Hoy me sustituyen en el blog. Para hablar de una caracterísitica de Adobe Anlaytics que seguro que estamos utilizando mucho menos de lo que deberíamos he contado con la ayuda de Javier Martín .

Javier Martín Es Digital Analyst en Londres en Time OUt, y habitualmente lo encontrarás en su blog «GEEKEANDO EN ANALYTICS»Dejo de hablar. Es el turno de Javier

¿Qué es Anomaly Detection?

Anomaly Detection es parte las nuevas funcionalidades ofrecidas por Adobe Analytics y aporta un método estadístico sobre como una métrica ha cambiado en un periodo de tiempo.

¿Una anomalía y un pico o caída son lo mismo?

No exactamente, al menos no al 100%

Un pico es lo que ocurre cuando una métrica aumenta o disminuye radicalmente para un periodo de tiempo dado. Y puede ser “creada” por nosotros o “esperada”

Por ejemplo, si lanzamos una campaña de Adwords por valor de 10 000 euros, es normal que tengamos luego más tráfico, más conversiones etc. Por lo tanto, tener un 20% más de tráfico y un 18% más de conversiones no sería ninguna anomalía. Simplemente un pico generado por la campaña que hemos lanzado.

Una anomalía, por su parte se refiere más a cómo ha cambiado la métrica y tiene una base estadística. Por ejemplo, si un día el 23% de las transacciones vienen de una campana con un 3% de tráfico, eso es una anomalía, pero puede o no ser un pico.

Como vemos en el gráfico, para el dia 29 de junio se ha detectado una anomalía que no es un pico

image001

 

¿Cómo empezar con Anomaly Detection?

1- Anomaly Detection se encuentra dentro de la sección “Reports” y luego “Site Metrics”

image003

2- Seleccionar la/s métrica/s y el periodo

Tan solo hay que clicar en “Edit Metrics” y elegir un “Training Period”

1.- Métricas

Puedes seleccionar una o mas de una (luego podemos ver la relación entre dos métricas). Y puedes seleccionar cualquiera de los Success Events así como de los Standard Events de eCommerce (cart additions, views, removals, orders etc.)

2.- Periodo

image005

Puedes elegir entre 30, 60 y 90 días. Pero cuanto mayor sea el periodo, es posible que se reduzca el tamaño de la anomalía.

3- Centrarnos en una anomalía concreta del gráfico

El gráfico muestra una evolución de la/s métrica/s seleccionadas y señala con puntos aquello que Analytics considera que es una anomalía.

image007

Al clicar sobre uno de los puntos, podemos ver los datos para la métrica en cuestión, junto con el valor esperado. Lo que Analytics considera que sería normal, y dado que no lo es, lo señala como anomalía. También nos dice el porcentaje en verde si positivo o rojo si es negativo

El siguiente paso es el análisis de contribución de los posibles factores. Para ello, hay que clicar en “Analyze” (justo encima del gráfico)

4- Explorar las distintas posibilidades que han causado la anomalía

image009

Adobe Analytics sugiere un rango de «items» (que puede ser un producto, campana etc.) en donde una anomalía se ha detectado y que podría ser la causa.

Cada posibilidad tiene una puntuación que valora lo probable o no de ser la causa o haber contribuido.

1: Asociación completa para un pico positivo o inversa para una caída

0: No hay asociación o contribución

-1: Asociación completa para una caída o inversa para un pico positivo

En la imagen se puede ver que en la segunda fila 1% de x lo ha generado 23% de y…

5- Crear el segmento correspondiente y tirar del hilo

image011

Basta con clicar en cualquier de los “ítems” (filas) y un botón para crear un segmento que contenga el item en cuestión (producto, campana, fuente de tráfico etc.)

¿Y después? Guarda el segmento y aplícalo a las fuentes de tráfico, dispositivo etc. para profundizar y ver que está ocurriendo realmente.

Como puedes ver, Anomaly Detection es una forma fácil y rápida de detectar algo “inusual” en las métricas importante para nosotros, y ahorrar tiempo buscando respuestas.

Shares