Analítica web - ROIANALYTICS

Preguntas frecuentes sobre el Índice de Visibilidad de Sistrix

Fernando Lens — Mon, 09 Sep 2024 11:36:29 +0000

Si has trabajado en algún proyecto que junte analítica y SEO probablemente hayas escuchado hablar de Sistrix. Una herramienta alemana de SEO que ofrece análisis y seguimiento de la visibilidad de un sitio web en los motores de búsqueda. Típicamente, en Google.

Es una herramienta que ha ganado muchos usuarios , principalmente agencias, desde su creación en 2008.

Hoy vamos a intentar responder a algunas preguntas frecuentes sobre su Índice de Visibilidad. Una métrica que muchos proyectos de SEO usan como su North Star Metric y que suele despertar algunas dudas.

¿Qué es el índice de visibilidad de Sistrix?

El índice de visibilidad es una medición desarrollada por Sistrix que mide la visibilidad orgánica de un dominio en los resultados de búsqueda de Google. Se basa en el ranking de palabras clave y su volumen de búsqueda.

Según la propia explicación de la compañía en su página web el Índice de Visibilidad de Sistrix lleva calculándose igual , con algunos ajustes, desde 2008.

¿Cómo se calcula el índice de visibilidad?

El índice se calcula teniendo en cuenta el número de palabras clave que posicionan un sitio web, su posición en el ranking de Google, el volumen de búsqueda de esas palabras y el CTR estimado para cada posición.

Veámoslo más a fondo. El proceso es el siguiente y se realiza diariamente y semanalmente:

Se recopilan resultados de búsqueda para un millón de palabras clave representativas de cada país.
Se ponderan según el volumen de búsqueda y la probabilidad de clic en cada posición orgánica.
Se suman los valores ponderados de todas las posiciones de un dominio, lo que genera el índice total de visibilidad.

Ojo, muy importante el punto 1. Este punto suele ser el origen de algunos problemas del Índice de Visibilidad para mercados pequeños geográficamente hablando.

Si las palabras clave de la base de datos de Sistrix no están actualizadas y no recogen valores en idiomas , localizaciones geográficas o simplemente son demasiado nuevas entonces el índice de visibilidad no va a recoger las posiciones en esas palabras clave.

Te puede pasar que tengas un proyecto que posiciona por palabras clave que son tendencia y son nuevas y que, aunque te traigan mucho tráfico no hagan subir el índice de visibilidad.

Esto ocurrió por ejemplo con todas las palabras clave relacionadas con la Inteligencia Artificial en los primeros meses en los que se hicieron populares entre los usuarios de Google.

¿Cómo calcula el CTR y la probabilidad de clic Sistrix?

Esta es otra pregunta cuya respuesta es clave para entender los datos que muestra el Índice de Visibilidad de Sistrix.

Sistrix otorga una «probabilidad de clic» según posición y según tipo de palabra. Según sus propias palabras:

«Una posición ocho en un término de búsqueda con mucho tráfico, como ‘Nintendo Switch’, tiene más valor que la posición uno en una palabra clave con poco tráfico, como ‘recomendación de tarjeta de memoria para Nintendo Switch’. Las probabilidades de clic también varían según la intención de búsqueda: los usuarios con una intención de ‘compra’ (keywords transaccionales) suelen hacer clic solo en el primer resultado, mientras que aquellos con intención de ‘información’ (keywords informacionales) tienden a hacer clic en resultados más abajo.» Fuente: https://www.sistrix.com/visibility-index/calculation

Es muy importante recalcar que estos datos no son los de Google, con cálculos y probabilidades de Sistrix sobre Google.

¿Es el tráfico orgánico de un sitio web igual a su índice de visibilidad de Sistrix?

No, para nada. De hecho, el índice de visibilidad mide la visibilidad en las SERP (páginas de resultados), pero no refleja directamente el tráfico orgánico real.

Lo que sí es cierto es que una mayor visibilidad generalmente se correlaciona con más tráfico orgánico.

¿Es el índice de visibilidad relevante para todos los países y dispositivos?

Si, aunque es menos certero en mercados pequeños. Un ejemplo, en algunos países de LATAM apenas hay indice de visibilidad de algunos proyectos que son TOP 1 en Google para ese país. ¿La razón? Probablemente la misma que apuntamos anteriormente, la base de datos de palabras clave.

Lo que es genial es que Sistrix te permite crearte tu propio Índice de Visibilidad. En el siguiente punto lo cuento.

Puedo crear mi propio Índice de Visibilidad

Si, si que puedes y de hecho muchos profesionales del marketing online y el SEO no lo saben.

Sistrix lo deja bastante claro en su página web en un post dedicado específicamente a esto. En resumen:

1.Crea un conjunto de palabras clave .

2. Crea un proyecto con tu dominio y los dominios de los competidores.

3. Añade todos los parámetros necesarios. Cuidado especialmente con la frecuencia de rastreo.

4. Utiliza etiquetas para que sea más sencillo navegar.

Cuando lo tengas Sistrix te calculará un índice de visibilidad para ese conjunto de palabras clave.

La entrada Preguntas frecuentes sobre el Índice de Visibilidad de Sistrix se publicó primero en ROIANALYTICS.

Zoho CRM. La plataforma que va más allá de la gestión empresarial

Fernando Lens — Fri, 06 Sep 2024 19:53:33 +0000

La suite Zoho es un conjunto de aplicaciones de gestión empresarial de origen indio basadas en la nube que cubre una amplia gama de necesidades para empresas de todos los tamaños.

La suite Zoho tiene su origen en una empresa llamada AdventNet Inc. (puede que te suene este nombre), fundada en 1996 por Sridhar Vembu y Tony Thomas en Chennai, India. En 2005, AdventNet decidió expandir su oferta más allá de las soluciones de telecomunicaciones y lanzó Zoho, una suite de aplicaciones empresariales basadas en la nube. Como ves se trata de un proyecto con cierto recorrido ya.

Esta plataforma ofrece soluciones que abarcan desde gestión de relaciones con clientes (CRM), gestión de proyectos, automatización del marketing, analítica, gestión financiera, recursos humanos, hasta herramientas de colaboración y productividad, como correo electrónico, chat y almacenamiento en la nube.

En SEOCOM y RoiAnalytics la utilizamos y en este post os voy a explicar sus ventajas y puntos fuertes por si os interesa probarla.

Las aplicaciones que más utilizamos en el día a día son los forms, el Zoho CRM , Vault para contraseñas y Analyitics.

