Analytics Premium ComScore ClickTale Analytics Certified Partner Klipfolio Coremetrics

Nueva versión de la API de Google Analytics + R statistics

03/01/2017 a las 15:30

Con motivo del lanzamiento de la versión 4 de la API de Google Analytics, mostramos las nuevas funcionalidades que ofrece. Para información sobre migraciones de la API de Google Analytics pincha en el enlace anterior.

Nosotros destacamos las siguientes funcionalidades que respectan a la presentación de informes:

  • Combinación de métricas mediante expresiones matemáticas de cara a las consultas de datos. 
  • Solicitud de dos o más períodos simultáneos en una misma consulta.
  • Solicitud de datos de varios segmentos avanzados en la misma consulta. Podría llegar a ser complicado formularlos en Google Analytics, para ello se ha creado un User Interface con Shiny de gran ayuda. Para acceder a la herramienta, pincha en el siguiente enlace.

¿Cómo empezar a sacarle partido a la nueva versión de la API de Google Analytics? Para cantidades masivas de datos, un fichero Excel nos limitaría los análisis, por lo que un recurso de 10 es, ni más ni menos, que trabajar con la herramienta R statistics.

R Statistics: Presentando insights con Shiny

21/11/2016 a las 18:44

 

Existen diversas fases en el desarrollo y presentación de un informe de analítica digital. En Metriplica nos involucramos mucho en la presentación de los resultados y siempre buscamos aquellas herramientas que nos ofrezcan elegantes soluciones gráficas.

  • Google Analytics como herramienta para el análisis de datos.
  • KlipFolio, entre otras, como herramienta de elaboración de dashboards.
  • Pirendo para analítica social.


Lo ideal sería disponer de una herramienta diseñada por el usuario a su gusto y disposición que le permita reunir en ella todos los aspectos anteriores: volcado de datos, explotación de los mismos, creación de informes y cuadros de mando, analítica social, analítica predictiva, etc.

Shiny

En R disponemos de una solución muy elegante: Shinyapps.

Shiny es un paquete de R que nos permite crear aplicaciones web interactivas. De esta forma, los usuarios de R podemos “automatizar” los scripts y realizar presentaciones interactivas con los datos a través de una aplicación web que el usuario puede manipular sin necesidad de adentrarse

en programación. Esto es una una clara ventaja para los usuarios no familiarizados con R. 

Aplicaciones con Shiny

Posibles aplicaciones interesantes que podemos realizar con Shiny. Entre otras:
  • Creación de cuadros de mando para ilustrar interactivamente los resultados de rendimiento del site.
 gadashboard
 Muestra el estado actual de algunas métricas clave de la web, permitiendo realizar segmentos por dispositivo. El rendimiento web se puede supervisar de forma muy cómoda y rápida.

Se podría monitorizar de manera periódica sincronizando los datos que recogemos en Google Analytics a R vía RGoogleAnalytics.  

Para los usuarios Premium, también es posible realizar la conexión de Google Bigquery con R y explotarlos en la APP.  Una aplicación para hacer simultáneamente consultas y visualizaciones de los datos de Google Bigquery la podemos encontrar en el siguiente enlace.

  • Creación de modelos predictivos. El usuario puede interactuar en la aplicación introduciendo un nuevo valor del cual está interesado en conocer su predicción a futuro. Es interesante la combinación de los modelos predictivos con datos offline: mapas sobre borrascas,tormentas, tornados… en determinadas zonas, obteniendo así predicciones más precisas.

 

offline

 


Valoración

En definitiva, Shiny nos gusta por ofrecer múltiples opciones. Nosotros destacamos las siguientes:

  • Implementación de widgets en las aplicaciones que permiten crear rápidas interfaces de usuarios.
  • Sencillas técnicas de programación reactiva que permite al usuario realizar modificaciones en la aplicación.
  • Integración de JavaScript y jQuery para agregar contenidos extra e interacciones diversas.
  • Integración de HTML y CSS que ayudan a un mejor diseño de la app.
  • Flexibilidad a la hora de realizar análisis y gráficos avanzados a partir de fuentes externas de datos. También es posible añadir a la interfaz widgets para la descarga de los ficheros resultantes de dichos análisis.

 

¡Anímate!

Basket Market Analysis

17/08/2016 a las 14:18

Probablemente os habréis preguntado muchas veces qué combinación ganadora de productos genera más ventas en su tienda física o en el catálogo de su tienda online.

1

Esta información puede ser aprovechada para numerosos fines. Entre otros:

  • Cross-selling de productos.
  • Redistribución del catálogo o del escaparate (en caso de tratarse de una tienda física): colocar los artículos que puedan co-ocurrir juntos uno cerca del otro.
  • Campañas de email marketing: ofrecer promociones/descuentos/sugerencias de productos relacionados con el que ya sabemos que han comprado.

