	{"id":65530,"date":"2021-12-13T11:26:57","date_gmt":"2021-12-13T11:26:57","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&#038;p=65530"},"modified":"2024-09-20T17:45:47","modified_gmt":"2024-09-20T16:45:47","slug":"scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data\/","title":{"rendered":"Puntuaci\u00f3n de la propensi\u00f3n del cliente utilizando modelos de aprendizaje autom\u00e1tico en Google Analytics Data"},"content":{"rendered":"<p><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling article-author\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-background-color:#ffffff;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_2 1_2 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:50%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:50%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-title title fusion-title-1 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Autor<\/h2><\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27150%27%20height%3D%270%27%20viewBox%3D%270%200%20150%200%27%3E%3Crect%20width%3D%27150%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/05\/Antoine-Aubay.jpeg\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left article-author-image\" style=\"width: 150px; border-radius: 54% 46% 77% 23% \/ 74% 40% 60% 26%; overflow: hidden;\" width=\"150\" height=\"auto\" \/><div class=\"fusion-title title fusion-title-2 fusion-sep-none fusion-title-text fusion-title-size-three article-author-name-title\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Antoine Aubay<\/h3><\/div><div class=\"fusion-text fusion-text-1 article-author-description\"><p>Cient\u00edfico Senior Data en Artefact<\/p>\n<\/div><\/div><\/div><\/div><\/div><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-2 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-margin-top:40px;--awb-margin-bottom:40px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-center fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-1 fusion_builder_column_1_1 1_1 fusion-flex-column fusion-flex-align-self-center fusion-column-inner-bg-wrapper\" style=\"--awb-padding-top:20px;--awb-padding-right:20px;--awb-padding-bottom:20px;--awb-padding-left:20px;--awb-overflow:hidden;--awb-inner-bg-size:cover;--awb-border-color:rgba(10,17,40,0.1);--awb-border-top:1px;--awb-border-right:1px;--awb-border-bottom:1px;--awb-border-left:1px;--awb-border-style:solid;--awb-border-radius:4px 4px 4px 4px;--awb-inner-bg-border-radius:4px 4px 4px 4px;--awb-inner-bg-overflow:hidden;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><span class=\"fusion-column-inner-bg hover-type-none\"><a class=\"fusion-column-anchor\" href=\"https:\/\/medium.com\/artefact-engineering-and-data-science\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data-ba1126469c1f\" rel=\"noopener noreferrer\" target=\"_blank\"><span class=\"fusion-column-inner-bg-image\"><\/span><\/a><\/span><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-center fusion-content-layout-row fusion-flex-align-items-center\"><div class=\"fusion-text fusion-text-2\"><p><u>Lea nuestro art\u00edculo sobre<\/u><\/p>\n<\/div><div class=\"fusion-image-element\" style=\"--awb-margin-right:20px;--awb-margin-left:20px;--awb-max-width:150px;--awb-caption-title-font-family:var(--h2_typography-font-family);--awb-caption-title-font-weight:var(--h2_typography-font-weight);--awb-caption-title-font-style:var(--h2_typography-font-style);--awb-caption-title-size:var(--h2_typography-font-size);--awb-caption-title-transform:var(--h2_typography-text-transform);--awb-caption-title-line-height:var(--h2_typography-line-height);--awb-caption-title-letter-spacing:var(--h2_typography-letter-spacing);\"><span class=\"fusion-imageframe imageframe-none imageframe-1 hover-type-none\"><img decoding=\"async\" width=\"4000\" height=\"992\" title=\"Mediano Blog\" src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" alt class=\"lazyload img-responsive wp-image-60582\" srcset=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%274000%27%20height%3D%27992%27%20viewBox%3D%270%200%204000%20992%27%3E%3Crect%20width%3D%274000%27%20height%3D%27992%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-srcset=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-200x50.png 200w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-400x99.png 400w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-600x149.png 600w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-800x198.png 800w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-1200x298.png 1200w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png 4000w\" data-sizes=\"auto\" data-orig-sizes=\"(max-width: 640px) 100vw, 4000px\" \/><\/span><\/div><div class=\"fusion-text fusion-text-3\"><p>.<\/p>\n<\/div><\/div><\/div><\/div><\/div><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-3 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-2 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-4 description\"><p>El modelado de la propensi\u00f3n puede utilizarse para aumentar el impacto de su comunicaci\u00f3n con los clientes y optimizar el gasto de su presupuesto publicitario.