El columnista David Fothergill muestra cómo la visualización de datos puede desbloquear información sobre el rendimiento de AdWords que de otro modo no habría obtenido.
La visualización de datos es una de las herramientas más poderosas disponibles si desea explorar y comprender sus datos, ya sea a pequeña escala o a una escala que los califique como «big data».
En esta publicación, quería repasar algunos de los elementos fundamentales de la visualización de datos e ilustrar por qué estos conceptos comienzan a revelar información una vez combinados.
Utilizaré un conjunto de datos muy simple con algunas conclusiones bastante lógicas para centrarme en el efecto de diferentes técnicas, evitando agregar cualquier complejidad innecesaria.
Un ejemplo simple de diagrama de dispersión
Para el propósito de esta publicación, consideremos un enfoque de diagrama de dispersión para un conjunto modesto de datos de palabras clave de AdWords. Mi conjunto de datos ficticios consta de datos de ~ 700 palabras clave durante un período de un mes, con campos que reflejan métricas de costo, clics, conversión e ingresos.
Como punto de partida, tracemos el costo por clic (CPC) frente a los ingresos por clic (RPC), representados en el X y y eje respectivamente:
Todo muy bonito, pero en realidad no nos dice demasiado. Lo que podemos extraer de esto es que la relación es bastante amplia, con algunas palabras clave que ofrecen mucho más en cuanto al ROI y algunas palabras clave en la esquina inferior derecha que parecen no ser rentables.
Agregar contexto mediante la segmentación
Si alguna vez desea intentar agregar un contexto útil a un conjunto de datos, la segmentación es una forma realmente agradable y elegante de lograrlo. Al instante (asumiendo que ha aplicado una segmentación relevante), comenzará a poder comparar y evaluar patrones / tendencias en diferentes grupos, que a menudo es el punto de partida hacia la información que será útil.
Una segmentación simple y relevante en este ejemplo podría ser tipo de concordancia de palabra clave. Otros ejemplos (como campaña, tipo de usuario o dispositivo) pueden proporcionarnos más detalles, pero siempre me gusta el tipo de concordancia como ejemplo de entrenamiento.
Tomando nuestro cuadro anterior y aplicando un esquema de color a los puntos según el tipo de concordancia de palabras clave, obtenemos el siguiente cuadro:
Lo mejor de este enfoque es la facilidad con la que se pueden interpretar los gráficos; instantáneamente, los patrones y los grupos comienzan a revelarse. ¿Esas palabras clave no rentables en la esquina inferior derecha? Coincidencia amplia. De hecho, la mayoría de los términos de Coincidencia amplia se mueven hacia abajo y, por lo tanto, funcionan por debajo de la media.
Esto nos brinda una perspectiva procesable e información valiosa sobre dónde invertir el tiempo y los recursos de manera más efectiva. Tomar decisiones informadas sobre dónde investigar más a fondo es algo excelente si desea mejorar el rendimiento de la cuenta.
Como ejemplo adicional, podríamos aplicar esta idea de contexto de una manera diferente, dividiendo cada segmento en su propia trama, por ejemplo, que revela más sobre los patrones individuales y la dispersión:
Trazando relaciones
Finalmente, cuantificando los patrones, podemos ver que las líneas de tendencia o «regresión» agregan una confirmación adicional de los patrones. Usando los gráficos de «división» alternativos que se muestran arriba, agreguemos la línea de regresión y evaluemos la relación entre RPC y CPC:
Entonces, resulta que muchas de las palabras clave de concordancia amplia tienen un alto costo por clic, que no se corresponde con un aumento en los ingresos por cada clic. Este problema debe abordarse y se puede hacer de varias maneras (canalizando cualquier gasto aquí a nuevos tipos de palabras clave de concordancia no amplia, reduciendo las ofertas no rentables más altas, etc.).
No esperaríamos una relación causal positiva aquí (es decir, pagar más, obtener más), por lo que la pendiente descendente razonablemente suave en términos de coincidencia exacta y de frase no es una preocupación.
Escalado para mayor claridad
He trazado lo anterior sin ningún ajuste a la escala, ya que no era una prioridad, dadas las dos métricas utilizadas. Sin embargo, vale la pena hablar un poco sobre esto con dos ejemplos.
1. Log transformaciones
Al graficar datos con varios órdenes de magnitud, las grandes diferencias de escala pueden dificultar la lectura de los datos. Una buena forma de evitar esto es realizar una transformación logarítmica de los datos. Esto preservará el orden y la relación de los datos pero “aplastará” el extremo más extremo de la escala.
Para mostrar el efecto de esto, a continuación se muestra el gráfico estándar de «clics frente al costo» para mi conjunto de datos (izquierda), en comparación con los mismos datos dados una transformación de registro y re-trazado (derecha). Como puede ver, los valores atípicos estiran la gráfica para que la mayoría de los datos sean indescifrables:
2. Ejes compartidos
Existe una relación importante entre los ingresos por clic y el costo por clic. Si estamos pagando más de lo que se genera en ingresos (o en un sentido más verdadero, beneficio por palabra clave), entonces este es un umbral en el que estamos muy interesados.
Si cambio la trama para que el X y y eje comparten la misma escala, entonces podemos dibujar una línea a 45 grados, que representa este umbral:
Resumen
Con suerte, este paseo por algunas de las formas de crear gráficos útiles a partir de sus datos ha sido de interés y ha ayudado a ilustrar las razones por las que estas sencillas técnicas añaden valor.
Una nota sobre las herramientas utilizadas para el análisis: Soy un gran admirador de hacer mi análisis en cuadernos de Jupyter (anteriormente iPython) debido a la flexibilidad que Python y R brindan para manipular y visualizar datos en comparación con Excel. Por esa razón, los ejemplos de este documento se representan en este entorno.
Las opiniones expresadas en este artículo pertenecen al autor invitado y no necesariamente a El Blog informatico. Los autores del personal se enumeran aquí.