Tu tasa de conversión cae un 15% el martes. No te das cuenta hasta el jueves, cuando revisas tu panel. Dos días de ingresos perdidos y todavía no sabes por qué. Un sistema de detección de anomalías te habría avisado el miércoles por la mañana: "Conversión un 15% más baja ayer, pago en móvil afectado". Ahora investigas de inmediato. Descubres que una actualización rompió los pagos en móvil. Lo arreglas esa misma tarde. La detección de anomalías marca la diferencia entre encontrar los problemas días después y encontrarlos horas después.
La detección de anomalías es un sistema que vigila tus métricas de forma continua y te avisa cuando ocurre algo inusual. No espera a que revises el panel. Conoce tu referencia (cómo es lo "normal"), compara cada día con esa referencia y marca las desviaciones. Un pico de tráfico, una caída de conversión, una actividad que decae: todo eso se detecta de forma automática y sale a la luz antes de convertirse en un desastre.
¿Qué hace en realidad la detección de anomalías?
Toma cualquier métrica y encontrarás el mismo patrón: fluctúa de forma natural. La tasa de conversión nunca es exactamente la misma cada día. El tráfico varía según el día de la semana. El móvil convierte distinto que el escritorio. Si configuras una alerta para "conversión por debajo del 2,5%", recibirás falsas alarmas porque la conversión baja de forma natural al 2,4% algunos días. La detección de anomalías lo resuelve aprendiendo cómo es la variación normal y avisando solo cuando algo se sale de ese rango natural.
El sistema aprende tu referencia a partir de datos históricos. Responde a esto: para esta métrica, en este día de la semana, con este volumen de tráfico, ¿cuál es el rango esperado? Las conversiones del miércoles suelen estar entre el 2,1% y el 2,9%. La conversión en móvil suele estar entre el 1,8% y el 2,4%. El tráfico de email suele convertir entre el 4% y el 6%. El sistema construye un modelo del comportamiento normal para cada combinación de condiciones.
Cuando llega un dato nuevo, el sistema lo compara con el rango esperado. ¿La conversión de hoy está dentro del rango normal de un miércoles? Sí, es del 2,5%, totalmente normal. ¿La conversión de mañana está dentro del rango normal de un jueves? No, es del 1,2%, eso es una anomalía. Avisa al equipo. Investigan y descubren que el pago en móvil se rompió. Sin detección de anomalías, lo descubren el viernes por la tarde. Con ella, lo saben el miércoles por la mañana.
Distintos tipos de anomalías activan distintas alertas. Se marca un pico repentino (tráfico un 200% por encima de lo normal). Se marca una caída repentina (conversión un 50% por debajo de lo normal). Se marca un descenso gradual (la conversión baja poco a poco durante una semana). Se marca un patrón recurrente que de pronto se rompe (el móvil siempre convierte un 20% mejor que el escritorio, pero esta semana están igual). El sistema vigila todos estos casos.
¿Por qué importa tanto detectar los problemas pronto?
Mira cómo descubren los problemas la mayoría de las marcas y verás el patrón: descubrimiento reactivo. Un cliente te escribe quejándose de que el pago no funciona. Revisas tu panel y lo confirmas. O el jueves notas que el lunes fue raro e intentas averiguar qué pasó. Son horas o días de oportunidad perdida.
A gran escala, el coste del retraso se acumula. Una tienda online con $1 millón de ingresos diarios que pierde un 15% de conversión por un error pierde $150.000 al día. Dos días de retraso cuestan $300.000. Si la detección de anomalías lo encuentra 6 horas antes, ahorras $37.500. Un SaaS con 5.000 usuarios que sufre un 2% más de bajas pierde 100 usuarios. Dos semanas de retraso significan 1.400 usuarios perdidos. Detectarlo de inmediato significa 100. La diferencia son miles de dólares en ingresos recurrentes anuales.
La rapidez también afecta a la reputación. Un equipo de atención al cliente quiere conocer los problemas antes de que los reporten los clientes. Con detección de anomalías, puedes escribir a tus clientes: "Detectamos un problema en tu cuenta el miércoles por la mañana y lo arreglamos por la tarde". Sin ella, los clientes se quejan el viernes, tú dices "lo vamos a revisar" y ya se han pasado a la competencia. La psicología de "lo detectamos nosotros" frente a "nos lo avisaste tú" cambia la percepción del cliente.
