Los datos de tráfico del sitio net normalmente tienen este aspecto:
Subidas y bajadas, picos y valles.
Si hacemos nuestro trabajo correctamente, generalmente esperamos que el tráfico tenga una tendencia ascendente con el tiempo, pero en un mes determinado es difícil decir si vale la pena prestar atención a un pico o a un valle.
¿Hicimos algo bueno y desencadenamos una nueva fase de crecimiento? ¿Nos beneficiamos de una nueva actualización de Google? ¿O es solo una variación regular, parte del flujo y reflujo pure de personas que encuentran nuestro sitio net?
O supongamos que realiza un cambio en su proceso de contenido: podado y redirigido un montón de contenido antiguo y luego el tráfico cayó el mes siguiente. ¿Fue esa caída? causado ¿Por el cambio o fue solo una coincidencia?
He estado experimentando con una herramienta estadística sencilla diseñada para ayudar a responder estas preguntas: Gráficos XMRtambién conocidos como diagramas de management de procesos.
Aquí hay un gráfico de XmR:
Los gráficos XmR están diseñados para indicarle si es possible que un solo punto de datos de una serie temporal sea causado por una fluctuación regular (“variación de rutina”) o una señal de que algo sucedió y necesita ser investigado (“variación excepcional”).
Los gráficos XmR consisten en un diagrama X (llamado así por el valor xla “cosa” que nos importa, como los aparatos producidos o las ventas cerradas)…
…y un gráfico MR (llamado así por el rango de movimientobásicamente la “brecha” entre cada punto de datos):
En su uso más easy, si trazas los datos en el gráfico y estos se mueven hacia arriba y hacia abajo alrededor de la línea central, sin cruzar los límites superior e inferior, ¡no hay problema! Estos altibajos probablemente representan una variación regular.
Pero cualquier punto que aparezca fuera de los límites superior o inferior (mostrados en rojo) deben tratarse como anomalías que es necesario investigar.
En el gráfico X anterior, la serie temporal parece mostrar una variación rutinaria hasta el 16 de enero, cuando aparece el primer punto rojo fuera de límites.
El gráfico XmR sugiere que algo Ocurrió el día 16 y afectó nuestro proceso de producción (para bien o para mal). Nuestro trabajo es investigar por qué.
Nota al margen.
La línea en el medio es el valor promedio del conjunto de datos; los límites superior e inferior representan 3 desviaciones estándar del promedio (conocido como tres sigma). Cualquier punto que quede fuera de estos límites superior e inferior es muy possible que sea una anomalía y no parte de la distribución de probabilidad authentic.
Hay otras “señales” que el gráfico XmR puede mostrarle (como ocho puntos consecutivos en un lado de la línea promedio que representan otro tipo de variación excepcional), pero le dejaré que las investigue por su cuenta.
Cuando comencé a leer sobre los gráficos XmR, me vino a la mente un uso obvio: identificar el impacto de las actualizaciones del algoritmo de Google.
Si el tráfico de un sitio cae a cero, es fácil decir “nos han aplicado una penalización guide”. Pero en el caso de cambios más pequeños, como una caída consecutiva del tráfico durante varios meses, es más difícil determinar la causa. ¿Nos ha pillado desprevenidos una actualización de Google? ¿Es estacionalidad? ¿O es solo una coincidencia, y es possible que el tráfico vuelva a la normalidad en el futuro?
Aquí hay dos años de datos de tráfico orgánico mensual para el weblog de Ahrefs, extraídos de Explorador de sitios y representado gráficamente en un gráfico XmR:
Ahora bien… esto no es particularmente útil.
Hay muchos puntos de datos fuera del rango esperado (rojo), y muy pocos se encuentran más cerca de la línea central que los límites del cuartil (naranja).
Se supone que el gráfico XmR muestra una variación excepcional en un proceso consistente, pero en esta imagen, casi todos los puntos de datos sugieren una variación excepcional. ¿Qué sucede?
Los diagramas de procesos se diseñaron en torno a procesos de fabricación simples y funcionan muy bien cuando el resultado esperado de un proceso es constante.
Si su objetivo es fabricar 10.000 widgets cada semana, un gráfico XmR le ayudará a determinar si ese mes de 5.600 widgets fue un “error” regular en la operación de rutina o fue causado por un problema actual que necesita ser investigado.
El tráfico del sitio net es más complicado. Hay muchas variables que influyen en el tráfico:
- el volumen de búsqueda fluctuante de cada tema,
- posiciones de clasificación individuales,
- nuevos artículos en competencia,
- Funciones de búsqueda,
- Estacionalidad,
- frecuencia de publicación,
- Actualizaciones del algoritmo de Google…
Eso significa que ejecutar un análisis XmR en una serie larga de datos de tráfico probablemente no sea de mucha ayuda. Es poco possible que su “proceso de running a blog” se mantenga estable por mucho tiempo.
En mi caso, esta instantánea specific de datos de dos años probablemente no proviene de un proceso único y estable: puede haber múltiples distribuciones de probabilidad ocultas allí.
