Hola Sergio! claro que si mira acá estan unos mocks que puedes usar!
https://github.com/GoogleCloudPlatform/bigquery-ml-templates/tree/master/dataset
Retail Store en Google Cloud Platform
Google Cloud: Interacción y Analítica en Retail
Modelos de Customer Lifetime Value en Retail
Arquitectura de Aplicaciones en la Nube con Firebase
Firebase para Desarrollo de Aplicaciones Web Interactivas
Validación de Montos y Seguridad en Firebase
Creación y Configuración de Proyectos en Firebase y Google Cloud
Medición de Interacciones con Google Tag Manager y Analytics
Configuración de Google Tag Manager y Analytics paso a paso
Tageo Avanzado con Google Tag Manager: Variables y Eventos
Cálculo y Aplicación del Customer Lifetime Value (CLV)
Integración de API con Servicios Empresariales
Exposición de servicios con Apigee
Integración de APIs en Sistemas Legados para Tiendas en Línea
Construcción de APIs con APIG en Google Cloud
Gestión de APIs con APIG: Creación y Administración Eficiente
Creación de API Proxy con APIG y OpenAPI Specification
Creación y Gestión de API Products Avanzados
Creación y gestión de un Portal para Desarrolladores con APIs
Creación y gestión de portales API para desarrolladores
Programación de APIs con APIG y mejores prácticas
Generación de modelos AI/ML
Algoritmos Machine Learning para Datos Estructurados
Modelos de Forecasting y Customer Lifetime Value con BigQuery
Creación de datasets en BigQuery con Python y Jupyter Notebooks
Comparativa: Uso de AutoML Tables vs BigQuery ML
Machine Learning con BigQuery: Modelado y Predicción
Modelado de Regresión con BigQueryML y Predicciones Precisionadas
Exportación de Modelos BigQuery ML a Cloud Storage
Exportación de Modelos TensorFlow a Cloud Storage
Consumo de servicios de AI/ML
Desplegando Modelos de Machine Learning en Google Cloud Run
Orquestación de Microservicios con Kubernetes y Cloud Run
API BigQuery: Integración y Autenticación con Python
Persistencia de Predicciones con Google Cloud Storage y BigQuery
Predicciones con BigQuery y Google Cloud Shell
Despliegue Continuo con Google Cloud Build y Cloud Run
Despliegue Continuo con Google Cloud Run y Dockerfiles
Opciones de Escalamiento en Google Cloud Run
Control de Acceso en Google Cloud Run y API Gateway
Google Marketing Platform
BigQuery: Análisis de Datos para Marketing Digital
Segmentación de Audiencias con Google Analytics y BigQuery
Modelado de usuarios con K-Means en Google Cloud
Análisis de datos en Google BigQuery y Google Analytics 360
Análisis de Datos con BigQuery para Predicciones de Compra
Integración de BigQuery y Google Marketing Platform
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
La capacidad de procesar grandes volúmenes de datos es crucial para las organizaciones modernas. BigQuery, la herramienta de Google, ofrece una solución sofisticada para trabajar con datos extensos y variables. En esta guía, exploraremos cómo puedes generar modelos en BigQuery y cómo aprovechar los datos de Google Analytics y tu CRM para mejorar tus estrategias de marketing.
Antes de comenzar con la creación de modelos, es esencial tener los datos necesarios en BigQuery. En este caso, los datos de Google Analytics 360 deben estar disponibles. Estos datos incluyen:
Además, es importante tener en cuenta que en un sitio bien etiquetado con acciones de Tag Manager y datos de Google Analytics, en aproximadamente seis meses, puedes acumular alrededor de dos terabytes de información.
Para comenzar a trabajar con los datos en BigQuery, el primer paso es realizar una consulta de agregación básica:
SELECT user_id,
SUM(time_on_screen) AS total_time_on_screen,
COUNT(DISTINCT screen_view_id) AS unique_views
FROM `nombre_del_proyecto.nombre_del_dataset.nombre_de_la_tabla`
GROUP BY user_id;
Al ejecutar esta consulta, BigQuery validará automáticamente que la tabla y las columnas especificadas existan y te proporcionará una estimación del tamaño de datos que está siendo procesado.
Juntar los datos de Google Analytics con los del CRM te permite obtener una visión más completa de los usuarios. Aquí, el user ID juega un papel crucial como puente entre ambos conjuntos de datos. Es común usar el Tag Manager para etiquetar el login de cada usuario, de modo que el Google Analytics user ID se asocie con la cuenta en el CRM.
Una vez que has integrado tus datos, puedes crear modelos de K-means para segmentar tus usuarios. Un modelo K-means se crea y usa así:
CREATE MODEL `nombre_del_proyecto.nombre_dataset.modelo`
OPTIONS(model_type='kmeans',
num_clusters=3)
AS SELECT * FROM `tu_tabla_combinada_de_datos`;
En este caso, estás creando un modelo para tres segmentos (clusters) de usuarios.
Evaluar el modelo es crucial para entender su precisión y planificar mejoras:
SELECT * FROM ML.EVALUATE(MODEL `nombre_del_proyecto.nombre_dataset.modelo`,
(SELECT * FROM `tu_tabla_combinada_de_datos`));
Al evaluar, uno de los indicadores clave es la distancia media al cuadrado que indica la cohesión de los clusters generados.
Al acceder a los resultados generados por el modelo K-means, se pueden visualizar y cruzar los datos con métricas empresariales como el Customer Lifetime Value (CLV) en herramientas como Data Studio. Esto te permite:
En conclusión, el uso de BigQuery para generar modelos no solo optimiza los esfuerzos de marketing, sino que también impulsa las decisiones basadas en datos, potenciando así una cultura empresarial data-driven. Al comprender y aplicar estos pasos, estarás en camino de sacar el máximo provecho de tu data analytics. ¡Sigue aprendiendo y aplicando estos conocimientos para alcanzar tus metas empresariales!
Aportes 3
Preguntas 0
Hola Sergio! claro que si mira acá estan unos mocks que puedes usar!
https://github.com/GoogleCloudPlatform/bigquery-ml-templates/tree/master/dataset
Daniel, necesitamos que puedas subir el enlace del repo para probar con estos datos 😕
Muy buena clase!
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?