gustavo saientz - resultics - online marketing day 2013
DESCRIPTION
Medición Cross-Device Como medir correctamente todo tipo de acciones Online en la diversidad de canales y medios que nos encontramos actualmente Gustavo Saientz es CEO de Resultics y cuenta con formación en Análisis de sistemas y más de 15 años de experiencia en la industria de Internet y publicidad online. En 1998 se incorporó a la unidad digital del Grupo Clarín donde se desempeñó como Product Manager participando en la creación del buscador Ubbi y llevando adelante la primera integración de Google en Argentina para la sindicación de búsqueda y representación comercial. En 2005 se unió a M-Joy Networks (hoy Jet Multimedia) desempeñándose como Gerente de Operaciones, empresa dedicada al desarrollo de servicios para móviles. En el año 2006 se unió a Resultics como socio y Director de Operaciones donde se especializó en campañas de Marketing en buscadores y publicidad digital logrando llevar a la agencia a ser la primera certificada por Google en la región. En 2013, toma la dirección general de la compañía pasando a desempeñarse como CEO. Es miembro de la Digital Analytics Asociation (DAA) y cuenta con varias certificaciones personales como Google Advertising Professional, Yahoo Search Marketing Ambassador y Google Web Analytics IQ entre otras. Se desempeña como profesor en el Programas Ejecutivo de Marketing Online de la Universidad de Buenos Aires y la UP, además de dirigir capacitaciones a clientes y participar activamente en conferencias y eventos de la industria del Marketing Digital.TRANSCRIPT
Gustavo Saientz | CEO
Medición Cross-Device
1
@SaientzG
Baño libre
Baño libre
¿Datateinment?
Valor de la informacón
6
Valor de la informacón
6
Valor de la informacón
6
Toma de decisión
7
Múltiples fuentes de datos
8
CRM
Ventas
BIG DATA“conjuntos de datos que superan la capacidad del software
habitual para ser capturados, gestionados y procesados en un tiempo razonable”
Problemática Big Data
• Buenos datos no garantizan buenas decisiones.
10
Problemática Big Data
• Buenos datos no garantizan buenas decisiones.
• Habilidades de análisis concentradas en pocos empleados.
10
Problemática Big Data
• Buenos datos no garantizan buenas decisiones.
• Habilidades de análisis concentradas en pocos empleados.
• Existe información confiable, pero es dificil de encontrar. (sólo 44% sabe donde encontrarla)
10
Los consumidores u3lizan múl3ples disposi3vos para comprar
Múltiples fuentes de datos
12
CRM
Ventas
Múltiples fuentes de datos
12
CRM
Ventas
Desde múl3ples disposi3vos
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
Cookies
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
Cookies
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
Cookies
Login
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
Cookies
Login
DNI
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
Cookies
Login
DNI
¿Cómo medimos “Personas”?
13
Usuarios únicosPersonas = Potenciales clientes
Vs.
Cookies
Login
DNI
Membrecía
Caso: Universal Analytics
14
Caso: Universal Analytics
14
Información centralizada
15
Estrategia de Medición
Estrategia de medición
17
OBJETIVOS DE NEGOCIO
Estrategia de medición
17
OBJETIVOS DE NEGOCIO KPIs
Estrategia de medición
17
OBJETIVOS DE NEGOCIO KPIs HERRAMIENTAS
¿QUÉ Medimos?
18
Clicks
Visitas
Páginas vistas
Usuarios únicos
Brand Awareness
Reputación
Engagement
Ventas
Fidelización
¿QUÉ Medimos?
18
Clicks
Visitas
Páginas vistas
Usuarios únicos
Brand Awareness
Reputación
Engagement
Ventas
Fidelización
Web Analytics Multi-plataforma
19
Web Analytics Multi-plataforma
20
Web Analytics Multi-plataforma
20
Medición Web
Web Analytics Multi-plataforma
20
Medición Móviles
Web Analytics Multi-plataforma
20
API de medición (Flash, Flex, offline, etc.)
Análisis
Análisis de datos y optimización
22
Regla 10 / 90by Avinash Kaushik (@avinash)
Herramientas de medición
Análisis de datos y optimización
22
Regla 10 / 90by Avinash Kaushik (@avinash)
Herramientas de medición Análisis de datos
Embudo de compra
23
AWARENESS
CONSIDERATION
PURCHASE
LOYALTY
Embudo de compra
23
AWARENESS
CONSIDERATION
PURCHASE
LOYALTY
5%
1.7%
11%
Camino a la conversión
24
Modelos de atribución de conversiones:
¿Qué / cómo podemos optimizar?
1 - Mix de medios
26
2 - Mix de dispositivos
27
3 - Camino a la conversión
28
4 -Engagement
29
5 - Reputación online (monitoreo social)
30
Conclusiones
• Implementar una solución de medición multi-dispositivo
32
Conclusiones
• Implementar una solución de medición multi-dispositivo
• Invertir más recursos en análsis que en herramientas (Regla 10/90)
32
Conclusiones
• Implementar una solución de medición multi-dispositivo
• Invertir más recursos en análsis que en herramientas (Regla 10/90)
• Expandir la capacidad de análsis
32
Conclusiones
• Implementar una solución de medición multi-dispositivo
• Invertir más recursos en análsis que en herramientas (Regla 10/90)
• Expandir la capacidad de análsis
• Mejorar usabilidad y accesibilidad a datos
32
Conclusiones
• Implementar una solución de medición multi-dispositivo
• Invertir más recursos en análsis que en herramientas (Regla 10/90)
• Expandir la capacidad de análsis
• Mejorar usabilidad y accesibilidad a datos
• Generar recomendaciones basadas en KPIs
32
Conclusiones
Hipótesis...
... Experimentar...
ACTUAR!
¡Gracias!
Gustavo Saientz | CEO Resultics
@SaientzG
¿Preguntas?