Archivos de la categoría Gestion de pujas

¿Cómo automatizar tus tareas diarias en Adwords?

post1

Adinton es una herramienta que te permite optimizar tus campañas de SEM, automatizando los trabajos repetitivos que haces día tras día:

  1. Añadir Search Terms

 

  1. Negative Keyword Research

  1. Keyword Research

Adinton obtiene las mejores keywords a nivel de volumen de ventas y CPAs y realiza un keyword research automatizado, generando las campañas, Adgroups y Adtexts. Lo subimos en pausa, solo tienes que repasar y activar. Lo que no te guste siempre lo puedes añadir como keyword negativa.

  1. Reglas automatizadas de pujas

Adinton te ofrece nuevos CPCmax según tus objetivos de CPA, quality score, objetivo de ventas…

DATA MINING EN SOCIAL MEDIA

Data mining o la minería de datos, es el proceso de extraer, transformar y analizar data desde diferentes puntos de vista con el objetivo de obtener información útil. Esta información, normalmente se usa para aumentar ingresos, disminuir gastos o ambos. El data mining tiene su origen en la inteligencia artificial al igual que la estadística. Existen diferentes técnicas para extraer datos para su posterior análisis,  las más representativas son:

Regresión lineal – Es el modelo matemático que nos modela la relación entre dos variables. Una variable dependiente “Y” y una variable independiente “X”.

Árboles de decisión – Procedente de la inteligencia artificial, es un modelo de predicción dónde se constituyen diagramas de construcciones lógicas que nos categorizan una serie de condiciones que ocurren sucesivamente.

Modelos estadísticos – Son ecuaciones que se utilizan para indicar cómo diferentes factores modifican una variable de respuesta.

Clustering – Es un procedimiento de agrupación de diferentes vectores base a un mismo criterio. Éste criterio se define con una función que nos permitirá agrupar a nuestros vectores.

Con el uso del data mining aplicado a nuestras redes sociales, podremos obtener la máxima información y con ella crear estrategias para optimizar nuestras campaña y alcanzar nuestros KPI. Con la información de Redes Sociales como Twitter, podremos obtener mapas de conexión semánticos entre usuarios, análisis de sentimientos hacia nuestra marca u mineria de opiniones.

Tweets towards your brand (1)
Clasifiación de Tweets por marca

 

Para poder practicar el data mining hay que tener o bien conocimientos de lenguajes de programación o tener acceso a determinados software que nos permitan recolectar y transformar nuestros datos para poder sacar información útil.  Como lenguajes, nosotros destacaríamos Python y R. Python es un lenguaje de programación cuya sintaxis tiene como objetivo ser legible. R es un lenguaje de programación que popularmente se utiliza para el análisis estadístico y gráfico. Como software especializado destacaríamos RapidMiner, R Studio u Orange.

A continuación comentaremos algunas ideas de proyectos que se pueden llevar a cabo con R,  Python u otro software que te permita recolectar y transformar datos. Este artículo está orientado a profesionales interesados en extraer la máxima información de sus redes sociales.

  • TWITTER

Con más de 500 millones de tweets al día, es una de las plataformas de social media más importantes para cualquier empresa.

Si eres una organización que utiliza Twitter de forma activa te podría interesar saber quién es tu público objetivo y compararlo con el grupo objetivo que tienes en otras plataformas o el grupo objetivo que tú crees tener. Para ello podrías analizar a tus seguidores. A parte de los datos demográficos, sexo y edad, podría interesarte saber el porcentaje de engagement que tienen con tus publicaciones. El porcentaje de retweet, cuotas, plays en tu video etc. Además podrías comparar estos mismos datos con la competencia para analizar tu posicionamiento. De esa forma, podrías averiguar qué tipo de publicación te conviene más respecto a tu competencia.

sss
Imagen de sproutsocial.com sobre la relación tipo de publicación y retweets

Otra estudio a aplicar en Twitter cuando queramos lanzar una campaña de pago, podría ser, agrupar a todos los seguidores de nuestros competidores y una vez tengamos una lista podríamos analizar los intereses más comunes o si siguen a perfiles parecidos. Una vez tengamos la información podremos decidir qué tipo de público nos conviene más para mostrar nuestros anuncios. Podría ser que de todos los seguidores de mi competencia, tengamos que la mayoría son varones de 20 a 45 años de la zona de Cataluña, que tienen como intereses comunes la cerveza, el fútbol y los coches. Con toda esta información podríamos segmentar nuestra campaña de pago en Twitter a todos estos usuarios con los intereses comunes encontrados.

Desde Twitter, también podríamos analizar el antes y después de una campaña de marca lanzada en Twitter. Imaginemos que hemos lanzado una campaña publicitaria para aumentar la visibilidad de nuestra marca. Con los datos de Twitter podríamos averiguar qué tipo de grupo impactado ha sido quién nos ha decidido seguir, la edad, el sexo, localización geográfica e otros datos descriptivos. Pero también podríamos analizar qué tipo de palabras han usado al referirse a nuestra marca y si ellas han sido positivas u negativas.

