MACHINE LEARNING Y GOOGLE ANALYTICS

Ahora con la beta liberada de BigQuery ML, todos los usuarios de Google Analytics 360 pueden montarse a la ola de la transformación digital, generando modelos con sus propios datos que permitan optimizar, clasificar o predecir resultados a partir de la data de Analytics.

Conoce las ventajas que tendrás al trabajar con tu información obtenida de Analytics e implementarlas a las distintas aplicaciones del Machine Learning.

BigQuery es un servicio que permite almacenar grandes cantidades de datos (incluso petabytes) y consultarlos en segundos usando SQL. Las principales bondades de este producto son:

• Costo: es relativamente bajo, se cobra por consulta y cantidad de data almacenada. Es muy accesible.
• Velocidad: es posible consultar grandes cantidades de datos en tan sólo segundos.
• Uso: cualquier persona con un conocimiento mínimo de SQL puede extraer data.

BigQuery ML es una serie de funciones agregadas a BigQuery que se llaman en una Query para crear y ejecutar modelos de Machine Learning usando solo SQL.

BigQuery ML en su documentación parte con un tutorial en donde indica cómo predecir si un visitante hará una transacción en un sitio.

Para el tutorial se usa data de una tienda online real cuya data de Google Analytics está liberada de manera pública y se puede acceder a través de BigQuery.

Es posible predecir si un visitante recurrente volverá a comprar, categorizado por cualquier dimensión (de sesión) de Analytics (país, navegador, sistema operativo, fuente de tráfico, dispositivo, página de destino, etc.).

Con este modelo se podrá encontrar insights como el que muestran en el minuto 2:35. Donde indican que, para Google Merchandise Store, haciendo remarketing al Top 6% de usuarios tienen un ROAS (Retorno de inversión publicitaria) 9 veces mayor que el ROAS calculado sobre todos los usuarios del sitio.

¿Cómo llegar al Top “x%” de usuarios de sus sitios?, es una pregunta que se la dejaremos a sus equipos de analistas y publicidad digital, ya que hay varias maneras de obtenerlo.

Una de ellas es configurando un objetivo de Analytics específico cuando el ticket de una compra sea superior al ticket medio de su sitio. Otra opción más sencilla, es generar una audiencia a partir de un segmento de Analytics cuya característica sea que el revenue de la transacción sea “z” dólares.

La ventaja de tener un modelo de Machine Learning, como su nombre lo dice, es que aprende automáticamente, es decir, no nos vamos a conformar con que el reporte diga Top 6% de usuarios, ya que sus características pueden variar de acuerdo con lo que el modelo arroje cuando se actualice.

En BigQuery ML esta actualización es manual, conforme vayamos acumulando más data, tendremos que correr el modelo de nuevo para tener resultados actualizados.

Si deseamos un servicio que aprenda automáticamente, esto es más complejo y sería tema para otro post más adelante.

Otros casos

Al momento, BigQuery ML presenta soluciones para predecir y clasificación binaria (por ejemplo, si un correo es spam o no, si un cliente es comprador potencial o no).

Con esta premisa en mente, revisaremos algunos reportes de Analytics y plantearemos casos donde se pueda “modelar” el comportamiento de los usuarios para luego poder brindarle esta información al equipo de análisis. El caso elegido es el siguiente:

Shopping Behavior Analysis

Rápidamente vemos que la conversión del sitio es 1.4% (850/61K) y esto se puede dar por varios motivos, entre ellos, la estrategia de adquisición apunta no sólo a performance sino a educar a los usuarios sobre los productos (see, think) y hay visitantes que buscan trabajo en el sitio, etc.

Vamos a enfocarnos en sesiones que han mostrado interés de compra, la conversión de los que vieron un producto es 7.5% (850/11333). Con esta información en mente planteamos la siguiente pregunta:

“¿Cómo llegan los usuarios a los detalles del producto?”, o aún mejor “¿Cómo llegan los usuarios que compran a los detalles del producto?”, o incluso aún mejor “¿Qué tanta probabilidad tengo de vender el producto que me deja mayor margen cuando llegue a la página?”.

Supongamos que Google Nest es el producto que deja mayor margen por unidad vendida, aunque ahora mismo no lo estén vendiendo. Lo siguiente que haremos es ir al reporte de páginas, filtrar las de los productos y jugar con las dimensiones secundarias de Analytics hasta que alguna nos haga sentido.

Y qué tal si en vez de pasar un día entero analizando por separado dimensiones como: campaña, fuente/medio, dispositivo, país, etc; dejamos que BigQuery ML lo haga.

Encontrando un patrón que determine si un usuario va a comprar o no cuando llegue a una página de producto de modo tal que, si no compra, podemos tomar acciones en el momento (personalización de la web/app) o posteriormente (retargeting o disparar un pixel específico de Facebook y encontrar audiencias con similares características).

La ventaja de que lo haga una máquina es que, en vez de solo modelar la venta de un producto (en caso se haya elegido el de mayor margen), es que este modelo estadístico puede aplicarse a todas las páginas del producto.

Otra ventaja es que Google Analytics no es la única fuente de datos que podemos montar sobre BigQuery. La data de Adwords puede importarse con una sencilla configuración, así como la de Google Play, Firebase y/o cualquier otra fuente de datos, por ejemplo, el CRM.

CONCLUSIONES

La clave para llevar exitosamente a cabo proyectos de Machine Learning localmente no es empezar invirtiendo extensamente en aprender tecnología de punta como Tensorflow, Hadoop, etc; y desarrollar departamentos de Data Science.

El desafío está en realizar las preguntas de negocio correctas que se pueden contestar con innovación y automatización.

Esperamos que este artículo te haya gustado y si tienes interés en más temas acerca de la IA (Inteligencia Artificial) te invitamos a revisar más notas de nuestro blog.

TODAVÍA NO ES TARDE PARA QUE TU EMPRESA EMPIECE A APLICAR TECNOLOGÍA DE INTELIGENCIA ARTIFICIAL ¡EN ATTACH TE AYUDAMOS CON TU PROYECTO!

TEMAS: Inteligencia Artificial, Machine Learning, Google Analytics