Análisis del Cuadrante de Desempeño de Productos en E-commerce

Introducción

El análisis del Cuadrante de Desempeño de Productos en E-commerce es una herramienta de inteligencia de mercado que ha cobrado importancia en el ámbito del comercio electrónico. Es especialmente valioso para categorizar productos según su rendimiento, considerando su visibilidad y tasa de conversión. La primera vez que supe de este análisis fue a través de Bryan Eisenberg en su blog (https://www.bryaneisenberg.com/), donde mencionaba la métrica de relación look-to-book. Dicha métrica, originaria del sector hotelero, compara el número de reservaciones realizadas con el total de intentos de reservar. Bryan Eisenberg adapta esta métrica al e-commerce, usándola para el ratio cantidad de productos comprados frente a los productos vistos.

Esta herramienta analítica permite a los especialistas de ecommerce identificar qué productos que merecen más atención en términos de promoción y cuáles requieren un replanteamiento estratégico o incluso una eliminación del inventario.

Metodología

El análisis consiste en se divide en cuatro cuadrantes, cada uno representando un grupo único de productos basados en dos variables: el número de veces que se han visto (visibilidad) y el ratio de número de veces que se han comprado o añadido al carrito (ratio de conversión).

Ejes del Cuadrante

El análisis se lleva a cabo en un gráfico de cuadrantes con dos ejes perpendiculares:

Eje X (Horizontal): Representa la visibilidad del producto, medida por el número de producto visto. Hacia la derecha, este eje aumenta, indicando un mayor número de vistas.

Eje Y (Vertical): Representa la tasa de conversión, que puede ser el ratio de compras realizadas o el ratio de veces que un producto ha sido añadido al carrito. Hacia arriba, este eje aumenta, indicando una mayor tasa de conversión.

Punto de Cruce de los Cuadrantes

Los ejes se cruzan generalmente en el promedio de las vistas y el promedio de la tasa de conversión de todos los productos del sitio web. Este punto de cruce divide el gráfico en cuatro cuadrantes:

Cuadrantes

Cuadrante Superior Derecho (Cuadrante 1)

Alta visibilidad, alta conversión (Productos Estrella).

Condición:
'Artículos vistos' >= promedio_vistas AND ratio_individual >= ratio_general

Descripción:

Los productos en este cuadrante tienen una cantidad de vistas igual o superior al promedio y una tasa de conversión igual o superior a la tasa de conversión general. Son los más exitosos en atraer y convertir a los visitantes.

2. Cuadrante Superior Izquierdo (Cuadrante 2)

Alta visibilidad, baja conversión (Potencial Desaprovechado).

Condición:

'Artículos vistos' >= promedio_vistas AND ratio_individual < ratio_general

Descripción:

Estos productos consiguen muchas vistas (igual o más que el promedio) pero su tasa de conversión es menor que el promedio general. Atraen interés pero tienen dificultades para convertir ese interés en acciones de añadir al carrito.

3. Cuadrante Inferior Izquierdo (Cuadrante 3)

Baja visibilidad, alta conversión (Productos Ocultos con Potencial).

Condición:

'Artículos vistos' < promedio_vistas AND ratio_individual >= ratio_general

Descripción:

Los productos en este cuadrante tienen menos vistas que el promedio, pero una tasa de conversión igual o mayor que la tasa general. Aunque no son muy vistos, cuando lo son, tienen una alta probabilidad de ser añadidos al carrito.

4. Cuadrante Inferior Derecho (Cuadrante 4)

Baja visibilidad, baja conversión (Bajo Rendimiento).

Condición:

'Artículos vistos' < promedio_vistas AND ratio_individual < ratio_general

Descripción:

Estos productos tienen tanto vistas como una tasa de conversión por debajo del promedio. Son los de menor desempeño, indicando tanto un bajo interés como una baja probabilidad de convertir las pocas vistas en añadidos al carrito.

Estrategia para los grupos de productos según su cuadrante.

Cuadrante 1: Productos Estrella (Alto en Vistas, Alto en Compras)

Estos productos son los héroes no reconocidos de su inventario, atrayendo tanto vistas como ventas. La estrategia óptima aquí es sencilla: aumentar la visibilidad aún más. Esto podría implicar la promoción de estos productos en la página principal del sitio web o a través de campañas de email marketing dirigidas. Las promociones, como los descuentos por tiempo limitado o los paquetes de productos, pueden ser una excelente manera de aprovechar su popularidad ya existente y aumentar las ventas.

Cuadrante 2: Potencial Desaprovechado (Alto en Vistas, Bajo en Compras)

En este cuadrante, encontramos productos que captan el interés pero no convencen a los clientes para finalizar la compra. La estrategia aquí es investigar y resolver las barreras para la conversión. Esto puede implicar optimizar el precio, mejorar las descripciones del producto, actualizar las fotografías, o responder a las reseñas de los clientes. Las pruebas A/B pueden ser particularmente útiles en esta etapa para comprender qué cambios pueden mejorar la conversión.

Cuadrante 3: Productos Ocultos con Potencial (Bajo en Vistas, Alto en Compras)

Aquí tenemos productos con un alto ratio de conversión que no son suficientemente vistos. La clave está en aumentar su visibilidad. Técnicas de SEO para mejorar su ranking en las búsquedas, campañas de publicidad pagada y contenido de marketing bien dirigido pueden ser estrategias efectivas. Identificar las características que hacen a estos productos atractivos y destacarlas en la promoción puede incrementar su éxito.