Pero podemos hacer que el análisis sea más útil.
La mejor práctica para los gráficos XmR es limitar el análisis a un período de tiempo en el que se sabe que el proceso fue relativamente estático y recalcularlo cuando se sospecha que algo ha cambiado.
Si observamos el gráfico de rango móvil de los datos que figuran a continuación, se observaron grandes variaciones de tráfico en noviembre y diciembre. Deberíamos investigar las posibles causas. 
Sé que nuestra frecuencia de publicación fue bastante estática (definitivamente no duplicamos nuestra producción de contenido). La estacionalidad causaría una caída del tráfico, no un aumento (escribimos sobre search engine optimization, no sobre guías de regalos navideños).
Pero a principios de diciembre hubo una gran actualización de Google:
Si trabajamos bajo el supuesto de que algo pasó En este momento, debido a nuestro proceso de weblog (probablemente un cambio en el tráfico causado por la actualización de Google), podemos agregar un divisor a nuestro gráfico XmR.
En lugar de intentar analizar nuestro tráfico como un solo proceso, podemos tratarlo como dos procesos y calcular los gráficos XmR por separado:
Ahora el primer proceso parece estable (todos los puntos negros). El segundo proceso también muestra una variación menos extrema (rojo), pero todavía hay demasiada variación moderada (naranja) para parecer estable. Puede que haya otro proceso escondido en su inside.
Y por un regla de oro Para analizar gráficos XmR: “Es necesario revisar la duración de un gráfico XmR cuando un ‘largo plazo’ de datos permanece por encima o por debajo de la línea promedio”. Esta tendencia comienza a finales del verano (que también es aproximadamente al mismo tiempo que Google anunció otra actualización central):
Podemos agregar otro divisor al comienzo de este “largo plazo” de datos para crear tres análisis XmR separados:
De este modo, los tres análisis parecen estables, sin puntos de variación extrema. En otras palabras, parece que hemos hecho un buen trabajo al capturar tres procesos distintos sucediendo dentro de nuestros datos de tráfico.
A partir de este análisis, parece haber una buena posibilidad de que nuestro tráfico se viera afectado por factores externos en el momento en que se produjeron dos actualizaciones importantes de Google.
Ahora bien, esto es básicamente un ejercicio de tortura de datos a posteriori. No podemos inferir ninguna relación causal a partir de este análisis y es totalmente posible que otras divisiones arbitrarias arrojen resultados similares.
Pero no importa. Estos gráficos no te pueden dar razones definitivas y concretas. por qué Tu tráfico cambió, pero te lo pueden decir Dónde buscary le ayudará a determinar si solucionar un descenso o un aumento repentino del tráfico es un buen uso de su tiempo.
La medida definitiva de la utilidad de un modelo es su capacidad para ayudarle. predecir Cosas. ¿Los gráficos de XmR me ayudarán a mejorar la gestión del weblog de Ahrefs en el futuro?
Creo que sí.
Suponiendo que mi “proceso de weblog” se mantiene relativamente estable (publico con la misma frecuencia, abordo los mismos temas, compito con los mismos competidores), ahora tengo un conjunto de datos “estables” que puedo usar para proporcionar contexto adicional para futuras cifras de tráfico:
En los meses siguientes, puedo determinar si las caídas o los picos en nuestro tráfico son probablemente el resultado de una variación regular o si algo ha cambiado que requiere mi atención, como una actualización de Google.
Si, por ejemplo, mi tráfico hace esto el próximo mes… 
…Sé que, dada esta distribución, esa caída del tráfico bien podría ser una variación regular y poco interesante.
Pero si hace esto…
…probablemente hay algo más en juego.
En el caso de cambios extremos en el tráfico, normalmente se pueden hacer cálculos a easy vista de los gráficos de tráfico y adivinar qué ha ocurrido. Pero los gráficos XmR son útiles para variaciones más sutiles, y existe la posibilidad de que pueda identificar y actuar en función de los datos de un solo mes. Eso es genial.
Pensamientos finales
La solución de problemas relacionados con los cambios de tráfico es un gran desafío para los especialistas en search engine optimization y en advertising and marketing de contenidos (y estamos trabajando en algunas formas de ayudarlo a identificar la señal entre el ruido de sus datos de tráfico).
Mientras tanto, he descubierto que los gráficos de XmR son una herramienta interesante en mi conjunto de herramientas, útiles para contextualizar los números de mis informes mensuales y justificar cuándo debería (o no) gastar mi energía en solucionar problemas de un mes malo.
(Por lo menos, los gráficos de XmR podrían brindarle la confianza necesaria para decir “déjese de molestar” cuando ese vicepresidente le envíe un brusco correo electrónico a las 3 a. m. quejándose por la caída del tráfico del 8 % del mes pasado).
Nota al margen.
Gracias a Benjamín ElíasVicepresidente de Advertising de Podia, por presentarme los gráficos XmR.