Por qué las métricas aisladas se quedan cortas y cómo la puntuación compuesta ponderada puede transformar los conocimientos de su negocio
En el mundo del comercio electrónico, confiar en métricas individuales para evaluar el desempeño de los productos y las marcas puede resultar engañoso. Las métricas, de forma aislada, pueden crear una falsa sensación de éxito, lo que lleva a una inversión excesiva en productos que parecen rentables pero que en realidad están agotando los recursos de su negocio o, por el contrario, infravalorando artículos con potencial sin explotar.
Para mantenerse a la vanguardia, necesita un visión holística — uno que evalúa el desempeño del producto y la marca a través de varias métricas clave como ‘ingresos brutos’, ‘tasa de conversión’, ‘margen bruto’, ‘costo de adquisición de clientes’, ‘tasa de repetición de compras’, ‘costos de cumplimiento’ y ‘tasa de retorno’.
A continuación se muestra un ejemplo típico de algunos datos de comercio electrónico con los que trabajan muchos de mis clientes. Para proteger la confidencialidad del cliente y garantizar la privacidad, los datos que se muestran aquí son sintéticos y se generan mediante IA. Aunque incluye una variedad de métricas importantes, los equipos a menudo solo se centran en la métrica más relevante para sus objetivos, lo que puede oscurecer el panorama general. Por ejemplo, ordenar por sales_gross_amount hace que ‘Towel 17’ parezca tener el mejor desempeño:
Sin embargo, cuando ordenamos por una puntuación personalizada que considera todo Al analizar las métricas por igual, encontramos que ‘Cushion 152’ emerge como el producto con mejor desempeño, mientras que ‘Towel 17’ cae significativamente hasta la posición 213 de 500 productos:
Nota al margen: En la práctica, probablemente no usaría tantas métricas simultáneamente, ya que puede complicar demasiado la toma de decisiones. Sin embargo, quería brindarte una imagen completa de los diferentes factores que podrías considerar. Además, habrás notado que no he incluido Agregar al carrito como una de las métricas de la tabla. Si bien es un indicador útil en las primeras etapas del interés del cliente, no siempre se traduce en ventas finales o rendimiento del producto a largo plazo. Sin embargo, algunos todavía pueden encontrar valor en el seguimiento de esta métrica.
Para evitar estos errores de la evaluación de una sola métrica y obtener una evaluación más precisa del desempeño del producto y la marca a través de múltiples métricas, utilizamos un método llamado Puntuación compuesta ponderada.
Una puntuación compuesta ponderada combina múltiples métricas en una única métrica reveladora que proporciona una visión integral del valor de cada producto en varias dimensiones. Piense en ello como su calificación final en la escuela: cada materia puede evaluarse en una escala diferente, pero en última instancia se combinan en una puntuación general.
Esta puntuación compuesta también se puede ponderar para enfatizar métricas específicas, lo que le permite alinearse con objetivos comerciales particulares, como priorizar la rentabilidad sobre el crecimiento o reducir las tasas de retorno.
A continuación, exploremos cómo implementar una puntuación compuesta ponderada usando Python:
import pandas as pd
from sklearn.preprocessing import StandardScaler, MinMaxScalerproduct_df= pd.read_csv('product_data.csv') # This is a set of artificially generated data
product_df.head()
Hay muchas técnicas de escalamiento que puedes aplicar, pero para este conjunto de datos, Normalización de puntuación Z es el método de escalado más eficaz. He aquí por qué:
- Equilibra diferentes escalas: La normalización de puntuación Z convierte cada métrica para que tenga una media de 0 y una desviación estándar de 1. Esto nivela el campo de juego para métricas que varían significativamente en escala, ya sean miles de dólares en ingresos o tasas de conversión de un solo dígito. En última instancia, esto facilita la comparación de productos en diferentes dimensiones.
- Maneja mejor los valores atípicos: A diferencia de la escala Min-Max, que puede verse distorsionada por valores extremos, las puntuaciones Z reducen la influencia de los valores atípicos, lo que garantiza una representación más justa de todas las métricas.
- Identifica rendimiento por encima/por debajo del promedio: Las puntuaciones Z nos permiten ver si un valor está por encima o por debajo de la media, utilizando valores positivos o negativos (como puede ver en la Tabla 4 a continuación). Como veremos, esta información será útil más adelante para comprender cómo se comportan los productos individuales en relación con la media.
Refinación con escalamiento Min-Max
Si bien la escala Min-Max por sí sola no habría sido adecuada para escalar los datos sin procesar en este conjunto de datos, la aplicamos después de la normalización de puntuación Z para transformar todos los valores en un rango consistente entre -1 y 1. Al hacer esto, se convierte en más fácil de comparar justamente métricas ya que todos los valores ahora están en la misma escala, lo que garantiza que cada métrica contribuya por igual al análisis final.
