Convertir datos en predicciones accionables es lo que diferencia a un analista de Business Intelligence del resto. Aquí se aborda cómo calcular la tasa de abandono, identificar los productos que se quedan sin comprar y proyectar escenarios futuros usando las herramientas nativas de Power BI.
¿Cómo calcular la probabilidad de abandono con una scorecard?
El primer paso es cuantificar el porcentaje de usuarios que abandonan su intención de compra. Para esto se utiliza una scorecard, un elemento visual que muestra un único valor destacado en el tablero [0:08].
La fórmula detrás de este cálculo es una medida personalizada que relaciona dos variables:
- Cantidad de usuarios abandonados: el numerador de la ecuación.
- Intensidad de compra: el denominador que representa la intención real de adquisición.
Al dividir ambas, se obtiene un valor decimal. En el ejemplo, el resultado inicial es 0.49, que aún no tiene formato de porcentaje [0:40]. Para corregirlo se debe ir a Formato > Más opciones > Propiedades > Formato de datos y seleccionar Porcentaje. Con ese ajuste, el valor se muestra correctamente como 49%.
¿Qué productos se quedan en el carrito de compras sin ser procesados?
Identificar los artículos abandonados permite proponer acciones de mejora concretas. Para esta visualización se emplea una gráfica de radar, disponible en la biblioteca de visualizaciones de Power BI [1:05].
Esta gráfica distribuye los artículos alrededor de un eje central y ajusta su forma según la cantidad que permanece en el carrito sin completar la compra. La configuración requiere dos elementos:
- Categoría: los artículos del catálogo.
- Eje Y: la cantidad en el carrito de compras.
El resultado revela de forma inmediata cuáles productos presentan mayor abandono. En este caso, el reloj y la bicicleta son los que más se quedan sin ejecutar su compra [1:30].
¿Cómo se configura la proyección a futuro de carritos abandonados?
Con los datos históricos ya organizados, el siguiente paso es crear una proyección temporal. Se selecciona un gráfico de línea donde el eje X contiene la fecha y el eje Y la cantidad de usuarios que interactúan [1:50].
Es importante hacer un tratamiento a la fecha: se eliminan los niveles de día y trimestre, dejando únicamente mes y año. Luego se baja un nivel para que la visualización tome los meses como subcategoría.
Para activar la predicción, se selecciona la gráfica y en Formato se habilita la opción Previsión [2:18]. Power BI genera automáticamente un cono de proyección que representa un escenario hipotético de cómo evolucionará la tasa de abandono en el futuro.
¿Cómo proyectar la frecuencia de clics hacia el futuro?
El mismo proceso se aplica para analizar la interacción de los usuarios medida en conteo de clics [2:35]. Se crea otro gráfico de línea con:
- Eje X: fecha (tratada con el mismo ajuste de mes y año).
- Eje Y: conteo de clics.
Al activar la previsión, se obtiene un rango que muestra el máximo y mínimo de clics esperados en la página. Esto permite anticipar períodos de alta o baja actividad y tomar decisiones preventivas [2:55].
¿Qué personalización aplicar al tablero final?
El tablero ya es funcional con toda la información necesaria para la toma de decisiones. Sin embargo, la personalización marca la diferencia en la presentación ejecutiva. Se pueden modificar:
- Colores y formas de cada visualización.
- Filtros de magnitudes para segmentar la información.
- Porcentaje de proyección, en el ejemplo se utilizó un 75% hacia el futuro [3:20].
- Disposición del tablero, ya sea en diagrama en Z u otra estructura que facilite la lectura.
Cada decisión de diseño impacta la claridad con la que los stakeholders interpretan los datos. ¿Qué esquema de colores y disposición utilizarías tú para resolver este requerimiento? Comparte tu propuesta en los comentarios.