Cuadrante 4: Bajo Rendimiento (Bajo en Vistas, Bajo en Compras)

Los productos de este cuadrante requieren una decisión crítica: ¿vale la pena mantenerlos en el inventario? Pueden ser candidatos para promociones de liquidación para liberar espacio de almacenamiento y capital para invertir en productos más rentables. Antes de tomar la decisión de discontinuarlos, una evaluación de cómo se podrían mejorar es esencial.

Aplicando el análisis

Determinando las PKIs

Lo primero que debemos hacer es tener los datos con los que vamos a trabajar. Por una lado debemos de tener la visibilidad del producto, que esto lo tenemos con la métrica Productos Vistos, y por otro lado deberíamos de decidir qué métrica de conversión tomamos, Productos añadidos al carrito o Productos comprados, yo prefiero Productos añadidos al carrito porque en añadir al carrito se refleja la intención de compra, y es donde influye las características del producto, en la compra pueden influir otros factores como, el proceso del chkout, el coste del envío, o el tiempo de entrega.

Es decir que como mínimo tendríamos un archivo con el identificador de producto, productos vistos y productos comprados. También esa información se podría enriquecer con Marcas y Categorías de productos para ver si encontramos algún patrón. Esta información la podemos encontrar de alguna herramientas de analítica web como Google Analytics 4.

Ejemplo de Datos:

Cómo obtener los datos del Google Analytics 4

KPIs del análisis

KPIs que tenemos:

Artículos vistos

Artículos añadidos al carrito

KPIs que se pueden calcular

Total de número de Artículos = CONTAR VALORES ÚNICOS (Id del artículo)

Media de Artículos vistos = Artículos vistos/Número de productos

Ratio Global Artículos añadidos al carrito = Artículos añadidos al carrito/Número de productos

Lógica del análisis

Utilizar python para clasificar los productos según cuadrante.

Una manera de automatizar el proceso es haciendo un pequeño programa en python que te clasifique cada producto según el cuadrante en que se encuentre. En el siguiente código los datos están en un archivo de Google Sheet . Para esto hay un trabajo previo que hay que hacer, de cómo abrir una hoja de cálculo de Google desde python, que se los dejo de tarea.

import pandas as pd


# Asumiendo que 'data' ya está definido con id únicos y contiene las columnas 'Artículos vistos' y 'Artículos añadidos al carrito'


# Calcular el ratio de conversión general
total_vistos = data['Artículos vistos'].sum()
total_añadidos = data['Artículos añadidos al carrito'].sum()
ratio_conversión_general = total_añadidos / total_vistos


# Función para determinar el cuadrante de cada producto usando el ratio de conversión general
def determinar_cuadrante(fila, promedio_vistas, ratio_general):
    # Evitar la división por cero verificando si 'Artículos vistos' es cero
    if fila['Artículos vistos'] == 0:
        ratio_individual = 0  # Puedes elegir un valor adecuado para casos donde no hay vistas
    else:
        ratio_individual = fila['Artículos añadidos al carrito'] / fila['Artículos vistos']
   
    if fila['Artículos vistos'] >= promedio_vistas and ratio_individual >= ratio_general:
        return 'Cuadrante 1 - Alto en vistas, Alto en ratio de conversión'
    elif fila['Artículos vistos'] >= promedio_vistas and ratio_individual < ratio_general:
        return 'Cuadrante 2 - Alto en vistas, Bajo en ratio de conversión'
    elif fila['Artículos vistos'] < promedio_vistas and ratio_individual >= ratio_general:
        return 'Cuadrante 3 - Bajo en vistas, Alto en ratio de conversión'
    else:
        return 'Cuadrante 4 - Bajo en vistas, Bajo en ratio de conversión'




# Calcular promedios para 'Artículos vistos'
promedio_vistas = data['Artículos vistos'].mean()


# Aplicar la función para determinar el cuadrante de cada producto, pasando también el promedio de vistas y el ratio de conversión general como argumentos
data['Cuadrante'] = data.apply(determinar_cuadrante, promedio_vistas=promedio_vistas, ratio_general=ratio_conversión_general, axis=1)


# Imprimir los promedios y el ratio de conversión general para referencia
print(f"Promedio de Artículos Vistos: {promedio_vistas}")
print(f"Ratio de Conversión General: {ratio_conversión_general}")


# Guardar los resultados en un nuevo archivo Excel
output_path = '/content/drive/My Drive/analisis_cuadrantes.xlsx'
data.to_excel(output_path, index=False)


print("Clasificación de cuadrantes completada y guardada en:", output_path)

Salida del código

Promedio de Artículos Vistos: 299.6392405063291

Ratio de Conversión General: 0.22433245524304393

Clasificación de cuadrantes completada y guardada en: /content/drive/My Drive/analisis_cuadrantes.xlsx

Resumen

El artículo ofrece un marco comprensivo para el análisis de cuadrantes, enfocado en mejorar el desempeño de productos en ecommerce. Empieza con una introducción teórica y se mueve hacia la aplicación práctica, detallando los pasos y herramientas necesarios para implementar el análisis. Destaca por su enfoque en la data-driven decision making, haciendo uso de datos de Google Analytics y programación en Python para categorizar y optimizar el rendimiento de productos. Ofrece estrategias claras para cada tipo de producto, basadas en su visibilidad y tasa de conversión, y termina con un ejemplo práctico de cómo aplicar estos conceptos utilizando un script de Python.