Pero, ¿y si además pudiéramos conocer la probabilidad de que, habiendo comprado cierto(s) producto(s), el cliente termine comprando otro(s)?

Existe una metodología llamada Market Basket Analysis que nos ayudará en la búsqueda de estos insights.

Market Basket Analysis

En el mundo online acumulamos una enorme base de datos de las transacciones de compra. Cada transacción consiste en una serie de productos que se han comprado de manera conjunta.

Pero, ¿qué productos se compran conjuntamente con más frecuencia? Mediante la metodología del Basket Market Analysis podemos responder preguntas tales como: ¿Existen relaciones entre ciertos productos, que al comprarlos influyen significativamente en la compra de otros productos? Esto lo entendemos como reglas de asociación entre productos.

Podemos entender estas reglas de asociación como “Si compras A y B, entonces es probable que compres C”.

Una medida de la bondad de estas relaciones son los estadísticos Support, Confidence y Lift:

  • Support: proporción del total de compras en las que X e Y se han comprado conjuntamente.

4

  • Confidence: proporción de compras con X donde también se compró Y. En términos estadísticos, se trata de una probabilidad condicional.

5

  • Lift: Un valor de Lift > 1 indica que los productos X e Y se compran conjuntamente más veces de lo esperado. Por tanto, estamos interesados en aquellas relaciones con un valor de Lift>1.

6

Un ejemplo ficticio de los resultados que podríamos obtener de un análisis de este tipo nos lo proporciona la siguiente tabla:

3

La manera de leer la tabla anterior es, por ejemplo, para la primera entrada: “Los productos A y B se han comprado conjuntamente en el 0.23% del total de las transacciones, y además, en el 95% de las transacciones que contienen el producto B también se ha comprado A”. A priori, puede parecer poco un valor para Support del 0.23%: ¡Solamente esta proporción del total de las transacciones contienen A y B!. Pero suponed que tenemos registradas 12K transacciones, ¡se darían 2760 con los productos A y B!

Implementación en R

Utilizamos el algoritmo apriori para encontrar las reglas de asociación que comentábamos anteriormente. Únicamente se ha de instalar en R el paquete arules y ¡manos a la obra!

Todas las funciones necesarias para el análisis las podemos encontrar cargando dicha librería. En caso de obtener numerosas reglas de asociación (todo depende del tipo de estudio que se realice y de la cantidad de transacciones con las que se trabaje), es de gran ayuda el paquete arulesViz. Este añade características adicionales al paquete arules: se apoya en gráficos muy curiosos de las reglas de asociación, permitiéndonos estudiarlas de una manera más cómoda.

Como curiosidad, y para hacernos una ligera idea de cómo trabaja el algoritmo apriori, primero encuentra las transacciones unitarias (es decir, transacciones que contienen un único producto) más frecuentes. A continuación, estudia todas las combinaciones posibles (dos a dos) de las transacciones unitarias, y se queda con las transacciones que contengan dichas combinaciones y que se dan con más frecuencia. Así, iterativamente, el algoritmo continúa hasta que hallan sido generados todos los conjuntos de ítems más frecuentes con k productos y no se obtengan más conjuntos frecuentes dentro de las transacciones.

Si os encontráis en vuestros inicios con R, que no cunda el pánico. Se ha desarrollado un package interactivo de R que os enseñará a sacarle partido a la herramienta. Para más información: Como empezar a usar R statistics, de mi compañera Anna Fernández.

Los pasos a seguir para llevar a cabo el Basket Market Analysis en R son:

    1. Leemos el Dataset. Únicamente necesitamos una tabla en la que cada fila contenga el ID de transacción y el nombre del producto.7
    2. Agregar por ID de transacción todos los productos comprados. Existe una función de la librería data.table (llamada del mismo modo) que hace las agregaciones de manera muy eficaz:8Otra alternativa para hacer la agregación, mediante la función split:9
    3. Convertir los datos agregados en tipo de objeto “transacción”:10
    4.  Arrancamos el algoritmo mediante la función a priori de la librería arules.11Notad que los campos de los parámetros para Support y Confidence están vacíos. La definición de estos umbrales mínimos depende de la cantidad de transacciones que manejemos. Para definir el umbral mínimo para Support nos podemos apoyar en el siguiente gráfico: frecuencia del producto en las transacciones.13El código de R para obtener el gráfico anterior:

      12

      Nótese como aparece el artículo más frecuente en menos del 0.3% de las transacciones. La línea roja indica donde hemos decidido fijar el umbral mínimo para Support. Este umbral debe ser lo suficientemente pequeño para que entren en juego varios productos en el análisis (en caso de proporcionar un valor muy grande para Support, es posible que el algoritmo no sea capaz de encontrar association rules).