<\/p>\n<p>Google Analytics data es una fuente data bien estructurada que puede transformarse f\u00e1cilmente en un conjunto data preparado para el aprendizaje autom\u00e1tico.<\/p>\n<p>Las pruebas retrospectivas sobre el hist\u00f3rico data y las m\u00e9tricas t\u00e9cnicas pueden darle una primera idea del rendimiento de su modelo, mientras que las pruebas en vivo y las m\u00e9tricas comerciales le permitir\u00e1n confirmar el impacto de su modelo.<\/p>\n<p>Nuestro modelo de aprendizaje autom\u00e1tico personalizado super\u00f3 las l\u00edneas de base existentes: durante las pruebas en vivo en t\u00e9rminos de ROAS (Retorno de la inversi\u00f3n publicitaria): +221% frente al modelo basado en reglas y +73% frente al aprendizaje autom\u00e1tico est\u00e1ndar (puntuaci\u00f3n de calidad de la sesi\u00f3n de Google Analytics).<\/p>\n<p>Este art\u00edculo asume fundamentos b\u00e1sicos en aprendizaje autom\u00e1tico y marketing.<\/p>\n<\/div><\/div><\/div><\/div><\/div><article class=\"fusion-fullwidth fullwidth-box fusion-builder-row-4 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-3 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-title title fusion-title-3 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">\u00bfQu\u00e9 es el modelo de propensi\u00f3n?<\/h2><\/div><div class=\"fusion-text fusion-text-5\"><p>El modelo de propensi\u00f3n es\u00a0<strong>estimar la probabilidad de que un cliente realice una acci\u00f3n determinada<\/strong>. Hay varias acciones que pueden ser \u00fatiles para estimar:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-1 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Comprar un producto<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Churn<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Darse de baja<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>etc...<\/p>\n<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-6\"><p>En este art\u00edculo nos centraremos en la estimaci\u00f3n de la propensi\u00f3n a comprar un art\u00edculo en un sitio web de comercio electr\u00f3nico.<\/p>\n<p>Pero, \u00bfpor qu\u00e9 estimar la propensi\u00f3n a la compra? Porque permite<strong>adaptar c\u00f3mo queremos interactuar con un cliente.<\/strong> Por ejemplo, supongamos que tenemos un modelo de propensi\u00f3n muy sencillo que clasifica a los clientes en \u201cFr\u00edos\u201d, \u201cTemplados\u201d y \u201cCalientes\u201d para un producto determinado (\u201cCalientes\u201d son los clientes con mayor probabilidad de compra y \u201cFr\u00edos\u201d los que menos):<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27619%27%20height%3D%270%27%20viewBox%3D%270%200%20619%200%27%3E%3Crect%20width%3D%27619%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article1.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 619px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"619\" height=\"auto\" \/><div class=\"fusion-text fusion-text-7\"><p>Bien, bas\u00e1ndonos en esta clasificaci\u00f3n<strong>puede tener una respuesta espec\u00edfica para cada clase<\/strong>. Es posible que desee tener un enfoque de marketing diferente con un cliente que est\u00e1 muy cerca de comprar que con uno que puede que ni siquiera haya o\u00eddo hablar de su producto. Adem\u00e1s, si dispone de un presupuesto limitado para medios de comunicaci\u00f3n, puede centrarlo en los clientes que tienen muchas probabilidades de comprar y no gastar demasiado en los que son poco probables.<\/p>\n<p>Este tipo simple de clasificaci\u00f3n basada en reglas puede dar buenos resultados y suele ser mejor que no tener ninguna, pero tiene <strong>varias limitaciones:<\/strong><\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-2 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Es probable\u00a0<strong>sin explotar todos los data <\/strong>que tiene a su disposici\u00f3n, ya sea informaci\u00f3n m\u00e1s precisa sobre el recorrido del cliente o su sitio web u otras fuentes data que pueda tener a su disposici\u00f3n como CRM data.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Aunque parece obvio que los clientes clasificados como \u201ccalientes\u201d tienen m\u00e1s probabilidades de comprar que los \u201cc\u00e1lidos\u201d, que tienen m\u00e1s probabilidades de comprar que los \u201cfr\u00edos\u201d, este enfoque no nos da cifras concretas sobre <strong>la probabilidad de que compren<\/strong>. \u00bfTienen los clientes \u201ccalientes\u201d 3% oportunidad de comprar ? \u00bf5% ? 10% ?<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Mediante reglas sencillas, se limita el n\u00famero de clases que puede obtener, lo que\u00a0<strong>limita la personalizaci\u00f3n de su respuesta dirigida<\/strong>\u00a0puede ser.<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-8\"><p>Para hacer frente a esas limitaciones podemos utilizar un enfoque m\u00e1s orientado al data: utilizar\u00a0<strong>aprendizaje autom\u00e1tico <\/strong>en nuestro data a\u00a0<strong>predecir una probabilidad de compra<\/strong>\u00a0para cada cliente.