IMPORTANTE:

Asegúrate de completar este lab práctico únicamente en una computadora de escritorio o laptop.

Se permiten solo 5 intentos por lab.

A modo de recordatorio, es habitual no responder de forma correcta a todas las preguntas en el primer intento o incluso tener que volver a realizar una tarea; esto forma parte del proceso de aprendizaje.

Una vez comenzado el lab, no se puede detener el cronómetro. Después de 1 hora y 30 minutos, el lab terminará y tendrás que volver a empezar.

Para obtener más información, consulta la lectura Sugerencias técnicas para el lab.

Resumen de la actividad

Las técnicas de transformación de datos se usan para prepararlos de una forma que les facilite a los usuarios obtener respuestas a sus preguntas sobre el negocio con rapidez y eficiencia. Un ejemplo de análisis de datos que suele requerir transformación es la segmentación de clientes.

La segmentación es el proceso de dividir datos en grupos en función de características comunes para distintos fines, como comprender el comportamiento del cliente, identificar tendencias y orientar campañas de marketing.

El método de Compras recientes, Frecuencia y Valor monetario (RFM) es una técnica de segmentación de clientes. “Compras recientes” se refiere al tiempo desde la última compra del cliente. “Frecuencia” se refiere a la cantidad de compras que ha hecho el cliente. “Valor monetario” se refiere al importe total que el cliente ha gastado.

El método RFM es un enfoque basado en datos para la segmentación que puede usarse para identificar a los clientes con mayor probabilidad de deserción, venta incremental o venta cruzada. También puede usarse para segmentar campañas de marketing con más eficacia.

En este lab, usarás BigQuery para aplicar el método RFM para segmentar datos de clientes. Esto ayudará al equipo de marketing a decidir la mejor manera de orientar sus iniciativas.

Situación

El comercio electrónico TheLook experimentó un rápido crecimiento de clientes en años recientes. Sin embargo, a pesar de este crecimiento, la retención y la satisfacción de clientes disminuyeron.

Como analista de datos en la nube para el comercio electrónico TheLook, te pidieron colaborar con Martina, líder del equipo de Marketing, para encontrar una mejor manera de segmentar sus iniciativas hacia la base de clientes.

Para hacerlo, decides realizar un análisis RFM que identifica tres comportamientos para cada cliente: qué tan reciente fue su última compra, la frecuencia de compra y el importe total gastado. El método RFM es una técnica de segmentación de clientes que te ayudará a clasificar clientes en cuatro grupos: Clientes valiosos, Clientes leales, Clientes en riesgo y Clientes persuasibles.

Este análisis RFM puede ayudar al equipo de marketing a identificar el comportamiento de los clientes y enfocar sus iniciativas a esos comportamientos para mantenerlos comprometidos. Para completar el análisis RFM, usarás técnicas de transformación para explorar un conjunto de datos; agregar, unir y derivar datos, y aplicar un método estadístico a los datos.

Sigue estos pasos para completar esta tarea: primero, analizarás los datos. Segundo, usarás la tabla de pedidos para determinar los más recientes y qué tan a menudo los clientes hacen pedidos. Tercero, usarás una instrucción INNER JOIN para deducir el importe total que pagaron los 10 clientes principales en 2022. Cuarto, crearás un expresión de tabla común (CTE) para consolidar los resultados de la consulta. Finalmente, aplicarás un método estadístico a los cálculos de RFM para la segmentación de clientes.

Configuración

Antes de hacer clic en Comenzar lab

Lee estas instrucciones. Los labs son cronometrados y no se pueden pausar. El cronómetro, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

En este lab práctico, puedes realizar las actividades por tu cuenta en un entorno de nube real, en lugar de una simulación o un entorno de demostración. Para ello, se te proporcionan credenciales temporales nuevas que usarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar (se recomienda el navegador Chrome)

Nota: Usa una ventana del navegador privada o de Incógnito para ejecutar este lab. Así evitarás cualquier conflicto entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab: Recuerda que, una vez que comienzas un lab, no puedes pausarlo.

Nota: Si ya tienes un proyecto o una cuenta personal de Google Cloud, no los uses en este lab para evitar cargos adicionales en tu cuenta.

Cómo iniciar tu lab y acceder a la consola de Google Cloud

1. Haz clic en el botón Comenzar lab. A la izquierda, se encuentra el panel Detalles del lab, que tiene estos elementos:

   • Tiempo restante
   • El botón Abrir la consola de Google
   • Las credenciales temporales que debes usar para el lab
   • Otra información para completar el lab, si es necesaria
   Nota: Si debes pagar por el lab, se abrirá una ventana emergente para que selecciones tu forma de pago.