La rapidez permite experimentar. Si publicas un cambio y puedes ver su impacto en horas, puedes iterar más rápido. Sin detección de anomalías, ejecutas un experimento durante una semana, revisas los resultados y luego iteras. Con ella, puedes ver si un cambio ayudó o perjudicó en 24 horas. Esa velocidad se acumula a lo largo de un año.
¿Qué tipos de anomalías conviene detectar?
No todas las anomalías merecen ser detectadas. Algunas variaciones son esperables. Pero otras importan para las decisiones del negocio. La clave es configurar la detección de anomalías para las métricas que, si cambian de forma inesperada, exigen una acción inmediata.
Las anomalías que afectan a los ingresos son la máxima prioridad. Que baje la tasa de conversión, que disminuya el valor medio de los pedidos, que se dispare el abandono del pago: todo esto afecta directamente a los ingresos. Configura alertas para todas. Si la conversión cae un 10%, quieres saberlo de inmediato, no después del fin de semana.
Las anomalías en la actividad de los usuarios importan porque anticipan problemas. Que baje la duración de las sesiones, que disminuya el uso de las funciones, que se reduzca la frecuencia de inicios de sesión: son señales tempranas de bajas. Una caída de actividad esta semana anticipa una caída de retención el mes que viene. Si la detectas ahora, tienes tiempo de intervenir.
Las anomalías de tráfico importan porque revelan problemas de alcance o captación. Que el tráfico orgánico se dispare significa que tu SEO funciona (bien). Que el tráfico orgánico caiga significa que algo se rompió en las búsquedas (mal). Que el tráfico de pago disminuya significa que tus campañas de anuncios rinden por debajo de lo esperado (mal). Configura alertas para cuando las fuentes de tráfico cambien de forma inesperada.
Las anomalías de calidad importan porque son asesinos silenciosos. Que aumente la tasa de rebote significa que tu web es cada vez menos relevante. Que disminuyan las páginas por sesión significa que los usuarios encuentran lo que necesitan más rápido (bien) o que no encuentran lo que buscan (mal). Que se disparen los errores de sesión significa que la web se está rompiendo. Todo esto es invisible si no lo vigilas de cerca.
¿Cómo configurar la detección de anomalías sin falsas alarmas?
Pregunta a cualquier equipo de analítica por las falsas alarmas y oirás la misma queja: la fatiga de alertas. Si cada pequeña fluctuación activa una alerta, el equipo deja de leerlas. Se insensibiliza. Los problemas reales se pierden entre el ruido. La clave de una buena detección de anomalías es fijar umbrales que detecten los problemas reales e ignoren la variación natural.
Empieza por las métricas que más importan a tu negocio. No todas las métricas necesitan detección de anomalías. Céntrate en las métricas de ingresos (conversión, valor del pedido, bajas), las de salud del usuario (actividad, retención, uso de funciones) y las de salud del sistema (errores, latencia, disponibilidad). Son las que exigen una acción inmediata si cambian.
Ajusta la sensibilidad según la volatilidad. Algunas métricas son volátiles por naturaleza. El tráfico sube y baja de un día a otro. Fija los umbrales de anomalía lo bastante amplios para absorber esa variación natural. Para la tasa de conversión, una desviación del 20% puede ser normal; márcala solo si se desvía un 30% o más. Para los ingresos, una desviación del 5% puede ser normal. Para la actividad, una desviación del 15% puede ser normal. Los umbrales dependen de tus datos históricos.
Añade contexto. El día de la semana importa. El sábado suele tener patrones distintos a los del miércoles. Los festivos tienen patrones distintos a los días normales. La detección de anomalías debe tenerlo en cuenta. "Conversión por debajo del 1,5% un domingo" puede ser normal. "Conversión por debajo del 1,5% un miércoles" es una anomalía. Los buenos sistemas aprenden estos patrones de forma automática.
Empieza con prudencia y ajusta con el tiempo. Si dudas de los umbrales, fíjalos amplios. Es mejor perder algunas anomalías que inundar al equipo de falsas alarmas. A medida que ganes confianza en el sistema y el equipo se acostumbre a leer las alertas, ajusta los umbrales y detecta anomalías más pequeñas.
¿Cuáles son los límites de la detección de anomalías?
