La toma de decisiones basadas en datos es fundamental para estrategias de las compañías. Si lo llevamos un poco a nuestro ecosistema de agencias digitales. Estas decisiones son de alta relevancia para optimizar campañas y crear estrategias publicitarias. Sin embargo, la eficiencia de estas decisiones, en una gran parte, depende de la calidad de los datos (QA) en los reportes entregados a los equipos dentro de la misma agencia.
Data QA traduce en inglés, Quality Assurance y en español, Garantía de Calidad de los Datos.
Se refiere a los procesos y herramientas utilizados en un proyecto BI para dar garantía de que los datos reportados en los Dashboards sean PRECISOS, CONSISTENTES y estén ACTUALIZADOS.
Precisos: Los datos son precisos cuando reflejan la realidad sin errores. Si una campaña reporta en plataforma 1250 clics en determinado periodo de tiempo, y el Dashboard reporta 1100 clics en el mismo periodo de tiempo, ese datos no es preciso, y todos los cálculos, y decisiones tomados sobre ellos, podrían ser incorrectas, estas imprecisiones también pueden deberse a las diferencias en la forma de medir, o las tecnologías que usan las diferentes herramientas, pero cuando hablamos de la misma fuente de datos, si se trataría de una imprecisión.
Consistentes: Si en una vista del Dashboard, la campaña “x” reporta un uso de 1st party data del 35% y en otra vista la misma campaña reporta un uso de 1st party data del 46% ambas en el mismo periodo, hay una inconsistencia de los datos.
Actualizados: Los datos en un dashboard están actualizados cuando muestran la información más reciente disponible de la plataforma conectada. Si el equipo de estrategia está utilizando datos de audiencias de hace seis meses creyendo que son los recientes para la campaña actual, los datos no están actualizados y podría llevar a decisiones menos efectivas.
En una agencia digital, donde la decisiones se basan en Dashboard que integran gran variedad de fuentes de datos como: Plataformas de anuncios, CRM, Analítica de sitios web, etc. Asegurar un Data QA es crucial.
Los datos incorrectos, pueden llevar a errores de interpretación de los resultados de campañas, efectuando negativamente a los KPIs del cliente.
Historias Reales:
Duplicados:
En el primer caso en uno de sus dashboards, la métrica de conversiones creció inusualmente. Al principio, los equipos celebraban esto como un éxito. Sin embargo, al ser notificado el equipo de BI para confirmar el dato, ellos se dieron cuenta que ese número no cuadraba. El equipo de BI investigó y descubrieron que en el proceso ETL estaba duplicando para cierta campaña las conversiones debido a un incorrecto JOIN en el proceso.
Este error perduró en los reportes por varios días, por lo que trajo decisiones erróneas y molestias con el cliente.
Lección aprendida: Configurar en la herramienta ETL un validador de cifras entre el proceso y un informe directamente desde plataforma para evitar discrepancias a medida que se avanza con el proceso. De esta manera, se puede evitar algunas discrepancias antes de publicar el reporte y generar confianza del cliente para una buena reputación del Dashboard.
A tiempo:
En el segundo caso el proceso de Data QA implementado en su pipeline ETL demostró su valor al alertar al equipo sobre una discrepancia en los datos que, de no haberse detectado a tiempo, podría haber generado un informe inexacto para el cliente.
Al ejecutar el proceso ETL, el dashboard reportó el día "ayer" un total de 12.531.000 impresiones. Sin embargo, al correr el proceso "hoy", un validador del sistema detectó que el número de impresiones reportado había disminuido a 12.490.000, lo que representa un decrecimiento del -0.33%.
Dado que las impresiones son una métrica lineal que, en circunstancias normales, debería mostrar al menos un crecimiento del 0%, este cambio negativo fue inmediatamente cuestionado. El equipo de BI, al investigar más a fondo, descubrió que habían perdido acceso a una cuenta publicitaria. Gracias a la alerta temprana, pudieron contactar al cliente y restablecer el acceso antes de que los datos incorrectos fueran publicados en el dashboard, asegurando la precisión de la información entregada.
Lección aprendida: La historia subraya la importancia crítica de tener procesos de Data QA. La detección temprana de anomalías en los datos no solo evita la entrega de información errónea, sino que también permite tomar acciones correctivas antes de que los errores escalen. En este caso, un simple decrecimiento en una métrica clave permitió descubrir un problema más profundo y corregirlo a tiempo, preservando la confianza del cliente y la integridad de los datos.
Buenas prácticas para implementar Data QA
En resumen:
Implementar buenas prácticas de Data QA no solo asegura la precisión y consistencia en la medición del rendimiento de las campañas en los Dashboards, sino que permite una optimización más confiable. Aplicar estas buenas prácticas desde la perspectiva de BI, puede ser el éxito o el fracaso de las campañas publicitarias.
Al asegurarse que los datos reflejan datos confiables, la agencia puede ofrecer mejores resultados a los clientes y mantener una ventaja competitiva.