Pero aplicaciones como Learn , si quieres esta suite para una agencia, te van a permitir crear tus propios contenidos y formaciones de una forma bastante ordenada. A continuación vamos a ver cómo funciona Zoho CRM, Zoho Analytics y su asistente de IA ZIA.

Zoho CRM

El CRM de Zoho es el servicio de la suite más famoso. Lo cierto es que es bastante ágil aunque no es super innovador. Si estás acostumbrado a otros como HubSpot, te resultará familiar lo que ves.

Eso sí, las siguientes características son su punto fuerte:

Automatización: Zoho CRM permite automatizar tareas repetitivas como el seguimiento de correos electrónicos, la actualización de datos de clientes y la programación de citas, liberando tiempo para que los equipos de ventas se concentren en cerrar negocios.
Oportunidades: Ayuda a capturar, clasificar y gestionar leads a lo largo de su ciclo de vida, proporcionando visibilidad total sobre las oportunidades de ventas, desde el primer contacto hasta el cierre.
Canales de adquisición. Ofrece la posibilidad de interactuar con clientes a través de varios canales como correo electrónico, teléfono, chat, redes sociales y web, todo desde una única plataforma.
Personalización y flexibilidad. Zoho CRM se integra fácilmente con herramientas de marketing, lo que facilita la creación y gestión de campañas personalizadas basadas en los datos de los clientes. Puedes también crear paneles e informes personalizados que proporcionan métricas clave y datos en tiempo real, permitiendo un análisis profundo de los procesos de ventas.

Realmente es que lo puedes conectar con cualquier herramienta. Por ejemplo tiene una manera de conectarlo con Google Analytics 4.

Zoho Analytics y ZIA

Esta es la funcionalidad de Zoho que más me alucina. La inteligencia artificial que tiene como asistente , llamada ZIA, te ayuda a crear los informes de análisis de leads y clientes.

Funciona como un chatGPT cualquiera pero tienes que hacer las peticiones de cierta manera en concreto (hacer los tutoriales es casi obligatorio en todos los servicios de la suite)

Para hacer gráficos y tablas es bastante útil y su interfaz es muy buena.

A nivel de personalización de dashboards e informes las posibilidades son realmente grandes. Eso si, hay que ser bastante constante y escrupuloso con la creación de los leads y la creación de las fichas, utm´s etc… ya que si no el resto de la analítica de la herramienta tampoco será muy fiable.

Tener esta herramienta no te exime de tener un buen plan de analítica.

El precio de Zoho , una de sus ventajas competitivas

Si después de probar las diversas demos que ofrecen en su página web todavía tienes dudas sobre si es una suite muy cara o no que sepas que Zoho CRM es conocido por ser más accesible en términos de precio en comparación con otras soluciones CRM premium como Salesforce o Microsoft Dynamics. Ofrece planes de suscripción flexibles que se adaptan a empresas de todos los tamaños, desde startups hasta grandes corporaciones.

La entrada Zoho CRM. La plataforma que va más allá de la gestión empresarial se publicó primero en ROIANALYTICS.

Cómo practicar SQL en BigQuery con datos de Google Analytics 4 gratis

Fernando Lens — Fri, 23 Aug 2024 09:22:27 +0000

Uno de los primeros problemas que te puedes encontrar si quieres aprender a usar la conexión de Google Analytics 4 y BigQuery es que no tengas ninguna web conectada a GA4.

La solución te la cuento en este post.

Es tan sencillo como crearte una cuenta de Google Cloud desde cero y conectar el dataset de pruebas de la Google Merchandise Store en BigQuery.

Cómo acceder al conjunto de datos de ejemplo de BigQuery ga4_obfuscated_sample_ecommerce

La Google Merchandise Store es una tienda en línea dedicada a la venta de productos de merchandising de la marca Google. Este sitio utiliza la implementación estándar de comercio electrónico de Google Analytics 4, complementada con la función de medición mejorada.

El conjunto de datos ‘ga4_obfuscated_sample_ecommerce‘, disponible a través del programa de conjuntos de datos públicos de BigQuery, ofrece una muestra de datos de eventos exportados desde BigQuery. Estos datos han sido ofuscados y abarcan un período de tres meses, del 1 de noviembre de 2020 al 31 de enero de 2021.

Los datos pertenecen a una tienda real. De hecho todavía se puede visitar. https://www.googlemerchandisestore.com/

Para empezar a usar estos datos puedes visitar la página de documentación oficial o seguir los pasos que te detallo a continuación en este vídeo.

Una vez que tengas la cuenta de Google Cloud, tan sólo tienes que hacer clic en este enlace para acceder a los datos.

Si quieres practicar alguna query básica puedes probar esta de Usuarios totales y Usuarios activos.


WITH
  UserInfo AS (
    SELECT
      user_pseudo_id,
      MAX(IF(event_name IN ('first_visit', 'first_open'), 1, 0)) AS is_new_user
    FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
    WHERE _TABLE_SUFFIX BETWEEN '20201101' AND '20201130'
    GROUP BY 1
  )
SELECT
  COUNT(*) AS user_count,
  SUM(is_new_user) AS new_user_count
FROM UserInfo;

Si quieres practicar queries más complejas puedes probar las de la documentación oficial. 
Aquí las consultas avanzadas, las consultas básicas de eventos y las consultas de datos de usuario.

La entrada Cómo practicar SQL en BigQuery con datos de Google Analytics 4 gratis se publicó primero en ROIANALYTICS.

Qué es un plan de medición y por qué necesitas uno

Fernando Lens — Thu, 22 Aug 2024 09:39:23 +0000

Es muy habitual que la analítica web de una empresa u organización sea un conjunto de acciones hechas durante un periodo de tiempo sin un documento que guíe o sirva de «mapa» para todas estas acciones.

Sin embargo, tener un plan de medición para tu analítica web debería ser un «must» , un innegociable para tu empresa.

¿La razón? Simplifica el proceso de medición de una web y app muchísimo siempre que esté alineado con los objetivos principales de esa organización.

¿Cómo te ayuda tener un plan de medición?

Te ayuda a medir «lo importante«. Un plan de medición te permite alinear tus esfuerzos de analítica web con los objetivos estratégicos de la organización. Esto asegura que los datos recolectados estén directamente relacionados con las metas comerciales, como el aumento de conversiones, la mejora de la experiencia del usuario, o la optimización del ROI en marketing. Además te va a ayudar a priorizar las métricas clave.
Mejora la comunicación entre departamentos y con nuevas incorporaciones. Ten en cuenta que un buen plan de medición funciona también como un «manual de instrucciones» cuando alguien nuevo entra en la organización y quiere saber qué se mide y cómo se mide.
Se mejora la toma de decisiones. Si el plan de medición incluye una buena segmentación de usuarios (esto ya es un poco más avanzado) podrás tener una imagen más precisa de quienes son tus usuarios y de sus distintos intereses y formas de comportarse.