2. Haz clic en Abrir la consola de Google (o haz clic con el botón derecho y selecciona Abrir el vínculo en una ventana de incógnito) si ejecutas el navegador Chrome. La página Acceder se abre en una pestaña del navegador nueva.

   Sugerencia: Puedes organizar las pestañas de manera independiente (una ventana al lado de la otra) para alternar fácilmente entre ellas.

   Nota: Si aparece el diálogo Elige una cuenta, haz clic en Usar otra cuenta.

3. Si es necesario, copia el nombre de usuario de Google Cloud a continuación, y pégalo en el diálogo Ingresar. Haz clic en Siguiente.

{{{user_0.username | "nombre de usuario de Google Cloud"}}}

También puedes encontrar el nombre de usuario de Google Cloud en el panel Detalles del lab.

4. Copia la contraseña de Google Cloud a continuación y pégala en el diálogo te damos la bienvenida. Haz clic en Siguiente.

{{{user_0.password | "contraseña de Google Cloud"}}}

También puedes encontrar la contraseña de Google Cloud en el panel Detalles del lab.

Importante: Debes usar las credenciales que te proporciona el lab. No uses las credenciales de tu cuenta de Google Cloud. Nota: Usar tu propia cuenta de Google Cloud podría generar cargos adicionales.

5. Haz clic para avanzar por las páginas siguientes:
   • Acepta los Términos y Condiciones.
   • No agregues opciones de recuperación o autenticación de dos factores (esta es una cuenta temporal).
   • No te registres para las pruebas gratuitas.

Después de un momento, se abrirá la consola de Cloud en esta pestaña.

Nota: Para ver el menú con una lista de los productos y servicios de Google Cloud, haz clic en el menú de navegación que se encuentra en la parte superior izquierda de la pantalla.

Tarea 1: Explora los datos

En esta tarea, explorarás los datos disponibles en el conjunto de datos thelook_ecommerce.

1. En el menú de navegación () de la consola de Cloud, selecciona BigQuery.

Nota: Puede aparecer el mensaje Te damos la bienvenida a BigQuery en la consola de Cloud, que proporciona vínculos a la guía de inicio rápido y las notas de la versión por actualizaciones de la IU. Haz clic en Listo para continuar.

2. Para expandir la lista de conjuntos de datos, haz clic en la flecha desplegable junto al ID del proyecto.

3. Desplázate al conjunto de datos thelook_ecommerce. Expande el conjunto de datos y estudia las tablas que aparecen.

Presta atención a las tablas orders y order_items cuando se expanda el conjunto de datos.

4. Selecciona la tabla orders y explora las pestañas Esquema, Detalles y Vista previa.

5. En la pestaña Esquema, mira las columnas (que se muestran en la columna Nombre del campo) de la tabla. Estudia las columnas junto con su información de Tipo.

6. Selecciona la pestaña Detalles y estudia las secciones Información de la tabla e Información de almacenamiento.

7. Selecciona la pestaña Vista previa, que muestra las primeras 1,000 filas de una tabla.

8. En el panel Explorador, selecciona la tabla order_items y explora las pestañas Esquema, Detalles y Vista previa.

Tarea 2: Encuentra los 10 pedidos más recientes

Compras recientes se refiere a qué tan recientemente un cliente hizo una compra. Se mide en unidades de tiempo, como días, semanas o meses. Una puntuación más alta de compras recientes indica que un cliente hizo una compra más recientemente.

En esta tarea, calcularás las compras recientes de pedidos de clientes para determinar qué tan recientemente cada cliente hizo un pedido. Por ejemplo, si la última compra de un cliente fue hace 400 días, su puntuación de compras recientes sería 400.

1. En BigQuery Studio, haz clic en + Redactar consulta nueva. Se abrirá una nueva pestaña Sin título.

Nota: Cada vez que ejecutes una nueva consulta en el Editor de consultas, puedes reemplazar la anterior copiando y pegando la consulta nueva en la misma pestaña Sin título, o puedes hacer clic en el ícono Redactar consulta nueva (+) para abrir una nueva pestaña Sin título y ejecutar la consulta.