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-4 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Comprender Google Analytics data<\/h2><\/div><div class=\"fusion-text fusion-text-9\"><p>Google Analytics es un\u00a0<strong>servicio web de an\u00e1lisis <\/strong>que rastrea el uso data y el tr\u00e1fico en el sitio web y las aplicaciones.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27587%27%20height%3D%270%27%20viewBox%3D%270%200%20587%200%27%3E%3Crect%20width%3D%27587%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article2.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 587px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"587\" height=\"auto\" \/><div class=\"fusion-text fusion-text-10\"><p><a class=\"bv kv\" href=\"https:\/\/support.google.com\/analytics\/answer\/3416092?hl=en#zippy=%2Cin-this-article\" target=\"_blank\" rel=\"noopener ugc nofollow\">Google Analytics data puede ser<strong>\u00a0f\u00e1cilmente exportable a Big Query<\/strong>\u00a0<\/a>(Google Cloud Platform totalmente gestionado\u00a0<a class=\"bv kv\" href=\"https:\/\/cloud.google.com\/bigquery\/?utm_source=google&amp;utm_medium=cpc&amp;utm_campaign=emea-gb-all-en-dr-skws-all-solutions-trial-b-gcp-1010042&amp;utm_content=text-ad-none-any-DEV_c-CRE_335630920539-ADGP_Hybrid+%7C+SKWS+-+BMM+%7C+Txt+~+Data+Analytics+~+BigQuery%23v1-KWID_43700053279032269-kwd-47616964923-userloc_1006094&amp;utm_term=KW_%2Bbigquery-NET_g-PLAC_&amp;gclid=CjwKCAjwiY6MBhBqEiwARFSCPqzx1ubPaHp-g3MMEY8zES0fgiSrD3RYgcBGjQeNRRcV_EiS10fZ_RoCUgcQAvD_BwE&amp;gclsrc=aw.ds\" target=\"_blank\" rel=\"noopener ugc nofollow\">data servicio de almac\u00e9n<\/a>) donde se puede acceder mediante una sintaxis similar a la de SQL:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27598%27%20height%3D%270%27%20viewBox%3D%270%200%20598%200%27%3E%3Crect%20width%3D%27598%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/article-aubay3.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 598px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"598\" height=\"auto\" \/><div class=\"fusion-text fusion-text-11\"><p>Tenga en cuenta que la tabla de exportaci\u00f3n Big Query con Google Analytics data es un <strong>tabla anidada a nivel de sesi\u00f3n:<\/strong><\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-3 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><a class=\"bv kv\" href=\"https:\/\/support.google.com\/analytics\/answer\/2731565?hl=en#zippy=%2Cin-this-article\" target=\"_blank\" rel=\"noopener ugc nofollow\">Sesiones<\/a>\u00a0son una lista de acciones que un cliente espec\u00edfico realiza en un periodo de tiempo determinado. Comienzan cuando un cliente visita una p\u00e1gina y terminan despu\u00e9s de 30 minutos de actividad.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Cada cliente puede tener varias sesiones.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Cada sesi\u00f3n puede estar formada por varios hits (es decir, eventos) y cada hit puede tener varios atributos o m\u00e9tricas personalizadas (por eso la tabla est\u00e1 anidada, por ejemplo, si quiere ver el data a nivel de hit tendr\u00e1 que aplanar la tabla).<\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27619%27%20height%3D%270%27%20viewBox%3D%270%200%20619%200%27%3E%3Crect%20width%3D%27619%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article4.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 619px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"619\" height=\"auto\" \/><div class=\"fusion-text fusion-text-12\"><p>Por ejemplo, en esta consulta s\u00f3lo buscamos\u00a0<strong>caracter\u00edsticas a nivel de sesi\u00f3n<\/strong>:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27564%27%20height%3D%270%27%20viewBox%3D%270%200%20564%200%27%3E%3Crect%20width%3D%27564%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article5.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 564px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"564\" height=\"auto\" \/><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27686%27%20height%3D%270%27%20viewBox%3D%270%200%20686%200%27%3E%3Crect%20width%3D%27686%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article6.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 686px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"686\" height=\"auto\" \/><div class=\"fusion-text fusion-text-13\"><p>Y en esta consulta hemos utilizado una funci\u00f3n Unnest para consultar la misma informaci\u00f3n en <strong>nivel de acierto<\/strong>:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27686%27%20height%3D%270%27%20viewBox%3D%270%200%20686%200%27%3E%3Crect%20width%3D%27686%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article7.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 686px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"686\" height=\"auto\" \/><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27686%27%20height%3D%270%27%20viewBox%3D%270%200%20686%200%27%3E%3Crect%20width%3D%27686%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article8.