Cómo debe ser un plan de medición

Dinámico. Esto es importante. Un plan de medición no es estático; debe ser revisado y ajustado continuamente para adaptarse a las nuevas tendencias, cambios en el comportamiento del usuario, y actualizaciones en la tecnología (como nuevas funciones en GA4).
Claro y conciso. No es necesario que todo al 100% esté documentado ,pero lo que esté escrito en ese plan tiene que estar revisado y actualizado. Personal de tu organización con un nivel de conocimientos básico debería poder entenderlo.
Actualizado. Esto es clave, debe estar actualizado conforme a la legislación y las normativas actuales. Con esto me refiero principalmente a la privacidad y gestión de cookies que ahora mismo es «el gran problema» al que se están enfrentando todas las organizaciones.

Elementos básicos de un plan de medición

Un plan de medición decente debe incluir por lo menos los siguientes puntos:

Estrategia actual. Aquí básicamente se recogen los KPI básicos y el estado del proyecto en líneas generales. (madurez, expansión, etc…)
Listado de webs y/o apps sobre las que se aplica este plan de medición. Muy importante para que no te olvides de subdominios u otros recursos digitales de la organización. Aquí se debe especificar qué soluciones tecnológicas usa cada uno de los recursos digitales. Básicamente CMS.
Recursos humanos que están dentro del proyecto. No es vital pero ayudará a delimitar el proyecto y encontrar responsabilidades.
Tecnología de medición. Entorno Google Analytics, Adobe Analytics, solución personalizada , etc…
Tecnología de reporting. Soluciones habituales de visualización de datos que se usa. Por ejemplo herramientas de BI como LookerStudio o PowerBI
Estructura de medición . Aquí ya entramos «en detalles». Principalmente estructura de cuentas, vistas y medición de eventos. Aquí es donde tenga más cantidad de contenido el plan de medición.

La entrada Qué es un plan de medición y por qué necesitas uno se publicó primero en ROIANALYTICS.

Table Suffix en BigQuery GA4. Cómo seleccionar todos los tipos de fechas

Fernando Lens — Tue, 20 Aug 2024 08:25:25 +0000

Cada día de datos de Google Analytics 4 se guarda en una tabla dentro de BigQuery por separado. Cada día equivale a una tabla. Esto es una de las características que más te chocan al empezar a trabajar con GA4 y BigQuery.

En este post te voy a enseñar a usar el comando _table_suffix para seleccionar las fechas de distintas maneras.

Como ves en la imagen superior en esa tabla llamada events_(10) es donde se guardan todos los datos. Cada día es una tabla. En el caso de esa cuenta sólo tiene 10 días guardados.

Si quieres ver todas las funciones de fecha de BigQuery tienes aquí la info oficial.

Cómo seleccionar un día en las tablas de GA4 en BigQuery

Ésta es la más sencilla.

SELECT *

FROM — aquí meterías tu dataset `xxx.events_20210104`

Tan sólo tienes que sustituir la fecha por el día que quieras elegir. Pero siempre con el formato AñoMesDía.

Lo normal es que uses periodos de tiempo más largos y para eso vas a necesitar el Table suffix.

Por cierto, si quiere seleccionar todos los días, puedes usar el wildcard * también en el FROM

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

Ojo! Cuidado con meter esta query porque si tienes muchos datos puede ser una query que consuma muchos recursos.

Seleccionar unas fechas en concreto con table suffix en BigQuery GA4

Para seleccionar simplemente un periodo en concreto , por ejemplo, todos los datos entre el 01 – 01 – 2021 y el 31 – 01 – 2021 , simplemente tienes que usar esta construcción:

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

WHERE _table_suffix BETWEEN ‘20210101’ and ‘20210131‘

Así se vería en BigQuery con el ejemplo de los datos públicos de prueba.

Seleccionar fechas dinámicas

Si quieres seleccionar por ejemplo los últimos 30 días para que recoja este periodo de forma dinámica usarás el Table suffix pero de una manera más complicada.

Esta query seleccionaría los últimos 30 días hasta hoy , incluyendo el día de ayer.

Verás que esta query ya implica el uso de format_date para ajustar el formato de fecha y date_sub para hacer la substracción.

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

WHERE _table_suffix between format_date(‘%Y%m%d’,date_sub(current_date(), interval 30 day)) AND format_date(‘%Y%m%d’,date_sub(current_date(), interval 1 day))

Se vería así:

Fecha concreta y fechas dinámicas

Puedes unir las dos anteriores para que obtengas algo tipo «desde el día X hasta ayer»

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

WHERE _table_suffix between ‘20210102’ AND format_date(‘%Y%m%d’,date_sub(current_date(), interval 1 day))

La entrada Table Suffix en BigQuery GA4. Cómo seleccionar todos los tipos de fechas se publicó primero en ROIANALYTICS.

Cómo crear funnels con BigQuery, Google Analytics 4 y LookerStudio

Fernando Lens — Mon, 19 Aug 2024 09:31:53 +0000

Una de las preguntas que te vas a hacer cuando empiezas a usar BigQuery con Google Analytics 4 es cómo demonios vas a poder construir un funnel con la información en bruto que te aporta la conexión con BigQuery.

En este post vamos a ver un ejemplo con el dataset de pruebas bigquery-public-data.ga4_obfuscated_sample_ecommerce

Funnel de ecommerce con BigQuery y GA4

Este tipo de funnel que solemos encontrar en las exploraciones de GA4 te va a servir para analizar el proceso de compra genérico desde que se aterriza en una página hasta que se finaliza la compra.

También te va a servir para medir la efectividad de las campañas, comparar canales de adquisición , tipos de usuario y mucho más.

Básicamente vamos a añadir 4 pasos:

-Visita de la página home.
-Visita de una página de producto.
-Añadir un producto al carrito.
-Compra.

Este funnel , para que sea realista debe ser de tipo secuencial. Un funnel secuencial implica que los usuarios completan los pasos del funnel en el orden correcto. Lo que estamos haciendo en este caso es un funnel cerrado. Si quieres saber la diferencia entre un funnel abierto y uno cerrado lee este post que te enlazo.

