Cuando el tráfico empieza a parecer extraño

A veces, el problema no empieza cuando el tráfico cae. Empieza cuando hay demasiado.

Eso fue lo que ocurrió al revisar los datos de una web de un cliente con una audiencia bastante definida. El volumen era bueno, incluso demasiado bueno en algunos momentos, pero había elementos que no terminaban de encajar.

Una parte importante del tráfico aparecía como Direct. Al mismo tiempo, algunos países tenían un peso difícil de justificar por el contexto del proyecto. Singapur y China, por ejemplo, aparecían con mucha más presencia de la que cabría esperar por idioma, actividad o público objetivo.

Nada de eso demostraba, por sí solo, que hubiera un problema.

El tráfico directo no es necesariamente sospechoso. Tampoco lo es recibir visitas desde países inesperados. Internet no respeta demasiado bien nuestras previsiones geográficas y, además, Analytics no siempre puede identificar con precisión de dónde procede una sesión.

Pero cuando varias señales extrañas coinciden, conviene dejar de mirar únicamente el número total.

Había demasiadas visitas para no empezar a hacer preguntas.

¿De dónde venían realmente? ¿Por qué una parte tan importante terminaba clasificada como Direct? ¿Tenía sentido aquella distribución geográfica? ¿Estábamos viendo personas interesadas en el contenido o simplemente actividad que Analytics estaba incorporando a las estadísticas?

Y, sobre todo, apareció una pregunta anterior a todas las demás:

¿estábamos midiendo correctamente?

El banner estaba ahí, pero nadie tenía que decidir

La primera pista no apareció en Analytics, sino en la propia web.

El banner de cookies estaba implementado. Técnicamente, estaba ahí. Pero había una diferencia importante entre mostrar un aviso y conseguir que el usuario tome una decisión.

En nuestro caso, era posible seguir navegando sin aceptar ni rechazar explícitamente. Y eso abrió una duda bastante más relevante que la posición o el diseño del banner: ¿qué estaba ocurriendo con la medición mientras el usuario no decidía nada?

Ese punto ayuda también a entender por qué muchos sitios web grandes presentan el consentimiento de una forma especialmente visible nada más entrar. A menudo aparece centrado, con bastante peso visual e incluso ocupando buena parte de la pantalla. No es solo una decisión estética. Es una manera de convertir el consentimiento en una acción explícita, difícil de ignorar, y de reducir el tiempo en el que el usuario continúa navegando sin haber tomado ninguna decisión.

En nuestro caso, a partir de esa sospecha no cambiamos una sola cosa.

Revisamos la configuración del consentimiento, la posición y visibilidad del banner, la claridad de las opciones disponibles y la implementación de Google Consent Mode, para comprobar qué señales se enviaban a Google antes y después de que el usuario tomara una decisión. También revisamos el comportamiento de Analytics y la propia implementación de medición.

No se trataba simplemente de “arreglar las cookies”. Estábamos revisando toda la cadena que conecta una visita con el dato que finalmente aparece en Analytics: desde la interacción del usuario con el consentimiento hasta la forma en que esa decisión se traduce en señales y termina condicionando qué puede medirse y cómo.

Esta fue nuestra respuesta al problema que teníamos delante, pero no significa que el consentimiento sea la única herramienta para investigar un tráfico extraño.

Google Analytics permite también trabajar con filtros para determinados tipos de tráfico, excluir tráfico interno y de desarrollo y apoyarse en sus propios mecanismos de filtrado de bots conocidos. Según el caso, también puede ser necesario revisar el etiquetado, las fuentes de adquisición, las referencias, los eventos, las campañas o incluso la infraestructura desde la que llegan determinadas visitas.

Por eso tampoco queríamos convertir una correlación en una explicación demasiado cómoda.

Que el tráfico cambiara después de revisar el consentimiento no demostraba que todo aquel tráfico extraño tuviera una única causa. Tampoco significaba que cualquier descenso posterior pudiera atribuirse automáticamente al nuevo banner o a Consent Mode.

Lo importante era otra cosa: antes de interpretar un dato, necesitábamos entender cómo se estaba generando.

En nuestro caso, el consentimiento y Consent Mode eran piezas suficientemente importantes como para empezar por ahí.

Y después de cambiarlas, los números también cambiaron.

Cuando menos tráfico parece mejor tráfico

Después de los cambios, Analytics empezó a mostrar menos tráfico. Pero, al mismo tiempo, algunas de las métricas que utilizamos para entender la calidad de esas visitas mejoraron de forma bastante evidente.

La diferencia ya no estaba únicamente en cuántos usuarios llegaban a la web, sino en cómo se comportaban una vez dentro.

La tasa de interacción aumentó, el rebote bajó y el tiempo de implicación empezó a ser más consistente. También aparecieron diferencias más razonables entre usuarios nuevos y usuarios recurrentes.

Ese último punto era especialmente interesante.

Antes del cambio, Analytics tendía a mostrar una relación casi idéntica entre usuarios totales y usuarios nuevos. No era imposible, pero sí resultaba extraño cuando se repetía de forma sistemática: parecía que prácticamente todo el mundo llegaba por primera vez.

Después de revisar el consentimiento y la medición, esa fotografía empezó a cambiar. Los usuarios nuevos seguían teniendo un peso muy alto, pero ya no coincidían prácticamente con el total, y la proporción de usuarios recurrentes empezó a ser visible.

No es una prueba definitiva de que antes todo estuviera mal medido, pero sí una señal importante: la audiencia empezaba a comportarse en Analytics de una forma más reconocible y coherente.

Lo mismo ocurría con otras métricas. Al reducirse parte del tráfico sospechoso, las sesiones con interacción ganaban peso y los tiempos de implicación mejoraban. El conjunto empezaba a parecer menos ruidoso.

