Usamos cookies. Tienes opciones. Las cookies nos ayudan a mantener el sitio funcionando sin problemas e informar sobre nuestra publicidad, pero si deseas realizar ajustes, puedes visitar nuestro Aviso de cookies para más información.
Uso de cookies en su dispositivo. Las cookies nos ayudan a mantener esta página web funcionando correctamente y a personalizar nuestra publicidad, pero el uso que hacemos de las cookies depende de usted. Acepte nuestra configuración o personalícela.
×

Las nuevas generaciones tienen IA, GA4 y las métricas predictivas

Desde hace un par de años el sector tecnológico está que arde con la sola mención de la palabra big data. Todas las compañías tecnológicas quieren apostar por renovarse y adaptarse a este futuro en el que el dato es la moneda de cambio. No obstante, todo lo nuevo siempre trae consigo algún desafío. En este caso, ese gran volumen de datos recopilados tiene que ser procesado de la manera más eficiente posible. Es aquí donde entra triunfalmente la inteligencia artificial, en concreto, machine learning o aprendizaje automático. Mediante el uso de un modelo que se encargará de aprender patrones a través de los datos y aprender de ello hasta perfeccionarse.  Es por ello que el paso más lógico de una compañía que trabaja con grandes cantidades de datos sea usar el aprendizaje automático para maximizar su potencial.

imagen-1

¿Qué nos aporta usar machine learning?

 Entre los principales beneficios de uso destaca:

  • La realización de estudios de mercado y su segmentación. Ayuda interpretar y entender con más precisión los patrones y comportamientos de los consumidores.
  • Exploración del comportamiento de los clientes. Conocido como modelado de usuarios, es un resultado directo de la interacción entre humanos y ordenadores. Extrae datos para captar la mente del usuario y permitir a las empresas tomar decisiones inteligentes.
  • Personalización de las recomendaciones. Ya sea una aplicación o una web, las empresas necesitan establecer una fuerte conexión con sus usuarios para ofrecerles lo que es relevante para ellos. Influyendo en la experiencia del usuario en función de sus actividades en línea.
  • Predicción de tendencias. De este modo, no se limita a calcular datos, sino que se comporta como un sistema inteligente que utiliza las experiencias pasadas para dar forma al futuro.
  • Ayuda en la toma de decisiones. Es una gran herramienta para agregar, analizar datos y facilitar a los directivos la toma de decisiones para el futuro.

imagen-2

¿Cómo implementa GA4 el machine learning?

Entre las nuevas propiedades de GA4, dentro del creador de audiencias, llegan las métricas predictivas que aplicando la tecnología del aprendizaje automático de Google al conjunto de datos puede predecir el comportamiento de los usuarios y así obtener más información sobre los clientes recogiendo solo datos de eventos. Creando así audiencias predictivas.

Gracias a ello, tenemos tres métricas nuevas:

  • Probabilidad de compra. Probabilidad de que un usuario que haya estado activo en los últimos 28 días registre un evento de conversión concreto en los próximos 7 días.
  • Probabilidad de abandono. Probabilidad de que un usuario que haya estado activo en su aplicación o sitio en los últimos 7 días no lo esté en los próximos 7 días.
  • Ingresos previstos. Ingresos previstos procedentes de todas las conversiones de compras realizadas en un plazo de 28 días por un usuario que haya estado activo en los últimos 28 días.

Actualmente, si queremos usar eventos dentro de las métricas predictivas deberemos usar: in_app_purchase, ecommerce_purchase y purchase.

 

Los requisitos para poder entrenar los modelos son:

  1. Un número mínimo de ejemplos positivos y negativos de compradores y de usuarios que hayan abandonado el sitio web o la aplicación. Durante los últimos 28 días, debe haber al menos 1000 usuarios recurrentes que hayan activado la condición predictiva correspondiente (compra o abandono) y al menos 1000 usuarios recurrentes que no lo hayan hecho.
  2. La calidad del modelo se debe mantener durante un periodo determinado para que Analytics lo pueda entrenar.
  3. Para poder usar las métricas "Probabilidad de compra" y "Probabilidad de abandono", es necesario que la propiedad envíe el evento purchase (que es un evento recomendado y hay que recogerlo) o el evento in_app_purchase (que se recoge automáticamente). Al recoger el evento purchase, también hay que recoger los parámetros value y currency de ese evento.

 

Cada modelo que cumpla los requisitos generará métricas de cada usuario activo una vez al día. Pero si la calidad del modelo de su propiedad no llega al umbral mínimo, Analytics no sigue actualizando las predicciones correspondientes y es posible que dejen de estar disponibles en dicha plataforma.

 


*Fuentes bibliográficas:

Blog Formica

Forbes

Support Google |  Métricas predictivas

Support Google  |  Audiencias predictivas

Google News Initiative | Qué es el aprendizaje automático

Freepik

Pixabay

 

En nuestra compañía