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 686px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"686\" height=\"auto\" \/><div class=\"fusion-text fusion-text-14\"><p>Para m\u00e1s informaci\u00f3n sobre el GA data consulte el\u00a0<a class=\"bv kv\" href=\"https:\/\/developers.google.com\/analytics\" target=\"_blank\" rel=\"noopener ugc nofollow\">documentaci\u00f3n<\/a>. Tenga en cuenta que nuestro proyecto se desarroll\u00f3 en GA360, por lo que si est\u00e1 utilizando la \u00faltima versi\u00f3n, GA4, habr\u00e1 algunas ligeras diferencias en el modelo data, especialmente en la tabla a nivel de evento. Existen tablas de muestra p\u00fablicas de\u00a0<a class=\"bv kv\" href=\"https:\/\/console.cloud.google.com\/marketplace\/product\/obfuscated-ga360-data\/obfuscated-ga360-data?project=lexical-script-761\" target=\"_blank\" rel=\"noopener ugc nofollow\">GA360<\/a>\u00a0y\u00a0<a class=\"bv kv\" href=\"https:\/\/support.google.com\/analytics\/answer\/10937659?hl=en&amp;ref_topic=9359001#zippy=%2Cin-this-article\" target=\"_blank\" rel=\"noopener ugc nofollow\">GA4<\/a>\u00a0data disponible en Big Query.<\/p>\n<p>Ahora que tenemos acceso a nuestra fuente bruta data necesitamos realizar ingenier\u00eda de caracter\u00edsticas antes de poder alimentar nuestra tabla a un algoritmo de aprendizaje autom\u00e1tico<\/p>\n<\/div><div class=\"fusion-title title fusion-title-5 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Elaborar las caracter\u00edsticas adecuadas<\/h2><\/div><div class=\"fusion-text fusion-text-15\"><p>El objetivo del paso de ingenier\u00eda de caracter\u00edsticas es transformar el data bruto de Google Analytics (extra\u00eddo de Big Query) en un\u00a0<strong>mesa lista <\/strong>que se utilizar\u00e1 para<strong>Aprendizaje autom\u00e1tico<\/strong>.<\/p>\n<p>El GA data est\u00e1 muy bien estructurado y requerir\u00e1 unos pasos de limpieza m\u00ednimos. Sin embargo, todav\u00eda hay mucha informaci\u00f3n presente en la tabla, mucha de la cual no es \u00fatil para el aprendizaje autom\u00e1tico o no puede utilizarse tal cual, por lo que es importante seleccionar y elaborar las caracter\u00edsticas adecuadas. Para ello construimos caracter\u00edsticas que parec\u00edan ser las m\u00e1s correlacionadas con la compra de un producto.<\/p>\n<p>Elaboramos 4 tipos de caracter\u00edsticas:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27625%27%20height%3D%270%27%20viewBox%3D%270%200%20625%200%27%3E%3Crect%20width%3D%27625%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article9.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 625px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"625\" height=\"auto\" \/><div class=\"fusion-text fusion-text-16\"><p>Tenga en cuenta que estamos calculando todas esas caracter\u00edsticas a nivel de cliente, lo que significa que estamos agregando informaci\u00f3n de varias sesiones para cada cliente (utilizando el campo fullVisitorId como clave).<\/p>\n<\/div><div class=\"fusion-title title fusion-title-6 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caracter\u00edsticas generales<\/h3><\/div><div class=\"fusion-text fusion-text-17\"><p>Las caracter\u00edsticas globales son\u00a0<strong>caracter\u00edsticas num\u00e9ricas<\/strong>\u00a0que ofrecen informaci\u00f3n general sobre la sesi\u00f3n.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27524%27%20height%3D%270%27%20viewBox%3D%270%200%20524%200%27%3E%3Crect%20width%3D%27524%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article10.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 524px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"524\" height=\"auto\" \/><div class=\"fusion-text fusion-text-18\"><p>Tenga en cuenta que la tasa de rebote se define como el % de veces que el cliente s\u00f3lo visit\u00f3 una p\u00e1gina web durante una sesi\u00f3n.<\/p>\n<p>Tambi\u00e9n era importante incluir informaci\u00f3n sobre la <strong>recencia de los acontecimientos<\/strong>: por ejemplo, un cliente que acaba de visitar su sitio web probablemente tenga m\u00e1s ganas de comprar que uno que lo visit\u00f3 hace 3 meses. Para m\u00e1s informaci\u00f3n sobre este tema puede consultar la teor\u00eda en\u00a0<a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/RFM_(market_research)\" target=\"_blank\" rel=\"noopener ugc nofollow\">RFM (recencia, frecuencia valor monetario)<\/a>.<\/p>\n<p>As\u00ed que hemos a\u00f1adido una funci\u00f3n <em>Recencia desde la \u00faltima sesi\u00f3n = 1 \/ N\u00famero de d\u00edas transcurridos desde la \u00faltima sesi\u00f3n <\/em>que permite normalizar el valor entre 0 y 1<\/p>\n<\/div><div class=\"fusion-title title fusion-title-7 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caracter\u00edsticas favoritas<\/h3><\/div><div class=\"fusion-text fusion-text-19\"><p>Tambi\u00e9n quer\u00edamos incluir informaci\u00f3n sobre\u00a0<strong>la clave categ\u00f3rica data <\/strong>disponibles como <strong>navegador o dispositivo<\/strong>. Dado que esa informaci\u00f3n se encuentra a nivel de sesi\u00f3n, puede haber varios valores diferentes para un mismo cliente, por lo que s\u00f3lo tomamos el que m\u00e1s se da por cliente (es decir, el favorito). Adem\u00e1s, para evitar tener caracter\u00edsticas categ\u00f3ricas con una cardinalidad demasiado alta, s\u00f3lo conservamos los 5 valores m\u00e1s comunes para cada caracter\u00edstica y sustituimos todos los dem\u00e1s valores por un valor \u201cOtro\u201d.