Y esto importa porque el tráfico de baja calidad no solo infla el número de usuarios. También puede deteriorar las métricas que utilizamos después para evaluar el rendimiento de una web.

Si entran muchas sesiones que duran apenas unos segundos, no interactúan y proceden de orígenes difíciles de explicar, el problema no es solo que el tráfico total esté sobredimensionado. También pueden empeorar el rebote, el tiempo de implicación, la recurrencia y otras señales que después utilizamos para tomar decisiones.

Por eso, cuando tras una revisión de medición cae el volumen pero mejoran de forma simultánea varias métricas de comportamiento, la lectura no debería limitarse a “hemos perdido tráfico”.

La pregunta correcta es otra:

¿estamos viendo menos usuarios o estamos viendo mejor a los usuarios que realmente importan?

No podemos afirmar que todo lo que desapareció fuera spam, bots o tráfico automatizado. Pero cuando disminuyen ciertas anomalías y, al mismo tiempo, mejoran indicadores como la interacción, el rebote, el tiempo de implicación o la recurrencia, resulta razonable plantearse que parte del volumen anterior estaba introduciendo ruido.

Y ahí aparece una paradoja interesante: una web puede mostrar menos tráfico en Analytics y, sin embargo, ofrecer una lectura mucho más útil de su audiencia.

A veces, medir menos no significa conocer menos.

Puede significar exactamente lo contrario.

Dos periodos que ya no significan lo mismo

Cuando cambia la forma de medir, comparar dos periodos como si fueran equivalentes puede ser engañoso.

El porcentaje puede estar bien calculado y, aun así, la conclusión ser incorrecta.

Si antes una visita podía quedar registrada bajo unas determinadas condiciones y después esas condiciones cambian, ya no estamos comparando exactamente la misma realidad observada. El nombre de la métrica puede seguir siendo el mismo —usuarios, sesiones, tráfico Direct, tasa de interacción—, pero la forma en que esos datos llegan hasta Analytics ya no es idéntica.

Eso obliga a introducir una especie de punto de ruptura en la lectura histórica.

No significa que debamos dejar de comparar. Significa que debemos comparar con contexto.

Una caída del tráfico después de revisar consentimiento, Consent Mode o implementación no puede interpretarse automáticamente como una pérdida equivalente de audiencia. Del mismo modo, una mejora del tiempo de implicación o del rebote no debería presentarse como si toda la mejora proviniera únicamente del contenido o de la experiencia de usuario.

Parte del cambio puede estar en el comportamiento real de la audiencia.

Y parte puede estar en quién entra ahora en la muestra y en qué condiciones.

Aquí la UX del consentimiento vuelve a ser importante.

La forma en que presentamos el banner, su visibilidad, la claridad de las opciones y la facilidad para aceptar o rechazar pueden influir en cuántos usuarios toman una decisión y en qué momento lo hacen. Esa decisión acaba afectando también a los datos disponibles para medir la sesión.

Por eso el diseño del consentimiento no vive únicamente en el terreno de la privacidad o del cumplimiento legal. También forma parte de la arquitectura de medición.

Una pequeña modificación en una interfaz puede terminar teniendo consecuencias bastante lejos de esa interfaz: en los informes, en las comparativas mensuales y, finalmente, en las decisiones que tomamos a partir de ellas.

Quizá una de las cosas más útiles que podemos hacer cuando modificamos una implementación de este tipo es precisamente reconocerlo en nuestros propios informes.

No esconder la ruptura.

Marcarla.

Porque a partir de ese momento el “antes” y el “después” siguen siendo útiles, pero ya no significan exactamente lo mismo.

Conclusión

Durante mucho tiempo hemos asociado una buena medición con tener más datos.

Más usuarios. Más sesiones. Más eventos. Más páginas vistas. Más información para analizar.

Pero más no siempre significa mejor.

Si una parte del tráfico que registramos introduce ruido, distorsiona el origen de las visitas, empeora artificialmente las métricas de comportamiento o hace parecer homogénea una audiencia que en realidad no lo es, entonces acumular más datos puede alejarnos de la realidad en lugar de acercarnos a ella.

Eso es probablemente lo más interesante de todo este proceso.

La caída inicial parecía una mala noticia porque estábamos mirando el volumen. Pero cuando empezamos a observar qué había cambiado realmente, la lectura era distinta: menos tráfico Direct difícil de explicar, menos geografías improbables, mejores señales de interacción y una audiencia que empezaba a comportarse de una forma más coherente.

No significa que hayamos encontrado una medición perfecta.

Tampoco significa que todo lo que desapareció fuera tráfico inválido.

Significa algo más útil: la calidad de una métrica depende tanto del dato que recoge como de las condiciones en las que lo recoge.

Y eso obliga a cambiar una costumbre bastante extendida.

Cuando una cifra sube, no deberíamos celebrarla automáticamente.

Cuando baja, tampoco deberíamos asumir que algo ha empeorado.

Antes conviene preguntarse qué estamos midiendo, cómo lo estamos midiendo y si la muestra que tenemos delante sigue significando lo mismo que significaba antes.

Porque una caída puede ser una pérdida.

Pero también puede ser una limpieza.

Puede ser una ruptura de serie.

Puede ser una implementación más correcta.

O puede ser la primera vez que el dato empieza a parecerse un poco más a la realidad.

Al final, medir mejor no consiste en recoger todo lo posible.

Consiste en entender mejor lo que estamos viendo.

¿Estamos tomando decisiones sobre lo que hacen nuestros usuarios o sobre lo que nuestra herramienta consigue registrar de ellos?