Construiremos algo parecido a esto:

Vamos a extraer los datos de GA4 a través de BigQuery y utilizaremos LookerStudio para visualizar los datos.

Guía paso a paso para extraer los datos de ecommerce de BigQuery GA4

Puedes incluir tantos pasos como quieras, pero principalmente lo que haremos será utilizar la métrica de usuarios y con distintas queries sacar los pasos que completan en el funnel de compra que hemos establecido.

El identificador que usaremos es user_pseudo_id. Esto nos asegura que sea el mismo usuario el que «atraviesa» los 4 pasos del funnel.

Atención, la métrica que usaremos, como he dicho será usuarios , pero las sesiones nos «darán igual» contabilizaremos usuarios independientemente de cuantas sesiones hayan necesitado para completar los pasos del funnel. Además con este funnel aislaremos a los usuarios que completaron la compra en el mismo dia.

Define los pasos del funnel

Antes de escribir nada de SQL tendremos que encontrar los nombres de los eventos.

Ver un producto: – event_name = ‘view_item’
Añadir un producto al carrito – event_name = ‘add_to_cart’
Empezar el chekout – event_name = ‘begin_checkout’
Completar la compra – event_name = ‘purchase’

Extraer el identificador y las tablas indispensables

Vamos a necesitar si o si las siguientes tablas, user_pseudo_id, event_name, event_date y event_timestamp

1. Para esto utilizaremos un WITH. Esta parte del SQL será transversal a todos los eventos.

WITH dataset AS ( SELECT user_pseudo_id, event_name, PARSE_DATE(‘%Y%m%d’, event_date) AS event_date, TIMESTAMP_MICROS(event_timestamp) AS event_timestamp FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_202101*` WHERE event_name IN (‘view_item’, ‘add_to_cart’, ‘begin_checkout’, ‘purchase’) ),

2. Añadiremos la lista de usuarios que han hecho un view_item

view_item AS (
SELECT
user_pseudo_id,
event_date,
event_timestamp
FROM dataset
WHERE event_name = ‘view_item’
),

y repetiremos lo mismo con el resto de eventos.

Veréis que la estructura del SQL es la misma pero cambiando el nombre del evento.

Después aplicaremos un LEFT JOIN para hacer la unión de todos los usuarios. La haremos con varias condiciones.

funnel AS ( SELECT vi.event_date, COUNT(DISTINCT vi.user_pseudo_id) AS view_item, COUNT(DISTINCT atc.user_pseudo_id) AS add_to_cart, COUNT(DISTINCT bc.user_pseudo_id) AS begin_checkout, COUNT(DISTINCT p.user_pseudo_id) AS purchase FROM view_item vi LEFT JOIN add_to_cart atc ON vi.user_pseudo_id = atc.user_pseudo_id AND vi.event_date = atc.event_date AND vi.event_timestamp < atc.event_timestamp LEFT JOIN begin_checkout bc ON atc.user_pseudo_id = bc.user_pseudo_id AND atc.event_date = bc.event_date AND atc.event_timestamp < bc.event_timestamp LEFT JOIN purchase p ON bc.user_pseudo_id = p.user_pseudo_id AND bc.event_date = p.event_date AND bc.event_timestamp < p.event_timestamp GROUP BY 1 )

Calcular la progresión

Es muy importante que se añada esta parte al final para que se calcule el porcentaje de usuarios que pasan de un punto al otro.

SELECT event_date, view_item, add_to_cart, begin_checkout, purchase, 1 AS view_item_rate, ROUND(COALESCE(add_to_cart / NULLIF(view_item,0), 0), 2) AS add_to_cart_rate, ROUND(COALESCE(begin_checkout / NULLIF(view_item,0), 0), 2) AS begin_checkout_rate, ROUND(COALESCE(purchase / NULLIF(view_item,0), 0), 2) AS purchase_rate FROM funnel ORDER BY 1 ASC

El SQL final

view_item AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘view_item’ ),

add_to_cart AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘add_to_cart’ ),

begin_checkout AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘begin_checkout’ ),

purchase AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘purchase’ ),

FROM funnel

ORDER BY 1 ASC

El resultado será algo así.

Ojo! Antes de pasar a LookerStudio deberás guardar esta tabla resultado como una tabla BigQuery

Conectar BigQuery con LookerStudio

A partir de aquí todo es cuestión de conexiones y ajustes. En LookerStudio añadirás la tabla que te has guardado desde las fuentes de datos. Como sueles hacer normalmente con GA4 pero con BigQuery en este caso.

Para la visualización en forma de funnel deberás hacer lo siguiente.

1. Añadir un gráfico de columnas.

2.Añadir esta configuración de dimensiones y métricas.

3. Asegúrate de cambiar el formato de las métricas a porcentaje para poder ver el porcentaje de usuarios que completan cada paso.

4. Añade un control de fechas para ver los días que quieres seleccionar y ya lo tendrás listo.

A partir de aquí ya puedes añadir todos los formatos que quieres y «jugar» con las visualizaciones de LookerStudio.

La entrada Cómo crear funnels con BigQuery, Google Analytics 4 y LookerStudio se publicó primero en ROIANALYTICS.

Cómo saber cuándo Google Analytics 4 actualiza la información en BigQuery

Fernando Lens — Wed, 14 Aug 2024 10:04:58 +0000

Esta información que te voy a comentar a continuación es fundamental para tener un proceso de volcado de datos automatizado desde GA4 a BigQuery.

Es la mejor manera de calcular con precisión cuándo se produce el volcado de datos en BigQuery por parte de Google Analytics.

De esta manera podrás programar las consultas para que se ejecuten una vez la información está actualizada.

Google aplica modificaciones una vez que vuelca la información en BigQuery

Cuidado porque esto es importante. Google después de actualizar la información de las tablas puede volver a volcar datos o modificar horas después del primer volcado.

Esto es importante a la hora de elegir la hora de la consulta programada.

Lo mejor es que elijas horas con suficiente holgura. Te explico a continuación.

Cómo ver la hora de creación de una tabla

En DETALLES vas a poder ver la hora de última modificación y hora de creación de las tablas.

En este caso de la base de datos de prueba de GA4 , como veis en la imagen, no están editadas . Las dos fechas coinciden.

Mi consejo para elegir fecha de programación

Una vez que hayas visto a qué hora se actualiza la tabla te recomiendo que establezcas mínimo dos horas más tarde tus consultas programadas.