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27589%27%20height%3D%270%27%20viewBox%3D%270%200%20589%200%27%3E%3Crect%20width%3D%27589%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article11.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 589px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"589\" height=\"auto\" \/><div class=\"fusion-title title fusion-title-8 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caracter\u00edsticas del producto<\/h3><\/div><div class=\"fusion-text fusion-text-20\"><p>Aunque los dos primeros tipos de caracter\u00edsticas son definitivamente \u00fatiles para ayudarnos a responder a la pregunta \u201c\u00bfVa a comprar un cliente en mi sitio web?\u201d, no son lo suficientemente espec\u00edficas si necesitamos saber<strong class=\"hq jr\">\u00a0\u201c<\/strong><strong>\u00bfEl cliente va a comprar un producto concreto?<\/strong><strong class=\"hq jr\">\u201d<\/strong>. Para ayudar a responder a esta pregunta construimos caracter\u00edsticas espec\u00edficas de producto que s\u00f3lo incluyen el producto para el que intentamos predecir la compra:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27623%27%20height%3D%270%27%20viewBox%3D%270%200%20623%200%27%3E%3Crect%20width%3D%27623%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article12.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 623px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"623\" height=\"auto\" \/><div class=\"fusion-text fusion-text-21\"><p>Para <em>Recuencia desde la \u00faltima sesi\u00f3n con al menos una interacci\u00f3n con este producto,\u00a0<\/em>utilizamos la misma f\u00f3rmula que para el\u00a0<em>Recencia de la sesi\u00f3n<\/em>\u00a0en las Caracter\u00edsticas Generales. Sin embargo, podemos tener casos en los que haya 0 sesiones con al menos una interacci\u00f3n con el producto, en cuyo caso rellenamos con 0. Esto tiene sentido desde una perspectiva empresarial, ya que es nuestro valor m\u00e1s alto posible es 1 (cuando el cliente tuvo una sesi\u00f3n desde ayer).<\/p>\n<\/div><div class=\"fusion-title title fusion-title-9 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caracter\u00edsticas de productos similares<\/h3><\/div><div class=\"fusion-text fusion-text-22\"><p>Adem\u00e1s de fijarnos en la interacci\u00f3n del cliente con el producto para el que intentamos predecir la probabilidad de compra, saber que el cliente interactu\u00f3 con<strong>\u00a0otros productos con funciones y precios similares\u00a0<\/strong>sin duda puede ser \u00fatil<strong class=\"hq jr\">\u00a0<\/strong>(es decir, producto sustituto). Por este motivo, a\u00f1adimos un conjunto de caracter\u00edsticas de Producto similar que son id\u00e9nticas a las caracter\u00edsticas de Producto, salvo que tambi\u00e9n incluimos los productos similares en el \u00e1mbito variable. Los productos similares para un producto determinado se definieron utilizando entradas empresariales.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27608%27%20height%3D%270%27%20viewBox%3D%270%200%20608%200%27%3E%3Crect%20width%3D%27608%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article13.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 608px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"608\" height=\"auto\" \/><div class=\"fusion-text fusion-text-23\"><p>Ya tenemos nuestro\u00a0<strong>caracter\u00edstica ingenier\u00eda dataset<\/strong>\u00a0sobre el que podemos entrenar nuestro modelo de aprendizaje autom\u00e1tico.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-10 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Entrenamiento del modelo<\/h2><\/div><div class=\"fusion-text fusion-text-24\"><p>Puesto que queremos saber si un cliente va a comprar o no un producto espec\u00edfico, se trata de un\u00a0<strong>problema de clasificaci\u00f3n binaria.<\/strong><\/p>\n<p>Para nuestra primera iteraci\u00f3n, hicimos lo siguiente para crear nuestro conjunto dataset de aprendizaje autom\u00e1tico (que era de 1 fila por cliente):<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-4 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Calcule el <strong>caracter\u00edsticas utilizando las sesiones en un plazo de 3 meses<\/strong>\u00a0para cada cliente.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Calcule el\u00a0<strong>objetivo utilizar las sesiones en un plazo de 3 semanas<\/strong>\u00a0posterior a la ventana temporal de la caracter\u00edstica. Si hay al menos una compra del producto en la ventana temporal, Objetivo es igual a 1 (definido como Clase 1), de lo contrario Objetivo es igual a 0 (definido como Clase 0)<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Divida el data entre un conjunto de Entrenamiento y uno de Prueba utilizando una divisi\u00f3n aleatoria 80 \/ 20.<\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27608%27%20height%3D%270%27%20viewBox%3D%270%200%20608%200%27%3E%3Crect%20width%3D%27608%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article14.