  • FACEBOOK

Con más de 1.300 millones de usuarios activos compartiendo información de todo tipo, esta plataforma nos da infinita información sobre nuestro público objetivo. Con Facebook además de la información descriptiva, también podríamos por ejemplo averiguar el porcentaje de engagement separado por país de procedencia de nuestros usuarios. Por lo que si tenemos diferentes páginas de Facebook separadas por tipo de país. Podríamos sacar por grupo de edad y sexo, el porcentaje de engagement con nuestras publicaciones.

Pocentage de engagement con nuestras publicaciones por país
Pocentage de engagement con nuestras publicaciones por país
  • GOOGLE ADWORDS

Siendo Google el buscador más utilizado globalmente. La plataforma para anuncios de pago de Google, nos ofrece la oportunidad de impactar a aquellos usuarios que buscan por servicios o productos relacionados con lo que nosotros ofrecemos.

Podemos utilizar nuestros datos, obtenidos por data mining en nuestras Redes Sociales, para lanzar campañas de Google Adwords Display. Las campañas de Adwords pueden ser segmentadas por palabra clave, ubicaciones, intereses, temas o listas de remarketing.

Si conocemos los intereses, grupo de edad y zona geográfica de nuestro público objetivo, podemos lanzar campañas de Display segmentadas por temas o intereses. La diferencia entre estas dos reside en que la segmentación por temas permite mostrar anuncios en páginas relacionadas con el tema escogido. De lo contrario, la segmentación por intereses, permite mostrar anuncios a los usuarios que previamente han tenido un interés en un tema específico pero el anuncio se mostrará independientemente de la página en la que se encuentre el usuario.

Como ejemplo, si sabemos que nuestro público objetivo  en Twitter y Facebook  son varones de 20 a 45 años de la zona de Cataluña, que tienen como intereses comunes la cerveza, el fútbol y los coches, entonces, podríamos crear una campaña de Adwords Display segmentada a éste público.

En resumen, las posibilidades de aplicar los resultados obtenidos por data mining a tus estategias de Social Media y PPC son infinitas. Además existen centenares de ideas y ejemplos de cómo aplicar estos conocimientos en la web.  Grandes plataformas como Twitter, Facebook, Linkedin, TripAdvisor entre otros, nos ofrecen acceso a sus API para que nosotros podamos extraer los datos que nosotros necesitemos.

Introducción a R para Marketinanos

* ¿Qué es R?

R es una herramienta diseñada para el análisis estadístico y gráfico dirigido mayormente a profesionales del campo de la investigación, analistas de datos y estadísticos entre otros. A través de sus diferentes paquetes personalizados, R nos proporciona amplias posibilidades para tratar, analizar y explorar datos. Por mencionar algunos ejemplos, R nos permite crear y visualizar modelos de regresión lineales/no lineales, crear mapas de visualización de datos, analizar correlación entre variables, etc.

Para sacar el mayor provecho de todo lo que nos puede proporcionar R, es necesario aprender su lenguaje. Una vez lo dominemos, seremos capaces de extender y definir nuestras propias funciones para sacarle el mayor rendimiento a nuestros datos.

El software de R está disponible para varios sistemas operativos, entre ellos, Windows, Linux, Mac. En este manual de iniciación a R nos centraremos en la instalación y interacción desde Windows, pero proporcionaremos links y documentación para todos aquellos que tengan otro tipo de sistema operativo.

 * ¿Por qué R y no un programa estadístico?

 R es un software libre. Permite a los usuarios la libertad de usar, modificar y redistribuir el software a su parecer. El mayor beneficio de un software libre es que si existe una comunidad amplia y activa, las posibilidades de mejorar el software son infinitas.

http://www.r-project.org/

R nos permite crear y modelar funciones a nuestro parecer. El software nos permite guardar nuestros scripts para volver a usarlos cuando los necesitemos. Con esto ganamos agilidad en el momento de procesar nuestros datos.
Asimismo R no sólo nos permite obtener tablas donde exponer nuestros resultados, sino que también es una herramienta ideal para visualizar datos de manera sencilla gracias a los paquetes especializados de gráficas, histogramas o mapas

Hypercubes graph with R
Hypercubes graph with R

 

Uno de mayores beneficios de R es su amplia comunidad de usuarios, que a través de varias páginas y blogs, comparten sus conocimientos y trabajan para mejorar y optimizar el proceso de análisis. Si te surge alguna duda siempre puedes acudir a ellos:

http://www.r-bloggers.com/

http://stackoverflow.com/tags/r

http://www.crantastic.org/

 

Por último, tendrías que considerar R si lo que quieres es una herramienta versátil que te permita manipular tus datos con facilidad y presentarlos de manera atractiva. Con R podrás procesar y analizar big data de manera extensiva creando tus propias funciones para tener una visión más específica de tus datos. Además, gracias a los paquetes de R, podemos utilizarlo para diferentes tipos de investigación. Desde cuestionarios cuantitativos, hasta mapas de calor o datos cualitativos de nuestras cuentas de Facebook o Twitter. Finalmente, remarcar que R es completamente gratis y además tiene todo el apoyo de grandes organizaciones como Google, Twitter o Facebook entre otros.