El siguiente código demuestra cómo aplicar los métodos de escalado a nuestro marco de datos:
# Select numeric columns and create corresponding scaled column names
numeric_cols = product_df.select_dtypes(include=['float64', 'int64']).columns
scaled_cols = ['scaled_' + col for col in numeric_cols]# Apply Z-Score Normalisation and then Min-Max scaling in one go
scaler = MinMaxScaler(feature_range=(-1, 1))
product_df[scaled_cols] = scaler.fit_transform(StandardScaler().fit_transform(product_df[numeric_cols]))
product_df.head()
A continuación, queremos brindar a nuestros usuarios finales la opción de agregar ponderaciones a ciertas métricas. Esto permite al usuario darle mayor importancia a determinadas métricas en función de las prioridades u objetivos del negocio. Diferentes departamentos pueden priorizar diferentes métricas según su enfoque. Por ejemplo, el equipo de marketing podría estar más interesado en la adquisición y conversión de clientes, donde tasa de conversión, Costo de adquisición de clientes (CAC)y tasa de repetición de compra son indicadores clave de éxito.
Métricas como costos de cumplimiento, CACy tasa de retorno representan factores negativos para el desempeño de un producto. Al aplicar ponderaciones negativas, garantizamos que los valores más altos en estas métricas reduzcan la puntuación compuesta general, lo que refleja su impacto adverso:
# Example user-provided weights (this can be dynamic based on user input)
user_weights = {
'scaled_conversion_rate': 0.14,
'scaled_sales_gross_amount': 0.14,
'scaled_gross_margin': 0.14,
'scaled_customer_acquisition_cost': -0.14, #notice negative weight here
'scaled_fulfillment_costs_per_unit': -0.14, #notice negative weight here
'scaled_return_rate': -0.14, #notice negative weight here
'scaled_repeat_purchase_rate': 0.14
}# Calculate weighted composite score
product_df['weighted_composite_score'] = sum(product_df[col] * weight for col, weight in user_weights.items()) / sum(user_weights.values())
Métricas de ponderación con análisis de regresión
Como nota al margen, un enfoque más basado en datos para asignar ponderaciones en una puntuación compuesta es utilizar el análisis de regresión. Este método asigna ponderaciones en función de la influencia real de cada métrica en resultados clave, como la rentabilidad general o la retención de clientes. Al hacerlo, las métricas más impactantes naturalmente tienen más peso en la puntuación compuesta final.
Como puede ver en la siguiente tabla (y también se muestra al principio de este blog), cuando ordenamos por scaled_sales_gross_amount el producto ‘Toalla 17’ está en la primera posición:
Sin embargo, cuando ordenamos por nuestro nuevo weighted_composite_score el ‘Cushion 152’ ocupa la primera posición, mientras que el Towel 17 desciende hasta la posición 213 de 500:
Gracias a los puntajes Z positivos y negativos, podemos ver claramente en la Tabla 1 que si bien toalla 17 sobresale en ventas y rentabilidad, tiene problemas con las compras repetidas y tiene una alta tasa de retorno: indicadores potenciales de problemas de calidad o satisfacción del cliente. Abordar estos desafíos podría resultar en mejoras significativas tanto en la rentabilidad como en la lealtad del cliente.
En la Tabla 2 podemos ver que Cojín 152 se desempeña excepcionalmente bien en términos de rentabilidad (alto margen bruto y bajos costos), con sólidas tasas de conversión y una baja tasa de retorno. Si bien no tiene las ventas más altas, se destaca como uno de los mejores en general debido a su eficiencia y satisfacción del cliente. Recomendaría que este sitio web aumente la visibilidad de este producto a través de campañas de marketing dirigidas y lo presente de manera más destacada en el sitio para generar ventas adicionales.
También analicé el marcas en el conjunto de datos, y una vez más, surge una imagen diferente cuando analizamos los datos a través de la lente de una puntuación compuesta ponderada.
A primera vista, EcoLiving parece tener el mejor desempeño basándose únicamente en sales_gross_amount. Sin embargo, nuestra puntuación compuesta ponderada, que equilibra todas las métricas clave por igual, revela que PureDecor es la marca más valiosa en general. Este enfoque nos permite identificar la marca que ofrece el mayor valor general, en lugar de centrarnos en una única métrica o dimensión de rendimiento:
En conclusión, La implementación de una puntuación compuesta ponderada es un método sencillo pero muy eficaz para analizar conjuntos de datos complejos que pueden integrarse fácilmente en sus herramientas de generación de informes existentes.
Para mis clientes, este enfoque ha tenido un impacto significativo: ha evitado recortes innecesarios en productos y marcas que erróneamente se consideraban de bajo rendimiento. También ha ayudado a reasignar recursos de productos y marcas que agotaban los presupuestos sin ofrecer un valor proporcional.
La puntuación compuesta ponderada se puede aplicar a cualquier área donde sea necesario equilibrar múltiples métricas importantes. Por ejemplo, puede ayudar a optimizar el contenido web, mejorar las estrategias de SEO y mejorar la segmentación de clientes, convirtiéndola en una herramienta transformadora en múltiples áreas de su negocio.
Si desea ayuda para implementar un sistema de puntuación ponderada o simplemente desea conversar sobre sus problemas con los datos, no dude en comunicarse conmigo por correo electrónico, mi sitio web o LinkedIn.
A menos que se indique lo contrario, todas las imágenes son del autor.