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 608px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"608\" height=\"auto\" \/><div class=\"fusion-text fusion-text-25\"><p>Sin embargo una primera exploraci\u00f3n data mostr\u00f3 r\u00e1pidamente que hab\u00eda una<strong>\u00a0fuerte problema de desequilibrio de clases<\/strong>: La relaci\u00f3n Clase 1 \/ Clase 0 era superior a 1:1000 y no ten\u00edamos suficientes clientes de Clase 1. Esto puede ser muy problem\u00e1tico para los modelos de aprendizaje autom\u00e1tico.<\/p>\n<p>Para hacer frente a estos problemas realizamos varias modificaciones en nuestro enfoque:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-5 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Nosotros <strong>cambi\u00f3 la variable objetivo<\/strong> de hacer un\u00a0<strong>compre<\/strong>\u00a0para hacer un\u00a0<strong>a\u00f1adir a la cesta<\/strong>. Por lo tanto, nuestro modelo pierde un poco en t\u00e9rminos de significaci\u00f3n comercial, pero el aumento del volumen de la clase 1 lo compensa con creces.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Nosotros <strong>entren\u00f3 el modelo en varias ventanas de cambio,<\/strong>cada uno de 3 meses + 3 semanas, en lugar de uno solo. Adem\u00e1s de aumentar nuestros vol\u00famenes de data, esto mejora la capacidad de generalizaci\u00f3n del modelo al entrenarse en varias \u00e9pocas del a\u00f1o en las que los clientes pueden tener comportamientos de compra diferentes. Tenga en cuenta que, debido a esto, el mismo cliente estar\u00e1 presente varias veces en el conjunto de data (en distintos periodos). Para evitar fugas de data, nos aseguramos de que siempre est\u00e9 o bien en el dataset de entrenamiento o bien en el de prueba.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Nosotros <strong>submuestreamos nuestra Clase 0 para que la relaci\u00f3n Clase 1 \/ Clase 0 sea 1<\/strong>. El submuestreo es una buena soluci\u00f3n para tratar el problema del desequilibrio de clases, en comparaci\u00f3n con otras opciones como el sobremuestreo o el\u00a0<a class=\"bv kv\" href=\"https:\/\/machinelearningmastery.com\/smote-oversampling-for-imbalanced-classification\/\" target=\"_blank\" rel=\"noopener ugc nofollow\">SMOTE<\/a>, porque ya pudimos aumentar considerablemente el volumen de la clase 1 con los dos primeros cambios.\u00a0<strong>S\u00f3lo se reequilibra el conjunto de entrenamiento<\/strong>ya que queremos que el conjunto de prueba tenga los mismos ratios de clase que el futuro data en el que lo probaremos. Tenga en cuenta que probamos con ratios m\u00e1s elevados, como 5 o 10, pero 1 result\u00f3 \u00f3ptimo en la evaluaci\u00f3n del modelo.<\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27549%27%20height%3D%270%27%20viewBox%3D%270%200%20549%200%27%3E%3Crect%20width%3D%27549%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 549px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"549\" height=\"auto\" \/><div class=\"fusion-text fusion-text-26\"><p>Utilizando este dataset probamos con varios modelos de clasificaci\u00f3n: Modelo lineal, Random Forest y XGboost, afinando los hiperpar\u00e1metros mediante la b\u00fasqueda en cuadr\u00edcula, y acabamos seleccionando un<strong class=\"hq jr\">\u00a0<\/strong><strong><a class=\"bv kv\" href=\"https:\/\/xgboost.readthedocs.io\/en\/stable\/\" target=\"_blank\" rel=\"noopener ugc nofollow\">Modelo XGboost<\/a><\/strong><strong class=\"hq jr\">.<\/strong><\/p>\n<\/div><div class=\"fusion-title title fusion-title-11 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Evaluaci\u00f3n de nuestro modelo<\/h2><\/div><div class=\"fusion-text fusion-text-27\"><p>Al evaluar un modelo de propensi\u00f3n se pueden realizar dos tipos principales de evaluaciones:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-6 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><strong>Evaluaci\u00f3n Backtest<\/strong><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Evaluaci\u00f3n en vivo<\/strong><\/p>\n<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-12 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Evaluaci\u00f3n Backtest<\/h3><\/div><div class=\"fusion-text fusion-text-28\"><p>Primero realizamos\u00a0<strong>evaluaci\u00f3n backtest<\/strong>:<strong class=\"hq jr\">\u00a0<\/strong>aplicamos nuestro modelo a <strong>pasado hist\u00f3rico data<\/strong>\u00a0y comprobamos que nuestro modelo identifica correctamente a los clientes que van a realizar un a\u00f1adir al carro. Dado que estamos utilizando un clasificador binario, el modelo produce una puntuaci\u00f3n de probabilidad entre 0 y 1 de ser la clase 1 (A\u00f1adir al carro).