    5.  Finalmente, visualizaremos las reglas de asociación de productos mediante el siguiente código: inspect(rules).  Así, obtendremos una tabla análoga a la del ejemplo. En el caso de no disponer de reglas de asociación, siempre se puede jugar “relajando” los umbrales mínimos de los parámetros Support y Confidence.

Consideraciones

Resulta muy interesante también estudiar las relaciones entre productos más débiles.

Si el análisis muestra que dos artículos no están relacionados fuertemente, y sin embargo, se encuentran muy próximos en el catálogo online (porque puedan pertenecer a la misma categoría de producto, por ejemplo) cabría replantearse una re-estructuración del catálogo.


¡Y listo!

Indagando en estos resultados, ¡podríamos llevarnos muchas sorpresas analizando únicamente las transacciones!.

¿No has probado este tipo de análisis? ¡Anímate!

Y cualquier pregunta que se os presente, no dudéis en comentar 🙂

 

Dimensiones personalizadas Tiempo y Temperatura en Tealium

09/06/2016 a las 12:35

¿Tienes un ecommerce o tienes a tu cargo el análisis de los datos de alguno?

Seguro que más de una vez has escuchado algo como que los días de lluvia son una bendición para el comercio electrónico ya que la gente suele quedarse en casa y realizar sus compras a través de la red.
Pues bien, el gran Simo Ahava nos daba una idea en este post para poder comprobar si realmente se cumplía dicha teoría mediante una implementación en GTM.

Nosotros hemos comprobado que su implementación funciona perfectamente en Google Tag Manager, sin embargo teníamos la duda de cómo realizar esta misma implementación en Tealium.

¿Qué es Tealium?

Para los que no sepáis qué es Tealium os diré de manera rápida que se trata de otro gestor de etiquetas, similar a GTM pero con diferentes características. Tealium utiliza el objeto utag_data para proporcionar información desde el site, además una de sus mayores fuerzas es la integración con un gran número de herramientas de terceros, lo que facilita mucho el trabajo con este gestor de etiquetas.

Empieza la batalla por convertirse en el estándar de la medición offline

30/06/2014 a las 08:00

Parece que se ha puesto de moda poner como excusa la privacidad de los usuarios para justificar ciertos movimientos estratégicos.

Si en Octubre del 2011 lo hizo Google al introducir el concepto “not provided” dentro de Google Analytics, para esconder las búsquedas orgánicas en modo logeado, esta vez lo ha hecho Apple al anunciar su nuevo sistema operativo iOS 8.

Una de las novedades que ofrece el nuevo iOS 8, no representa un gran impacto para el usuario de a pie, pero sí marca una clara estrategia en pro de su sistema de seguimiento de personas iBeacon.

Básicamente si la medición tradicional de Wifi analytics se basa en las MAC address para identificar a los dispositivos, la novedad del sistema operativo de Apple es que convierte a esta MAC en un número aleatorio.

mac address

(Continua en el Blog de investigación de la escuela de negocios online OBS)

Mirar offline pero comprar online. Medir para aprovechar este comportamiento

10/06/2014 a las 08:00

Aunque parezca mentira, el e-commerce dista de ser perfecto y es por eso que parece difícil que las tiendas físicas vayan a desaparecer, más bien tienden a complementarse. Incluso las grandes marcas del online están aterrizando en forma de tiendas físicas.

Tres son los hándicaps de la venta online en comparación a las tiendas tradicionales:

  1. No poder interactuar con el producto
  2. No poder obtenerlo al instante
  3. No recibir el asesoramiento de un experto (o por lo menos ser casi imposible dar con quién te “ayudó” online cuando las cosas van mal…)

Precisamente, éstas son tres de las ventajas que tiene el mundo offline y que muchos retailers han entendido para, desde el online, invitar hacia sus tiendas físicas con el objeto de recoger su producto, devolverlo, probarlo, etc.

Lamentablemente, el proceso se está dando también a la inversa. El consumidor visita las tiendas físicas para interactuar con el producto, para más tarde comprarlo por Internet  en el confort de su casa, y quizás con la posibilidad de obtener un mejor precio. A este proceso se le denomina “Showcasing” o “Showrooming”.

Evidentemente la solución no consiste en evitar la tecnología, sino en utilizarla para proveer de una mejor experiencia al usuario, construir ofertas personalizadas según sea el entorno en el que esté y, en definitiva, vincular la información que tenemos de esa persona para ofrecerle el mejor trato multicanal u omni-channel. Una vez más la medición es la clave, veamos cómo.

