplo, puedo abrir por sistema operativo del usuario, la distribución del evento “Play Song”, para saber en cuál sucede más veces.

A su vez, puedo hacer doble click en un valor de propiedad particular, y crear un 2do nivel de análisis, donde parto quizás de “Android” y desde este grupo, vuelvo abrir el análisis por otra propiedad como “Género de música”.

Al trabajar con columnas para eventos y filas para propiedades de usuario, estarás profundizando sobre distintas dimensiones de análisis.

En mi caso particular, de este modo encontré varias relaciones interesantes.

Por ejemplo, para mi aplicación Lumi, el análisis de datatables me reveló que para el evento “Start Lesson”, había una distribución 60% - 40% entre iOS y Android.

Pero, para el evento “Complete Lesson”, la distribución cambiaba y se acercaba al 50% - 50%.

¿La observación? Los usuarios de Android eran más proclives a terminar las clases que los de iOS.

Preguntas de negocio que podrás contestar con este análisis:

📌 ¿Cómo es la participación de distintos grupos de usuarios en relación a un evento?

📌 ¿Qué diferencias hay entre los distintos eventos clave?

📌 ¿Qué característica de usuario es la que predomina en la ejecución de un evento?

‍

Creación de cohorts

La creación de cohortes es una actividad fundamental en Product Analytics.

No es simplemente segmentar tus usuarios por ciudad o dispositivo.

Definir una cohort implica agrupar a usuarios en función de un comportamiento.

Puede ser algo simple, como “Usuarios que escucharon canciones en los últimos 30 días”

Hasta algo más complejo como “Usuarios de EEUU y de una variante específica del A/B test que gastaron más +$20 en canciones en los últimos 30 días”.

O, incluso más complejo aún.

Pero, crear una cohort, es solo el primer paso.

Las cohorts se crean no solo por la conveniencia de poder usarlas en cualquier análisis que hagamos (y así no tener que estar filtrando a cada rato la base de usuarios).

Sino también, y principalmente, para poder compararlas entre sí.

Comparar por ejemplo, que cohort tiene mayor retención para un determinado evento.

Qué cohort realiza más una acción sobre otra, o qué cohort tiene mayores tasas de activación para un evento particular.

Al comparar cohort en distintos análisis, uno puede ir encontrando correcionalidad en algunos comportamientos clave.

Por último, crear una cohort también te posibilita tener una mejor trazabilidad de un grupo de usuarios.

Al menos en Amplitude, podrás ver como varía la “población” de tu cohort en tamaño de usuarios día a día, algo que puede ser muy relevante si estás buscando growth en un grupo de usuarios específico.

‍

Session Replays

Si bien el análisis de eventos y datos de producto puede llevar a insights muy valiosos, lo cierto que es que muchas veces cuesta entender el “por qué” detrás del número.

En 2024, Amplitude lanzó para web la función de Session Replays, que permite grabar automáticamente las sesiones de tus usuarios y observan su comportamiento en pantalla.

Este año, Amplitude extendió la función a mobile apps, por lo que ya prácticamente no hay excusas para no implementarla.

La posibilidad de ver grabaciones extiende las capacidades de un equipo de análisis de producto, ya que ahora pueden ver:

🔷 Tiempo de inactividad.

🔷 Intentos de clicks e interacción con componentes.

🔷 Scrolling y navegación en pantalla.

🔷 Movimientos del cursor.

Además, pueden observar cómo el usuario efectivamente interactúo con la interfaz y que feedback recibió (pantallas congeladas, notificaciones de error, tiempos de carga prolongados, etc).

Si bien esto no reemplaza las pruebas de usabilidad, sí que puede ser más que suficiente para algunos casos de análisis concretos.

De mismo modo, Amplitude y otras plataformas de Product Analytics como PostHog, también cuentan con Heatmaps (mapas de calor) que agregan una capa de análisis por observación extra a los equipos.

Preguntas de negocio que podrás contestar con este análisis:

📌 ¿Qué sucedió durante la sesión de [X] cliente?

📌 ¿Por qué la mayoría de los usuarios deja el flujo en un paso puntual?

📌 ¿Los usuarios entienden el flujo de navegación del nuevo diseño?

‍

En resumen…

Amplitude y otras plataformas de Product Analytics como Mixpanel, PostHog y Heap, son herramientas excelentes al momento de estudiar el comportamiento de un grupo de usuarios en tu producto.

En lugar de enfocarte en métricas vanidosas como pueden ser las sesiones de una página web o cantidad de pageviews totales, te centras en eventos que se vinculan a cómo las personas usan tu producto.

Estos eventos, junto a sus propiedades, se pueden manipular de muchas maneras para responder a múltiples preguntas.

En concreto, en esta publicación vimos:

👉🏼 Análisis de segmentación de eventos, para medir activación, tasas y uso de features.

👉🏼 Análisis de retención, para medir cuántos usuarios sostenes en el tiempo.

👉🏼 Análisis de funnel, para visualizar puntos de fuga, tasas y tiempos de conversión.

👉🏼 Análisis de user journeys, para entender rutas funcionales más comunes.

👉🏼 Análisis por tablas de datos, para desglosar y profundizar sobre diferencias en eventos.

👉🏼 Creación de cohorts, para crear grupos de usuarios en función de un comportamiento.

👉🏼 Session Replays, para VER el comportamiento real de tus usuarios sobre una interfaz.

Además, hay muchas otras capacidades que no exploramos en esta publicación pero que igual pueden aportarte mucho valor, como por ejemplo análisis de LTV, ciclo de vida de clientes, engagement, distribución de usuarios, etc.

Por suerte, Amplitude tiene un gran volumen de contenido para que puedas introducirte en cada una de sus funcionalidades y ser un experto en el análisis de producto.

Sin más por agregar, ¡eso fue todo por hoy!

Muchos éxitos.