La detección de anomalías encuentra desviaciones de lo normal. Pero "normal" es lo que tus datos históricos digan que es normal. Si tus datos son erróneos o sesgados, el sistema pasará por alto problemas reales o marcará falsos positivos. Si tuviste un error durante tres meses que inflaba artificialmente tu tasa de conversión, el sistema aprendió esa tasa inflada como "normal". Cuando arreglas el error, la conversión baja a sus niveles reales y el sistema lo marca como una anomalía.
La detección de anomalías no explica la causa. Te dice que algo cambió. No te dice por qué. Si la conversión cayó, sigues teniendo que investigar. ¿Es un problema técnico? ¿Un cambio de mercado? ¿Un movimiento de la competencia? ¿La competencia de un nuevo actor? La detección de anomalías saca el problema a la luz. El diagnóstico sigue siendo trabajo humano.
La detección de anomalías no funciona bien a escala muy pequeña. Si tienes 100 visitantes al día, la variación aleatoria es enorme. Cada día parece anómalo comparado con los demás. La detección de anomalías funciona mejor a mayor escala, donde los patrones son estables. Un SaaS con 50.000 usuarios al mes tiene patrones limpios y estables. Un SaaS con 500 usuarios al mes tiene demasiado ruido.
Los cambios graduales pueden esconderse de la detección de anomalías. Si la conversión baja poco a poco (un 0,5% menos por semana), el sistema puede no marcarlo porque cada semana se desvía solo un poco de la anterior. Quizá no lo notes hasta que hayas caído un 10% en total. Para detectar el deterioro gradual, necesitas análisis de tendencias además de la detección de anomalías en un momento concreto.
¿Cuál es la diferencia entre detección de anomalías y alertas?
Las alertas son reglas que configuras a mano (conversión por debajo del 2%, ingresos por debajo de X). La detección de anomalías aprende la referencia de forma automática (cualquier cosa que se desvíe 3 desviaciones estándar de lo normal). Las alertas requieren que sepas qué es normal y cuándo preocuparte. La detección de anomalías aprende qué es normal a partir de tus datos. La detección de anomalías es mejor para detectar problemas inesperados. Las alertas son mejores para vigilar umbrales conocidos.
¿Todas las plataformas de analítica tienen detección de anomalías?
No. Google Analytics tiene algunas notificaciones básicas de anomalías. Las plataformas de analítica de producto tienen detección de anomalías. Las herramientas de inteligencia de negocio se pueden configurar para ello. Pero no todas las plataformas la incluyen. Antes de elegir una herramienta de analítica, comprueba si incluye detección de anomalías, qué sensibilidad tienen los umbrales y si puedes personalizarla.
¿Cuántas falsas alarmas debo esperar?
Si está bien configurada, la tasa de falsas alarmas debería ser inferior al 5% de las alertas. La mayoría deberían ser desviaciones legítimas que merezca la pena investigar. Si recibes más de 20 falsas alarmas al día, los umbrales son demasiado sensibles. Si recibes cero alertas al mes, los umbrales son demasiado amplios. Ajusta los umbrales viendo qué alertas llevaron a hallazgos reales y cuáles eran ruido.
¿Puede la detección de anomalías detectar fraude?
En parte. Si el fraude provoca patrones inusuales (aumento de la tasa de reembolsos, anomalías geográficas, métodos de pago inusuales), la detección de anomalías puede marcarlo. Pero la detección de fraude requiere reglas especializadas (la misma tarjeta de crédito usada varias veces, controles de velocidad, discrepancias de geolocalización). Usa la detección de anomalías para detectar patrones generales. Usa la detección de fraude para patrones específicos de fraude.
¿Cuántos datos históricos necesito para que funcione la detección de anomalías?
La mayoría de los sistemas necesitan de 2 a 4 semanas de datos de referencia para empezar a aprender patrones. Un mes es mejor. Con un trimestre de datos, el modelo es bastante preciso. Con un año, es muy preciso (entiende los patrones estacionales). Si activas la detección de anomalías en una web totalmente nueva, espera muchas falsas alarmas durante el primer mes mientras el sistema aprende tu referencia.
¿Debo actuar ante cada alerta de anomalía?
No necesariamente. Algunas anomalías son esperables (una gran noticia de prensa, un nuevo competidor, un efecto estacional, una gran campaña de marketing). Cuando recibas una alerta, pregúntate primero: ¿cambió algo externo? Si es así, la anomalía es esperada, no un problema. Si no, investiga. Con el tiempo, aprenderás qué alertas son señal (problemas reales) y cuáles son ruido.