La experiencia omnicanal que el comprador anhela

(Continua en el Blog de investigación de la escuela de negocios online OBS)

 

La necesidad de medir el offline como el online

28/05/2014 a las 08:00

Tratar de medir las tiendas físicas no es una necesidad actual ni mucho menos, sino que históricamente se ha tratado desde diferentes ámbitos:

  • Investigación de mercados y trabajo de campo
  • Sistemas de cuenta personas
  • Sistemas de seguridad

Lo que ninguno de ellos ha conseguido de forma fácil, es poder medir para generar acciones de marketing efectivas y, menos aún, vincular canales para tener en cuenta a quién nos dirigimos y qué le debemos ofrecer.

Hace ya más de un año, planteamos una posible solución desde DoctorMetrics.com, los llamados TaggingBoxes, o tecnología basada en lo que denominamos en su día wifi analytics.

Actualmente esa tendencia parece haberse consolidado, apareciendo en los últimos 12 meses decenas de tecnologías basadas en el wifi analytics.

La pregunta que se nos plantea ahora es: ¿cómo diferenciarlas? ¿cuál sería la más apropiada para mi negocio?

Analytics In-store

Herramientas para medir el “in-store”

A la hora de comparar las diferentes tecnologías para medir tiendas físicas, podemos clasificarlas según los siguientes criterios…

(Continua en el Blog de investigación de la escuela de negocios online OBS)

Google Summit 2013: Reflexiones finales

05/10/2013 a las 06:10

Como es costumbre, el Google Summit de este año, (GOOMMIT, para abreviar), ha estado lleno de sorpresas. Las más importantes las resumimos en este blog pocas horas después de ser comunicadas por Babak Pahlavan, Director of Product Management, Google Analytics, al inicio del evento (fue la segunda ponencia).

Se han  lanzado tantos anuncios (15 para ser exactos), y es tal el interés que despiertan que todo el mundo twittea y bloguea lo más rápido que puede, con la intención de “ser el primero”. El lanzamiento de Analytics Academy se ha convertido en trending topic en twitter, por lo menos entre la gente del sector… Es evidentemente un tema importante. Así como todos los demás.

Sin embargo, y tras unos días descanso y reflexión (el Goommit finalizó el miércoles pasado), se gana perspectiva y uno comienza a reflexionar seriamente sobre lo que nos contaron en Mountain View este año. Ya no es necesario escribir rápido y con jet lag para ser el primero en publicar nada. Ahora es posible pensar (y redactar bien el post).

De todo lo que se ha mencionado (y que se puede contar públicamente), lo que queda a flote, una vez pasada la tormenta, es el tema de los modelos de atribución y lo que rodea a este gran reto de la analítica actual.

Medición Offline con “TaggingBox”: La historia de un reto con final feliz ya tiene nombre

14/05/2013 a las 20:35

tagginboxEn nuestro anterior post, acabamos comentando la necesidad de poder medir el offline como estamos acostumbrados en el online, para así generar acciones de marketing más efectivas, e incluso saber el efecto inducido de otros canales hacia una tienda física.

Actualmente la tecnología ya nos hace posible este acercamiento con los sistemas basados en el concepto taggingbox. La demostración de esta tecnología acaba de ser presentada en el GAUC México y todavía estás a tiempo de verla en directo en el GAUC de Barcelona el 28 de Mayo.

Básicamente estos dispositivos se inspiran en la misma metodología que se utiliza para medir una web. En un site se “taggea” o coloca un pequeño marcador (código javascript) en cada una de las página a monitorizar. En una tienda física haríamos lo mismo, pero esta vez colocando pequeños dispositivos en cada una de las zonas claves, que harían las veces de contenido.

¿Tan disruptiva es esta tecnología? ¿Cuáles serían sus ventajas con respecto a lo que se ha hecho hasta la fecha?

Google Analytics Premium en España

23/04/2013 a las 18:46

google-analytics-premiumGoogle Analytics Premium anuncia el lanzamiento oficial para España. GA Premium ofrece todo el poder y la facilidad de uso de la versión estándar de Google Analytics, además de extras que lo hacen perfecto para las grandes empresas. Con mucha más potencia de procesamiento (adiós el efecto sampling y el efecto other), unos servicios dedicados y equipo de apoyo, garantías de servicio y de hasta 1 billón de hits al mes.

Se advierte al usuario del uso de cookies propias y de terceros de personalización y de análisis al navegar por esta página web para mejorar nuestros servicios y recopilar información estrictamente estadística de la navegación en nuestro sitio web. Política de cookies Acepto