Por ejemplo, en esta tabla del proyecto de la web Marketing4all veo que las tablas events se crean a las 11:05:10 de la mañana (formato 24 hs) y que no hay modificaciones

En este caso programaría mis consultas mínimo a las 13:00 . De esta manera me aseguro que la información que carga GA4 está actualizada al máximo.

La entrada Cómo saber cuándo Google Analytics 4 actualiza la información en BigQuery se publicó primero en ROIANALYTICS.

Cómo calcular métricas básicas de Google Analytics 4 con BigQuery

Fernando Lens — Wed, 14 Aug 2024 08:39:09 +0000

Hay tres métricas básicas de Google Analytics 4 que es muy sencillo extraer con BigQuery. En este post vas a ver el SQL que necesitas para extraerlas.

Como ya sabrás , es posible y normal, que no encajen 100% con los datos de la interfaz de GA4 o con tus lookerstudios.

Cómo calcular las sesiones de GA4 con BigQuery

Para calcular las sesiones de GA4 con BigQuery en realidad lo que se hace es concatenar el user_pseudo_id con el ga_session_id y contar cuántos valores distintos hay. No tiene más ciencia.

El código SQL es el siguiente:

COUNT(DISTINCT CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id» )))

Cómo calcular las sesiones con interacción de GA4 con BigQuery

Para las sesiones con interacción el proceso es similar al anterior pero sólo tendremos en cuenta aquellos valores donde el parámetro engaged_session es igual a 1.

Este cálculo requiera usar una subquery.

Sería así el código SQL:

COUNT(DISTINCT CASE WHEN(SELECT value.string_value FROM UNNEST(event_params) WHERE key = «session_engaged») = «1» THEN CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id»)) END)

Este sería el resultado:

Fíjate cómo se reduce casi a la mitad el número de sesiones.

Cómo calcular la tasa de interacción de GA4 con BigQuery

Para esta métrica haremos una simple división de sesiones con interacción entre sesiones totales.

El código SQL sería así :

ROUND(COUNT(DISTINCT CASE WHEN (SELECT value.string_value FROM UNNEST(event_params) WHERE key = «session_engaged») = «1» THEN CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id»)) END) / COUNT(DISTINCT CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id»))) , 2) * 100

La entrada Cómo calcular métricas básicas de Google Analytics 4 con BigQuery se publicó primero en ROIANALYTICS.

¿Qué es Amplitude? La herramienta de analítica más completa

Fernando Lens — Fri, 09 Aug 2024 08:44:10 +0000

Amplitude es una plataforma de análisis de productos y servicios digitales que permite a las empresas comprender mejor el comportamiento de sus usuarios y optimizar la experiencia del producto. A través de la recopilación y análisis de datos de uso, Amplitude ayuda a identificar patrones, realizar un seguimiento de métricas clave, y tomar decisiones informadas para mejorar la retención de usuarios y el crecimiento del producto.

La herramienta se ha posicionado como líder en el ámbito del análisis de producto, ofreciendo una visión clara y detallada del ciclo de vida del usuario dentro de una aplicación o servicio. Esto permite a las empresas no solo entender qué hacen los usuarios, sino también por qué lo hacen, lo que es crucial para optimizar la experiencia del usuario y, en última instancia, mejorar la retención.

Su competidor principal es MixPanel. Veremos más adelante en qué se diferencia de esta última.

Características principales de Amplitude

Las más relevantes son las siguientes:

–Análisis de cohortes. Permite segmentar usuarios en grupos específicos basados en su comportamiento dentro de la plataforma. Esto es vital para entender cómo diferentes segmentos de usuarios interactúan con el producto a lo largo del tiempo.
–Mapas de retención. Amplitude ofrece mapas de retención que muestran cómo los usuarios regresan a la aplicación después de su primera interacción. Esto es esencial para identificar oportunidades de mejora en la retención.
–Análisis de embudos. Con esta funcionalidad, los equipos pueden visualizar y analizar las tasas de conversión entre diferentes pasos de un proceso dentro de la aplicación, permitiendo la optimización de cada etapa del embudo.
-Visualización de datos. Amplitude proporciona herramientas robustas para la visualización de datos, permitiendo a los equipos de producto crear gráficos y dashboards personalizados que facilitan la toma de decisiones informadas.

Una de las mayores fortalezas de Amplitude es su capacidad para ofrecer un análisis profundo del comportamiento del usuario. Al centrarse en el seguimiento de eventos a nivel de usuario individual, Amplitude permite a las empresas comprender no solo lo que los usuarios hacen, sino también cómo y por qué lo hacen.

Esta capacidad es especialmente valiosa en un entorno donde la personalización y la experiencia del usuario son clave para el éxito. Con Amplitude, los equipos pueden rastrear cada interacción de un usuario dentro de una aplicación, desde su primer contacto hasta su comportamiento recurrente, lo que facilita la identificación de puntos críticos y oportunidades de mejora.

Amplitude VS Google Analytics

Aunque Amplitude y Google Analytics son herramientas de análisis, cada una está optimizada para diferentes objetivos y tipos de datos. Mientras que Google Analytics es más adecuado para el análisis general del tráfico web y la adquisición de usuarios, Amplitude se especializa en el análisis del comportamiento del usuario dentro de productos digitales.

Google Analytics se enfoca en métricas como visitas, páginas vistas y tasas de rebote, lo que es excelente para comprender cómo los usuarios llegan a un sitio web y cómo navegan en él.
Amplitude, por otro lado, se centra en eventos a nivel de usuario, proporcionando una visión mucho más profunda de cómo los usuarios interactúan con un producto digital a lo largo del tiempo.

Es verdad que GA4 tiene mucho análisis de interacciones de usuarios, sin embargo Amplitude tiene una capacidad de análisis mucho mayor además de mejor granuralidad para segmentar a los usuarios.

Amplitude vs MixPanel

Aunque tanto Amplitude como Mixpanel son herramientas de análisis de productos digitales, existen diferencias clave que pueden influir en la elección de una sobre la otra, dependiendo de las necesidades específicas del proyecto.

Facilidad de uso y setup. Amplitude es generalmente elogiado por su interfaz intuitiva y facilidad de configuración, lo que lo convierte en una opción popular para equipos que buscan empezar rápidamente sin una curva de aprendizaje pronunciada. Mixpanel, aunque también es potente, puede requerir más tiempo y conocimientos técnicos para aprovechar al máximo sus capacidades avanzadas
Cohortes. Amplitude se destaca por sus mapas de retención y la profundidad con la que permite explorar el comportamiento del usuario a lo largo del tiempo. Mixpanel, por otro lado, es conocido por su flexibilidad en la creación de embudos personalizados y análisis detallado de eventos.
Integraciones y ecosistema. Mixpanel tiene una gran cantidad de integraciones nativas con herramientas de marketing y CRM, lo que facilita su incorporación en ecosistemas complejos.
Precios. El modelo de precios de Amplitude suele ser más atractivo para empresas en crecimiento, ofreciendo una versión gratuita con características limitadas pero útiles.