* ¿ Qué partido podemos sacarle a R?

Desde el punto de vista de un marketiniano, R nos puede ser de mucha ayuda para investigaciones tanto offline como online. A continuación daremos un breve ejemplo de los múltiples escenarios donde poder sacar partido a R. Detallaremos más ejemplos prácticos en el próximo apartado.

Offline:

Cuestionarios cuantitativos a consumidores; Con ello podemos testear modelos de atribución con varias variables. Éstos se pueden analizar con el paquete “survey” de R. En este paquete encontraremos variables como la media, modelos de regresión, varianzas de Taylor, diferentes tipos de ratios, modelos loglineares etc.

Online:

Text Mining en plataformas como Twitter o Facebook; Desde las diferentes API podemos obtener data de nuestras plataformas en tiempo real.

Si quisiéramos comparar nuestras publicaciones de Twitter para ver cuál ha sido la que más nos ha ayudado a conseguir nuestro objetivo, podríamos analizar la cantidad de retweets, la cantidad de followers que interactuaron, la procedencia de éstos followers y hasta la cantidad de palabras positivas y negativas que hubieron al respecto.

Graph with R about clusters of friends on Facebook
Graph with R about clusters of friends on Facebook

Con Facebook, podríamos sacar datos de la procedencia de nuestros “amigos” y la edad, para averiguar quien es nuestro público objetivo, qué segmento nos da a más “me gusta” o comparte nuestras publicaciones.

La cantidad de información que nos proporcionan fuentes como Twitter, Google Analytics, Facebook… nos permite abrir nuestros horizontes para conocer a nuestros consumidores, crear estrategias y hacer previsiones futuras. Lo mejor es que todo se puede tratar desde un mismo software, R, y ésto nos permite ahorrar mucho tiempo y dinero.

Descargar los programas (R y RStudio) y paquetes adecuados

Primeramente nos tendremos que ir a http://cran.rstudio.com/  y descargar la última versión de R (Si tienes otro sistema operativo, accede al mismo link y allí encontrarás las diferentes versiones de R). A continuación, aceptamos la licencia y iniciamos la instalación. Una vez instalado R, podremos instalar R Studio (Interface de R que nos permitirá usar R de manera más sencilla). http://www.rstudio.com/products/rstudio/download/. A continuación tenéis dos links que os ayudarán a instalar y conocer el funcionamiento de R y R Studio:

https://www.youtube.com/watch?v=cX532N_XLIs (Para instalar R)

https://vimeo.com/97166163 (Conoce la Interface de R Studio)

En cuanto a los paquetes, es recomendable descargarse swirl. Swirl es un curso que nos ayudará a conocer el funcionamiento de R mediante una serie de ejercicios diseñados para iniciarnos en el mundo de R. Aplicaremos el siguiente comando en la pantalla inferior izquierda de R studio

install.packages(“swirl”)

Y a continuación, cargaremos la librería de Swirl en nuestro directorio con el siguiente comando:

library(swirl)

¿Y ahora qué hacemos?

Anteriormente os hemos hecho descargar Swirl. Este curso es esencial para iniciarse en el mundo de R si partes de un conocimiento bajo o nulo sobre programación.

https://github.com/swirldev/swirl_courses#swirl-courses

También existen varios cursos online gratuitos sobre iniciación a R donde se os proporcionarán ejercicios prácticos pero sobretodo se os enseñará la importancia de la comunidad de usuarios de R, donde podréis preguntar vuestras dudas y tener acceso a gran cantidad de material didáctico.

https://github.com/swirldev/swirl_courses#swirl-courses (Curso online de programación en R)

https://www.coursera.org/course/datascitoolbox (Curso online de iniciación al análisis de datos por Facebook)

https://www.udacity.com/course/data-analysis-with-r–ud651 (Curso online ejemplos prácticos de análisis de datos con R por Facebook)

http://tryr.codeschool.com/ (Ejercicios con las funciones básicas de R)

https://www.youtube.com/playlist?list=PLOU2XLYxmsIK9qQfztXeybpHvru-TrqAP (Introducción de R por Google Developers)

*Casos prácticos con R

Aquí tenéis una serie de casos prácticos que os darán una visión más amplia de lo que se puede hacer con R. El primer ejemplo, utiliza como fuente los datos de una cuenta de Google Analytics para averiguar cúal de las campañas de marketing activas es la que proporciona un mayor beneficio a largo plazo.

Google Analytics:

https://developers.google.com/analytics/solutions/r-google-analytics

El segundo ejemplo utiliza la API de Twitter para averiguar qué tipo de palabras se asocian a los comentarios que contiene una determinada cuenta de Twitter

Twitter API:

http://www.rdatamining.com/docs/text-mining-with-r-of-twitter-data-analysis

El último ejemplo utiliza la API de Facebook para averiguar el comportamiento de nuestros “amigos” en Facebook. Éste ejemplo en concreto nos presenta el cambio de comportamiento, respecto al uso de Facebook, que tiene un usuario cuando pasa de un estado sentimental a otro

Facebook API:

http://www.r-bloggers.com/because-its-friday-love-in-the-land-of-facebook/