2. Copia la siguiente consulta en el Editor de consultas. Dedica un momento a revisar el código de SQL. ¿Puedes anticipar cómo se verán los resultados de la consulta?

SELECT user_id AS customer_id, DATE_DIFF(CURRENT_TIMESTAMP(), MAX(created_at), DAY) AS recency, FROM `thelook_ecommerce.orders` GROUP BY user_id ORDER BY recency DESC LIMIT 10;

3. Haz clic en Ejecutar.

Una tabla muestra los 10 clientes que hicieron pedidos hace más tiempo en la sección Resultados de la consulta en la pestaña Resultados.

Haz clic en Revisar mi progreso para verificar que completaste esta tarea correctamente. Encontrar los 10 pedidos más recientes

Tarea 3: Determina la frecuencia de los pedidos

Se considera que los clientes que hacen pedidos con más frecuencia tienen una mayor compromiso con la marca y es más probable que hagan compras repetidas en el futuro.

En esta tarea, determinarás la frecuencia de los pedidos de clientes (para cada cliente) y contarás la cantidad total de pedidos que hicieron. Por ejemplo, si un cliente hizo 10 pedidos separados, la frecuencia para ese cliente sería 10.

1. Copia la siguiente consulta en el Editor de consultas. Dedica un momento a revisar el código de SQL. ¿Puedes anticipar cómo se verán los resultados de la consulta?

SELECT user_id AS customer_id, COUNT(order_id) as frequency, FROM `thelook_ecommerce.orders` WHERE created_at >= '2022-01-01' and created_at < '2023-01-01' GROUP BY customer_id ORDER BY frequency DESC LIMIT 10;

2. Haz clic en Ejecutar.

Sugerencia: Para encontrar la frecuencia más alta, haz clic en la flecha hacia abajo en la tabla y selecciona Orden descendente.

Haz clic en Revisar mi progreso para verificar que completaste esta tarea correctamente. Determinar la frecuencia de los pedidos

Tarea 4: Determina el importe total gastado

Valor monetario es el importe total que un cliente gastó con una empresa durante un período especificado. Identificar a los clientes que gastan más puede ayudar a las empresas a mejorar las relaciones con clientes y segmentar sus iniciativas de marketing en torno a sus clientes más redituables.

En esta tarea, determinarás el importe total que gastaron los 10 clientes principales en el 2022. Para ello, usarás una instrucción INNER JOIN para conectar las tablas order y order_items. También deberás usar el método SUM() para sumar el precio de venta.

1. Copia la siguiente consulta en el Editor de consultas. Copia la siguiente consulta en el Editor de consultas. Dedica un momento a revisar el código de SQL. ¿Puedes anticipar cómo se verán los resultados de la consulta?

SELECT o.user_id AS customer_id, SUM(oi.sale_price) as monetary FROM `thelook_ecommerce.orders` o INNER JOIN `thelook_ecommerce.order_items` oi ON o.order_id = oi.order_id WHERE o.created_at >= '2022-01-01' and o.created_at < '2023-01-01' GROUP BY customer_id LIMIT 10;

2. Haz clic en Ejecutar.

Haz clic en Revisar mi progreso para verificar que completaste esta tarea correctamente. Determinar el importe total gastado

Tarea 5: Crea una CTE

Una expresión de tabla común (CTE) es un conjunto temporal de resultados en una consulta en SQL. Se crea usando una cláusula WITH y una instrucción SELECT con nombre. Usualmente, se hace referencia a las CTE en otras instrucciones SELECT y facilitan escribir consultas más complejas sin tener que crear tablas nuevas.

En esta tarea, usarás una CTE para escribir una consulta que combina las compras recientes, la frecuencia y los cálculos monetarios que hiciste antes.

1. Copia la siguiente consulta en el Editor de consultas. Dedica un momento a revisar el código de SQL. ¿Puedes anticipar cómo se verán los resultados de la consulta?

WITH rfm_calc AS ( SELECT o.user_id AS customer_id, DATE_DIFF(CURRENT_TIMESTAMP(), MAX(o.created_at), DAY) AS recency, COUNT(o.order_id) AS frequency, ROUND(SUM(oi.sale_price)) AS monetary FROM `thelook_ecommerce.orders` o INNER JOIN `thelook_ecommerce.order_items` oi ON o.order_id = oi.order_id GROUP BY customer_id ) -- You'll now return values from this CTE SELECT * FROM Rfm_calc;

2. Haz clic en Ejecutar.

Haz clic en Revisar mi progreso para verificar que completaste esta tarea correctamente. Crear una CTE

Tarea 6: Aplica un método estadístico a los cálculos de RFM

Los valores de RFM miden qué tan recientemente un cliente hizo una compra, con qué frecuencia lo hace y cuánto gasta cada vez que compra algo. Los cuantiles dividen un conjunto de datos en partes iguales. Por ejemplo, los terciles dividen un conjunto de datos en tres partes iguales y un cuartil en cuatro partes.