El precio de Amplitude es un tema muy interesante ya que si tienes muchos usuarios mensuales el precio se dispara.

Amplitude academy. Uno de los puntos fuertes de la herramienta

Personalmente este es un innegociable de todas estas herramientas. Tener un centro de formación en versión digital para que la curva de aprendizaje sea lo más suave posible.

En el caso de Amplitude Academy han solventando este problema muy bien.

Es bastante sencillo entender el funcionamiento de la herramienta a nivel básico. Y la generación de informes se hace mucho más sencilla si sigues las intrucciones.

Eso sí, no está en castellano. Toda la info es en inglés.

La entrada ¿Qué es Amplitude? La herramienta de analítica más completa se publicó primero en ROIANALYTICS.

Bases de datos relacionales vs No relacionales. ¿Conoces las diferencias?

Fernando Lens — Thu, 08 Aug 2024 08:44:39 +0000

Qué es una base de datos relacional

Las bases de datos relacionales, también conocidas como bases de datos SQL, son el tipo de base de datos más tradicional y ampliamente utilizado. Fueron introducidas por primera vez en los años 70 por Edgar F. Codd en IBM y se basan en el modelo relacional de datos, que organiza la información en tablas que pueden relacionarse entre sí. Esas son algunas de sus características principales:

Estructura Tabular. Los datos se organizan en tablas compuestas por filas y columnas.
Integridad. Utilizan restricciones y claves primarias para mantener la integridad y consistencia de los datos.
Consultas SQL. Utilizan el lenguaje SQL (Structured Query Language) para gestionar y manipular datos.
ACID. ACID (Atomicidad, Consistencia, Aislamiento, Durabilidad) para asegurar la fiabilidad de las transacciones.

Ventajas de una base de datos relacional

Consistencia de Datos: Gracias a las transacciones ACID, los datos permanecen consistentes y fiables.
Relaciones entre Datos: Facilitan la creación de relaciones complejas entre diferentes conjuntos de datos.
Estándar Común: SQL es un estándar ampliamente conocido y utilizado, lo que facilita la migración y la interoperabilidad.

Qué es una base de datos no relacional

Las bases de datos no relacionales, también conocidas como bases de datos NoSQL, surgieron como una respuesta a las limitaciones de las bases de datos relacionales en el manejo de grandes volúmenes de datos no estructurados y la necesidad de escalabilidad horizontal. No siguen un modelo tabular y pueden almacenar datos en varios formatos, como documentos, gráficos, columnas, y pares clave-valor.

Las características principales son las siguientes:

Modelos flexibles: Pueden manejar datos en formatos no tabulares, como JSON, BSON, XML, etc.
Escalabilidad horizontal: Están diseñadas para escalar horizontalmente distribuyendo datos a través de múltiples servidores.
Sin esquema fijo: No requieren un esquema predefinido, permitiendo mayor flexibilidad en la gestión de datos.

Ventajas de las bases de datos no relacionales

Escalabilidad: Ideales para aplicaciones que requieren escalabilidad horizontal y pueden manejar grandes volúmenes de datos.
Flexibilidad: Pueden gestionar datos no estructurados y semiestructurados de manera eficiente.
Rendimiento: Ofrecen un alto rendimiento para operaciones de lectura y escritura en entornos distribuidos.

SQL vs NOSQL ¿Cuáles son las diferencias?

Estructura de datos.
Relacionales: Datos organizados en tablas con filas y columnas.
No relacionales: Datos almacenados en diversos formatos como documentos, gráficos, columnas y pares clave-valor.
Modelo de consistencia.
Relacionales: Garantizan consistencia estricta a través de transacciones ACID.
No relacionales: Pueden optar por consistencia eventual para mejorar la disponibilidad y escalabilidad.
Flexibilidad.
Relacionales: Requieren un esquema fijo que debe definirse antes de insertar datos.
No relacionales: Permiten esquemas flexibles y pueden manejar datos no estructurados.
Rendimiento y escalabilidad.
Relacionales: Mejor rendimiento en consultas complejas pero limitadas en escalabilidad horizontal.
No relacionales: Mejor rendimiento para grandes volúmenes de datos y aplicaciones distribuidas, con escalabilidad horizontal nativa.

Cuándo utilizar una base de datos relacional o SQL

Básicamente en aquellas aplicaciones o datos donde necesites consistencia a lo largo del sistema. Un ERP , por ejemplo, o un CMS son sistemas típicos que necesitan bases de datos relacionales.

Cuándo utilizar una base de datos no relacional o no SQL

Típicamente en grandes volúmenes de datos tipo BigData. En este tipo de sistemas donde lo que necesitas es flexibilidad es dónde se usan más este tipo de bases de datos.

La entrada Bases de datos relacionales vs No relacionales. ¿Conoces las diferencias? se publicó primero en ROIANALYTICS.

Cómo configurar Google Analytics 4 en Shopify

Fernando Lens — Wed, 07 Aug 2024 06:23:56 +0000

En el mundo del e-commerce, la capacidad de analizar y entender el comportamiento de los usuarios es esencial para el éxito. Google Analytics 4 (GA4) es una herramienta tremendamente flexible que se puede instalar en cualquier plataforma de e-commerce incluída Shopify, una de las plataformas de comercio electrónico más populares, que permite una integración sencilla con GA4, proporcionando a los dueños de tiendas online datos valiosos para optimizar sus estrategias de marketing y ventas.

En este tutorial te hablo de las dos maneras más sencillas. Si, es cierto que también puedes implementar todo con GTM pero esto es para usuarios más avanzados. Si quieres que haga un tutorial sobre cómo hacerlo, escribe un comentario.

Antes de empezar con la configuración de Google Analytics 4 en Shopify, asegúrate de tener todo lo necesario:

Cuenta de Google Analytics 4: Si aún no tienes una, debes crearla en el sitio web de Google Analytics. Vas a necesitar el ID.
Acceso a la configuración de tu tienda Shopify: Necesitarás permisos de administrador para agregar códigos de seguimiento y modificar la configuración del sitio.