<br \/>\n<a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/Confusion_matrix\" target=\"_blank\" rel=\"noopener ugc nofollow\">matriz de confusi\u00f3n<\/a><strong class=\"hq jr\">\u00a0<\/strong>y calcular el\u00a0<strong><a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/Precision_and_recall\" target=\"_blank\" rel=\"noopener ugc nofollow\">precisi\u00f3n \/ recall<\/a>\u00a0<\/strong>(o su forma combinada en el<strong><a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/F-score\" target=\"_blank\" rel=\"noopener ugc nofollow\">f1 puntuaci\u00f3n<\/a><\/strong>). Sin embargo, hay dos problemas con estas m\u00e9tricas simples:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-7 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Algunos pueden ser\u00a0<strong>dif\u00edcil de interpretar<\/strong>\u00a0porque el conjunto data est\u00e1 desequilibrado\u00a0<em>(por ejemplo, la m\u00e9trica de precisi\u00f3n ser\u00e1 en general muy baja porque tenemos muy pocas de clase 1)<\/em><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Requieren decidir sobre un\u00a0<strong>umbral de probabilidad\u00a0<\/strong>discriminar entre\u00a0<strong>Clases 0 y 1<\/strong><\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27575%27%20height%3D%270%27%20viewBox%3D%270%200%20575%200%27%3E%3Crect%20width%3D%27575%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article2-1.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 575px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"575\" height=\"auto\" \/><div class=\"fusion-text fusion-text-29\"><p>As\u00ed que decidimos utilizar dos m\u00e9tricas m\u00e1s\u00a0<strong>interpretable<\/strong>:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-8 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><strong>PR AUC: \u00c1rea bajo la curva del gr\u00e1fico de precisi\u00f3n por recuerdo<\/strong>(<a href=\"https:\/\/neptune.ai\/blog\/f1-score-accuracy-roc-auc-pr-auc\" target=\"_blank\" rel=\"noopener ugc nofollow\">consulte esta explicaci\u00f3n para m\u00e1s detalles<\/a>). Esencialmente, esta m\u00e9trica nos permite obtener una <strong>evaluaci\u00f3n global en todos los umbrales posibles.<\/strong>Esta m\u00e9trica se adapta bien a los conjuntos data desequilibrados en los que la prioridad es maximizar la precisi\u00f3n y el recuerdo en la clase minoritaria : la clase 1(al contrario que su primo el ROC AUC)<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><strong>Elevar<\/strong>: clasificamos a los clientes por su puntuaci\u00f3n de probabilidad y dividimos nuestros resultados en 20 ventiles. El ventil se define como el\u00a0<strong>Tasa de la Clase 1 en los 5% superiores \/ la Tasa de la Clase 1 en todo el conjunto de data<\/strong>.\u00a0<em class=\"im\">As\u00ed, por ejemplo, si tenemos 21 % A\u00f1adir a la cesta en el Top 5 % del dataset frente a 3 % A\u00f1adir a la cesta Tasa en todo el dataset tenemos un aumento de 7, lo que significa que nuestro modelo es 7 veces m\u00e1s eficaz que un modelo aleatorio.<\/em><\/div><\/li><\/ul><div class=\"fusion-text fusion-text-30\"><p>Los resultados en esas m\u00e9tricas fueron bastante positivos, sobre todo,\u00a0<strong>Elevar <\/strong>estaba alrededor de\u00a0<strong>13.5.<\/strong><\/p>\n<p>La evaluaci\u00f3n backtest es un m\u00e9todo sin riesgo para una primera evaluaci\u00f3n de un modelo de propensi\u00f3n, pero tiene varias limitaciones:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-9 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Como s\u00f3lo se hace sobre el pasado, la salida del modelo no se est\u00e1 utilizando realmente para <strong>repercuten en la estrategia presupuestaria de los medios de comunicaci\u00f3n.<\/strong><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Con nuestras m\u00e9tricas, s\u00f3lo evaluamos si el modelo era capaz de identificar correctamente a los clientes que har\u00edan un add to cart pero no evaluamos <strong>c\u00f3mo la identificaci\u00f3n de esos clientes generar\u00eda un aumento de las ventas.<\/strong><\/p>\n<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-13 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Evaluaci\u00f3n en vivo<\/h3><\/div><div class=\"fusion-text fusion-text-31\"><p>As\u00ed que para hacernos una mejor idea del valor comercial de nuestro modelo necesitamos realizar\u00a0<strong>evaluaci\u00f3n de la prueba en vivo. Aqu\u00ed activamos nuestro modelo y lo utilizamos para priorizar los gastos del presupuesto publicitario :<\/strong><\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27554%27%20height%3D%270%27%20viewBox%3D%270%200%20554%200%27%3E%3Crect%20width%3D%27554%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article3.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 554px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"554\" height=\"auto\" \/><div class=\"fusion-text fusion-text-32\"><p>Los resultados que obtuvimos en la prueba en vivo fueron muy s\u00f3lidos:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-10 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">En comparaci\u00f3n con un\u00a0<strong>enfoque basado en reglas simples<\/strong> para la propensi\u00f3n a la evaluaci\u00f3n,\u00a0<strong>el ROAS de nuestro modelo fue de +221 %<\/strong><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Adem\u00e1s, tambi\u00e9n comparamos nuestros resultados con los de una fuerte competencia en forma de<strong>\u00a0Puntuaci\u00f3n de calidad de la sesi\u00f3n de Google<\/strong>: una puntuaci\u00f3n proporcionada por Google en el conjunto data de Google Analytics, y en ese caso\u00a0<strong>nuestro modelo segu\u00eda con +73 % ROAS.