En esta tarea, segmentarás a los clientes en este ejemplo usando sus valores de RFM y cuantiles. Usarás la función NTILE() en BigQuery para calcular los cuantiles de los valores de RFM. Esto te dará una mejor comprensión de cómo se distribuyen tus clientes en términos de sus valores de RFM.

Para hacerlo, crearás una CTE nueva llamada rfm_quant. Esta CTE usará la función NTILE() para calcular los cuantiles de los valores de RFM en la CTE rfm_calc que creaste en el paso anterior.

Una vez que crees la CTE rfm_quant, puedes usarla para segmentar a tus clientes.

Finalmente, usarás la instrucción CASE para asignar nombres de categorías para la segmentación de clientes en función de los cuantiles que produjiste. Una instrucción CASE es una instrucción de SQL que te permite evaluar múltiples condiciones y devolver un valor diferente según la condición que se cumpla.

1. Copia la siguiente consulta en el Editor de consultas:

WITH rfm_calc AS ( SELECT o.user_id AS customer_id, DATE_DIFF(CURRENT_TIMESTAMP(), MAX(o.created_at), DAY) AS recency, COUNT(o.order_id) AS frequency, ROUND(SUM(oi.sale_price)) AS monetary FROM `thelook_ecommerce.orders` o INNER JOIN `thelook_ecommerce.order_items` oi ON o.order_id = oi.order_id GROUP BY customer_id ), -- Here you're leveraging the rfm_calc CTE and creating another CTE rfm_quant AS ( SELECT customer_id, NTILE(4) OVER (ORDER BY recency) AS recency_quantile, NTILE(4) OVER (ORDER BY frequency) AS frequency_quantile, NTILE(4) OVER (ORDER BY monetary) AS monetary_quantile FROM rfm_calc ) --And then you perform a select query that assigns categories based on quantile logic and returns values SELECT customer_id,recency_quantile, frequency_quantile, monetary_quantile, CASE WHEN monetary_quantile >= 3 AND frequency_quantile >= 3 THEN "High Value Customer" WHEN frequency_quantile >= 3 THEN "Loyal Customer" WHEN recency_quantile <= 1 THEN "At Risk Customer" WHEN recency_quantile >= 3 THEN "Persuadable Customer" END AS customer_segment FROM rfm_quant;

2. Haz clic en Ejecutar.

Haz clic en Revisar mi progreso para verificar que completaste esta tarea correctamente. Aplicar un método estadístico para cálculos de RFM

Conclusión

¡Muy bien!

Ayudaste a Martina a comprender mejor a sus clientes segmentando los datos.

Primero, analizaste los datos.

Segundo, usaste la tabla de pedidos para determinar los más recientes y la frecuencia con la que los clientes hacen pedidos.

Tercero, usaste una instrucción INNER JOIN para deducir el importe total que pagaron los 10 clientes principales en 2022.

Cuarto, creaste una CTE para consolidar los resultados de la consulta.

Finalmente, aplicaste un método estadístico para el cálculo de RFM para la segmentación de clientes.

Ahora tienes experiencia práctica en el uso de BigQuery para calcular qué tan recientemente y con qué frecuencia los clientes hacen compras. También aprendiste a combinar dos tablas para calcular cuánto gastaron. Luego, usaste esas tablas y cálculos para crear una nueva tabla temporal. Esto te permitió usar métodos estadísticos para agrupar clientes en segmentos.

Vas por buen camino a comprender cómo utilizar el método RFM en fuentes de datos en BigQuery.

Finaliza el lab

Antes de que finalices el lab, asegúrate de estar conforme con la forma en que completaste todas las tareas. Cuando estés conforme, haz clic en Finalizar Lab y luego haz clic en Enviar.

Finalizar el lab te quitará el acceso al entorno del lab y no podrás volver a acceder al trabajo que completaste.

Copyright 2024 Google LLC. Todos los derechos reservados. Google y el logotipo de Google son marcas de Google LLC. El resto de los nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que están asociados.