Instalación con la etiqueta de GA4 en Shopify

Creación de la Propiedad en Google Analytics 4

Inicia sesión en Google Analytics y selecciona la opción de crear una nueva propiedad.
Sigue los pasos indicados, proporcionando la información necesaria sobre tu tienda, como el nombre del negocio, la URL del sitio web, y la zona horaria.

Obtención del ID de Medición

Una vez creada la propiedad, navega hasta la sección de flujo de datos y selecciona la opción Web.
Introduce la URL de tu tienda Shopify y obtén el ID de medición (un código que empieza con ‘G-‘).

Inserción del Código de Seguimiento en Shopify

Accede a tu cuenta de Shopify y ve a la sección de «Online Store» (Tienda en línea).
Selecciona «Themes» (Temas) y luego «Actions» (Acciones), y haz clic en «Edit code» (Editar código).
En el archivo theme.liquid, busca la etiqueta y pega el código de seguimiento de GA4 antes de esta etiqueta.
Guarda los cambios y publica el tema.

Un tema importante del que te debo avisar aquí es que simplemente usando la etiqueta Gtag en Shopify no vas a tener acceso a los eventos que ocurren dentro del proceso de compra. Si no son importantes para ti puedes usar este método.

Instalación con Google Y Youtube Channel App

Teniendo los accesos y permisos adecuados vas a tener esta otra opción para instalar GA4.

Tienes que ir a Tienda Online, Preferencias, y ahí buscarás un banner amarillo llamado donde puedes configurar el pixel.

Llegarás a una pantalla donde pone «Empezar con Google Analytics.»

Una vez estés ahí tan sólo tienes que hacer clic en conectar y podrás acceder a la propiedad de GA4.

Haces clic en conectar y ya lo tienes.

Lo bueno de esta implementación es que los siguientes eventos ya los vas a tener por defecto disponibles en tu e-commerce:

view_item
add_to_cart
add_payment_info
begin_checkout
purchase

Eso si, los siguientes eventos los vas a tener que trackear vía GTM:
add_shipping_info
remove_from_cart
select_item
select_promotion
view_cart
view_item_list
view_promotion

La entrada Cómo configurar Google Analytics 4 en Shopify se publicó primero en ROIANALYTICS.

Segmentos en Google Analytics 4. Preguntas frecuentes y ejemplos

Fernando Lens — Wed, 26 Jun 2024 13:13:46 +0000

Desde que Universal Analytics ha pasado a mejor vida, muchos analistas, obligados a usar GA4, hemos visto en los segmentos la gran herramienta de GA4 para profundizar en los datos que recogemos.

El problema es que al haber ganado en profundidad, también se han hecho un poco más difíciles de configurar.

Me explico. No es que sea difícil sino que tenemos que comprender las peculiaridades de nuestra página web, el trayecto de los usuarios y sus interacciones para ajustar estos segmentos al máximo.

Vamos con una ronda de preguntas frecuentes sobre segmentos en GA4.

Al final de todo podréis ver varios ejemplos de Segmentos que podéis utilizar en Google Analytics 4.

¿Qué diferencia hay entre segmentos de usuarios, segmentos de sesiones y segmentos de eventos en GA4?

La clave aquí está en entender la amplitud de cada uno de los tipos para saber cómo se diferencian.

Es muy común que para el mismo conjunto de datos veamos distintas cifras respecto a si se trata de segmentos de usuarios, sesiones o eventos.

Se puede entender de esta manera.
-Los segmentos de usuarios incluyen todos los eventos de usuarios que en algún momento hayan cumplido la condición del segmento. Incluidas las sesiones y otros eventos donde esa condición no ha ocurrido. Muy importante este último punto.

-Los segmentos de sesiones incluyen eventos de usuarios que hayan cumplido la condición del segmento pero sólo en la sesión donde se produce la condición del segmento.

-Los segmentos de eventos incluyen sólo información del evento que se aplique como condición del segmento.

¿Todavía no se entiende?
Veamos un ejemplo. En esta imagen podéis ver una tabla con tres segmentos que tienen la misma condición, que se haya añadido un producto al carrito.

Si nos fijamos en los eventos que no son «add_to_cart» veremos que hay diferencias en los tres segmentos.

Y es que, como comentamos anteriormente, los segmentos de usuarios incluyen todos los eventos de usuarios que hayan añadido un producto al carrito en algún momento.

Por eso aparecen ahí más eventos de «page_view» que en el segmento de sesiones.

Los usuarios activos , en realidad, son los mismos en los tres segmentos, pero la cantidad de información de eventos es totalmente distinta.

Otra gran diferencia entre los tres tipos es que las secuencias sólo se pueden aplicar en segmentos de usuarios.

¿Cuántos segmentos se pueden aplicar a la vez en GA4 ?

Como mucho se pueden añadir cuatro segmentos al mismo tiempo. Y menos mal ya que gracias a la terrible visualización de los informes de explorar, en cuanto metes 3 las tablas empiezan a ser demasiado poco user friendly. En este caso la limitación de la herramienta es todo un acierto.

¿Puedo usar el mismo segmento en dos informes de explorar?

Ahora mismo, no. Tendrás que replicar las mismas condiciones del segmento manualmente en cada uno de los informes de explorar.

Cada vez que crees un informe de exploración vas a tener que crear nuevos segmentos.

¿Qué diferencia hay entre un segmento y una audiencia?

Otro «greatest hits» de las preguntas sobre segmentos. Aquí va:

1. Los segmentos sólo se pueden usar en Explorar. Las audiencias se pueden usar como comparaciones en informes por defecto.

2. Los segmentos son retroactivos , las audiencias no.

3. Las audiencias se pueden exportar a Google Ads, los segmentos no. Pero puedes construir una audiencia basada en un segmento.

4. Los segmentos se pueden editar en cualquier momento, con las audiencias todavía no se puede. Sí que puedes cambiar el nombre de la audiencia.

5. Los límites son distintos. Tienes un límite de 100 audiencias por propiedad. Pero tienes nada más 10 segmentos por exploración. (Versión gratuita)

La suma de los segmentos no es igual al total que muestra GA4

Esto suele ocurrir en los segmentos tipo «segmentos de usuario»
La razón de que esto te ocurra es, probablemente, que lo segmentos de usuario que has creado no se están excluyendo entre sí y GA4 está añadiendo al mismo usuario en los dos o más segmentos que hayas creado.