<\/strong> Esto demuestra c\u00f3mo un enfoque de ML personalizado puede aportar un valor empresarial considerable.<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-14 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Conclusi\u00f3n<\/h2><\/div><div class=\"fusion-text fusion-text-33\"><p>Adem\u00e1s de alcanzar un s\u00f3lido rendimiento, un gran beneficio secundario de nuestro enfoque es que nuestra ingenier\u00eda de funciones es muy gen\u00e9rica. Casi\u00a0<strong>no es necesario adaptar ninguno de los pasos de ingenier\u00eda de caracter\u00edsticas<\/strong> aplicar nuestro modelo a un\u00a0<strong>diferente \u00e1mbito de pa\u00edses o productos<\/strong>. De hecho, tras nuestro primer \u00e9xito en la prueba en vivo, pudimos <strong>extender nuestro modelo a m\u00faltiples pa\u00edses y productos de una manera muy eficaz.<\/strong><\/p>\n<p>Gracias por su lectura. Me encantar\u00eda conocer sus comentarios sobre este enfoque. \u00bfHa construido alguna vez modelos de propensi\u00f3n? Si es as\u00ed, \u00bfqu\u00e9 hizo de forma diferente?<\/p>\n<p><em>Gracias a Bruce Delattre, Rafa\u00eblle Aygalenq y C\u00e9dric Ly.<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/article><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-5 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-margin-top:40px;--awb-margin-bottom:40px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-center fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-4 fusion_builder_column_1_1 1_1 fusion-flex-column fusion-flex-align-self-center\" style=\"--awb-padding-top:40px;--awb-padding-right:40px;--awb-padding-bottom:40px;--awb-padding-left:40px;--awb-overflow:hidden;--awb-bg-position:left center;--awb-bg-size:cover;--awb-border-color:rgba(10,17,40,0.1);--awb-border-style:solid;--awb-border-radius:4px 4px 4px 4px;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper lazyload fusion-column-has-shadow fusion-flex-justify-content-center fusion-content-layout-column fusion-column-has-bg-image\" data-bg-url=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/background.jpg\" data-bg=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/background.jpg\"><div class=\"fusion-image-element\" style=\"text-align:center;--awb-margin-right:20px;--awb-margin-left:20px;--awb-max-width:150px;--awb-caption-title-font-family:var(--h2_typography-font-family);--awb-caption-title-font-weight:var(--h2_typography-font-weight);--awb-caption-title-font-style:var(--h2_typography-font-style);--awb-caption-title-size:var(--h2_typography-font-size);--awb-caption-title-transform:var(--h2_typography-text-transform);--awb-caption-title-line-height:var(--h2_typography-line-height);--awb-caption-title-letter-spacing:var(--h2_typography-letter-spacing);\"><span class=\"fusion-imageframe imageframe-none imageframe-2 hover-type-none\"><img decoding=\"async\" width=\"72\" height=\"41\" title=\"medio\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%2772%27%20height%3D%2741%27%20viewBox%3D%270%200%2072%2041%27%3E%3Crect%20width%3D%2772%27%20height%3D%2741%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" alt class=\"lazyload img-responsive wp-image-60927\"\/><\/span><\/div><div class=\"fusion-title title fusion-title-15 fusion-sep-none fusion-title-center fusion-title-text fusion-title-size-three\" style=\"--awb-margin-top:20px;--awb-margin-bottom:0px;--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-center fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Medio Blog por Artefact.<\/h3><\/div><div class=\"fusion-text fusion-text-34\" style=\"--awb-content-alignment:center;\"><p>Este art\u00edculo se public\u00f3 inicialmente en <strong>Medium.com<\/strong>.<br \/>\n\u00a1S\u00edganos en nuestro Medium Blog !<\/p>\n<\/div><div style=\"text-align:center;\"><a class=\"fusion-button button-flat button-medium button-default fusion-button-default button-1 fusion-button-default-span fusion-button-default-type\" target=\"_blank\" rel=\"noopener noreferrer\" href=\"https:\/\/medium.com\/artefact-engineering-and-data-science\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data-ba1126469c1f\"><span class=\"fusion-button-text awb-button__text awb-button__text--default\">Lea nuestro art\u00edculo<\/span><\/a><\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"<p>Una inmersi\u00f3n en profundidad sobre c\u00f3mo construimos modelos de aprendizaje autom\u00e1tico personalizados de \u00faltima generaci\u00f3n para estimar la propensi\u00f3n de los clientes a comprar un producto utilizando Google Analytics data.<\/p>","protected":false},"featured_media":68690,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[21939],"blog-language":[2991],"class_list":["post-65530","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-medium","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog\/65530","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/68690"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=65530"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=65530"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=65530"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}