Típicamente encontrarás la prueba de esto que te explico haciendo esta comprobación:

Por ejemplo, veamos este caso utilizando la cuenta de GA4 de Google Merch Shop. En la imagen que veis abajo se ve claramente que la suma de sesiones de los segmentos «EE.UU» y «Resto del mundo» no coincide.
Sesiones resto del mundo = 62804
Sesiones EEUU = 65725
62804 + 65725 = 128529
Sesiones Total usuario = 102494
¿Qué es lo que ocurre? Lo que os comentaba arriba, GA4 está metiendo en los dos segmentos, en «resto del mundo» y » EEUU» sesiones del mismo usuario.

Lo puedes ver super claro si en vez de una tabla utilizamos una superposición de segmentos en el menú «Técnica»

Aquí podemos ver esas 39351 sesiones que pertenecen a usuarios que están dentro de los dos segmentos

¿Qué habría que hacer en este caso?
Para tener una mejor medición de los segmentos de usuarios de EEUU y Resto del mundo deberíamos utilizar mejor un segmento de sesiones.

Ejemplos de segmentos de Google Analytics 4

Segmento para comparar usuarios que usan el buscador vs los que no lo usan.

Este segmento puede ayudarte a probar ciertas hipótesis. Por ejemplo: «Los usuarios que usan el buscador, suelen convertir más»

Este sería el ejemplo utilizando nuestra querida cuenta de pruebas de GA4 del Merchandise Store. Construímos estos dos segmentos.

Segmento de sesiones donde se usó el buscador:

Segmento de sesiones donde NO se usó el buscador:

Los añadimos a la tabla y podremos ver así, usando una métrica como «total de ingresos» si nuestra hipótesis se cumple. En este caso en concreto ya que hay una diferencia tan grande de número de sesiones entre uno y otro es muy conveniente usar otra métrica tipo «tasa de conversión de la sesión»

De hecho, los datos son todavía más interesantes si añadimos otra métrica, el promedio de ingresos por usuario por compra.

Aquí es donde podemos ver que realmente es a nivel de negocio es mucho más interesante el usuario que interactúa con el buscador que el que no.

Segmento de usuarios que abandonan el carrito

Este segmento suele ser bastante típico en e-commerce para evaluar la calidad de nuestro funnel entre distintos periodos si se han introducido mejoras a partir de una determinada fecha.

Aquí vemos el ejemplo en la cuenta de Google Merch. Configuraremos un segmento de sesión de esta manera. Incluyendo a los que realizaron el evento «add_to_cart» y excluyendo a los que realizaron el evento «purchase»

Es muy importante en este caso asegurarse que en la opción de «alcance de la condición» marquemos «en la misma sesión»

Segmento de nuevos suscriptores provenientes del blog

Imagina que tienes un blog y quieres saber cuántos usuarios captados por el blog se han suscrito a la newsletter.

Podrías construir un segmento de usuario tipo secuencia de la siguiente manera. En el primer paso usamos el evento «session_start» y el «page_location» que contenga Blog, o cualquier opción que agrupe a estos usuarios. El segundo paso sería el evento «generate_lead»

Este segmento es super útil y te puede servir para saber cuántos usuarios cumplen X objetivo después de visitar Y página o sección.

Segmentos de usuarios interesados en un tipo de producto

Digamos que quieres crear un segmento con usuarios que estén interesados en un determinado grupo de productos que están dentro de una categoría.

Para esto es muy útil tirar de los clásicos eventos de e-commerce como «view_item». Para ello usaremos el parámetro «item_category». Por ejemplo en el caso de la store de Google Merchandise. Vemos que una gran parte de productos, cuando visualizamos la url de ese producto (ejemplo: https://shop.googlemerchandisestore.com/Google+Redesign/Chrome+Dino+Party+Time+Greeting+Card ) cargan un parámetro dentro del evento «view_item» con la categorización de ese producto.
En el caso de esta url, como veis en la imagen es «stationery»

Sabiendo esto, podemos construir el siguiente segmento «Usuarios interesados en «Stationery»

Como veis , estamos afinando mucho el segmento, buscando a un tipo de usuario en concreto. Si añadimos otra condición que sea por ejemplo que haya visto más de 5 páginas de producto de «stationery» estaremos aislando a un usuario con mucho interés, en teoría, en este tipo de productos.
Todavía seréis más específicos si utilizáis como alcance de la condición «En la misma sesión»

Preguntas frecuentes sobre el Índice de Visibilidad de Sistrix

Si has trabajado en algún proyecto que junte analítica y SEO probablemente hayas escuchado hablar de...
Zoho CRM. La plataforma que va más allá de la gestión empresarial

La suite Zoho es un conjunto de aplicaciones de gestión empresarial de origen indio basadas en la nu...
Nuevas plantillas de audiencias en Google Analytics 4

El equipo de Google Analytics ha añadido nuevas plantillas de audiencias a Google Analytics 4 que no...
Cómo practicar SQL en BigQuery con datos de Google Analytics 4 gratis

Uno de los primeros problemas que te puedes encontrar si quieres aprender a usar la conexión de Goog...
Qué es un plan de medición y por qué necesitas uno

Es muy habitual que la analítica web de una empresa u organización sea un conjunto de acciones hecha...
Table Suffix en BigQuery GA4. Cómo seleccionar todos los tipos de fechas

Cada día de datos de Google Analytics 4 se guarda en una tabla dentro de BigQuery por separado. Cada...
Cómo crear funnels con BigQuery, Google Analytics 4 y LookerStudio

Una de las preguntas que te vas a hacer cuando empiezas a usar BigQuery con Google Analytics 4 es có...
Cómo saber cuándo Google Analytics 4 actualiza la información en BigQuery

Esta información que te voy a comentar a continuación es fundamental para tener un proceso de volcad...
Cómo calcular métricas básicas de Google Analytics 4 con BigQuery

Hay tres métricas básicas de Google Analytics 4 que es muy sencillo extraer con BigQuery. En este po...
Diferencias entre tablas, consultas y vistas en BigQuery

En BigQuery, las tablas, vistas y consultas son elementos fundamentales pero distintos: las tablas a...
Consultas básicas de BigQuery para extraer datos de Google Analytics 4

Cuando empiezas a usar la conexión de Google Analytics 4 con BigQuery es fundamental dominar las que...
Cómo conectar Google Analytics 4 con BigQuery y LooketStudio

LookerStudio es una de las herramientas de Business Intelligence por parte de los profesionales del ...

La entrada Segmentos en Google Analytics 4. Preguntas frecuentes y ejemplos se publicó primero en ROIANALYTICS.