Marketing con Python

Vamos a ver por qué deberías analizar tus campañas de marketing con Python. 

Como la mayoría de los niños, uno de mis juegos de cumpleaños favoritos era la piñata. Esperaba ansiosamente mi turno, sonreía con los ojos vendados. Me acercaba con un bate en la mano y me balanceaba salvajemente para abrir un costado. Liberando todos los hermosos dulces que tenía guardados. Obviamente tratar de dar en el blanco con los ojos vendadosresulta ser una tarea casi imposible. Lo que es increíblemente frustrante dado el hecho de que sabes con certeza que hay algo escondido en esa piñata.

Tratar de construir una campaña de marketing exitosa sin datos es el equivalente a esperar golpear una piñata con los ojos vendados. Desafortunadamente, trabajar en marketing a menudo puede sentirse de esta manera. Muchos equipos de marketing luchan por asegurar suficientes recursos de analistas para emplear con éxito un enfoque basado en datos en el desarrollo de campañas de marketing de crecimiento. Identificar segmentos de usuarios, descubrir oportunidades de crecimiento, desarrollar modelos de predicción de rotación y retención. Y finalmente, diseñar y analizar el rendimiento y el impacto. Sin datos casi cualquier impacto derivado de las campañas será pura suerte.

Exploración y análisis de datos

No me gusta operar con los ojos vendados. Confío en los datos, y tú también deberías hacerlo.

Así que invertí el tiempo y la energía para aprender a explorar y analizar los datos de marketing por mí mismo. Como una comercializadora de crecimiento que puede llevar a cabo un análisis de datos profundo y significativo, soy capaz de identificar oportunidades de marketing y crecimiento. Además de diseñar experimentos rápidos, analizar los resultados de manera oportuna y responder con ideas de campaña adicionales. Basadas en los resultados de los experimentos, sin necesidad de depender de un científico o analista de datos.

No ha sido fácil. Me tomó casi 2 años para llegar a dominar el SQL, Python y las estadísticas a un nivel que me permita analizar e interpretar adecuadamente los datos para el marketing de crecimiento. Como vendedor, alcanzar este nivel de competencia analítica ha sido una apertura de ojos. Y ahora que he alcanzado este nivel me gustaría ayudar a otros vendedores a quitarse las vendas también.

La verdad es que no es necesario ser un científico de datos para analizar eficazmente las campañas de marketing. Pero si es necesario ser experto en estadística (especialmente en la frecuencia) para poder diseñar e interpretar los experimentos. Si estás empezando, te sugiero que primero tomes cursos de introducción a la Estadística. Si ya eres experto en Estadística, invierte en aprender las funciones básicas de Python. Que te ayudarán a analizar las campañas de marketing de forma más eficiente y con mayor profundidad.

Prueba A/B

La forma más común de experimentación de campañas de marketing es la prueba A/B. También conocida como "prueba de hipótesis". Mientras que programas como Mixpanel o Amplitude ofrecen un puñado de soluciones 'off the shelf' para analizar el rendimiento de las campañas. El uso de Python, incluso en el nivel más básico, permite explorar relaciones más complejas entre los diferentes segmentos de sus datos, identificar posibles errores o problemas y, de hecho, ahorrar tiempo a través de la automatización.

Echemos un vistazo más detallado a cómo empezar a desplegar el análisis de tus campañas de marketing con Python:

Simplifica tu análisis de datos exploratorios (EDA)

Cada análisis comienza con el conocimiento de tus datos. Esto incluye (pero no se limita a): comprender la forma en que están estructurados los datos o eliminar las columnas innecesarias. Tampoco a abordar los nulos, ejecutar estadísticas de resumen y explorar las posibles relaciones mediante la creación de segmentos o grupos. Y por último, realizar la exploración visual mediante el trazado de los datos.

Como la mayoría de las funciones que utilizarás están incluidas en cada EDA que lleve a cabo, puedes crear una plantilla, o utilizar la que he creado aquí, para que la exploración de tus datos sea sencilla y rápida.

Descubrir las relaciones en tus datos

Cada campaña de marketing tiene objetivos específicos, y la mayoría de las campañas se centrarán en una métrica de conversión. Digamos que estás enviando una explosión de correo electrónico para informar a los usuarios sobre un descuento por tiempo limitado para tu producto. Para analizar adecuadamente el impacto de su campaña, necesitará definir las métricas de conversión, como la tasa de conversión de los usuarios que canjearon el descuento de los destinatarios del correo electrónico, así como la tasa de conversión de los usuarios que siguieron utilizando el producto después de canjear el descuento.

Es probable que tu campaña convierta a algunos segmentos de usuarios más que a otros, por lo que será conveniente repetir el análisis en diversos segmentos de la población para identificar las diferencias de impacto.

Utilizando Python puedes definir un bucle que recorra los diferentes segmentos de tu población y calcular la tasa de conversión de cada uno de ellos. Sus segmentos pueden ser cualquier cosa desde grupos de edad, nivel de compromiso, o cualquier otro segmento de interés. Python te permite explorar rápidamente la conversión a un nivel más granular, algo que toda campaña de marketing exitosa necesita. Sin Python te encontrarás gastando una cantidad significativa de tiempo repitiendo análisis similares.

Vamos a verlo en la práctica

Ahora pongamos estos principios en práctica.

• Paso 1: Definir las fórmulas para las tasas de conversión y retención.

La tasa de conversión se calcula dividiendo el número total de usuarios convertidos por el número total de usuarios a los que se apunta. En este ejemplo supondremos que los datos ya están limpios de nulos, y organizados de tal manera que cada usuario está marcado si fue objetivo de la campaña, si se convirtió después de la campaña, y/o si fue retenido después de la campaña.

Ejecutar estas fórmulas en tus datos te dará los índices generales de conversión y retención. Debes comparar tus resultados con un control si estás llevando a cabo este análisis como parte de un experimento. O comparar los resultados con otros puntos de referencia definidos en el diseño de la campaña.

• Paso 2: Acelera tu análisis usando funciones automatizadas

Una vez que tengas una comprensión general del rendimiento de tu campaña, querrás sumergirte más profundamente. Para descubrir las diferencias de rendimiento entre los subgrupos de tu población a lo largo de la duración de la campaña. Así como comparar ciertas características de tu población.

Aquí es donde el uso de Python puede realmente acelerar tu análisis. Usando funciones personalizadas puedes analizar la tasa de conversión y retención para cualquier subgrupo deseado de tu población. Como diferentes idiomas, fechas de servicio o cualquier otra característica relevante de tu población objetivo.

En primer lugar, crea funciones personalizadas que asuman cualquier conjunto de datos y columna y devuelvan los índices de conversión y retención de cada segmento. Esto se hace utilizando una función de "agrupación por". A continuación, puedes calcular las tasas de conversión y retención de manera similar a como lo hiciste en el paso 1. Y devolver el resultado como un nuevo marco de datos. Toma nota de que es posible que tengas que desagrupar los resultados primero. Sus funciones deben ser similares a las siguientes:

Aunque se pueden fusionar estas dos funciones en una sola, en general prefiero mantenerlas separadas. Ya que es posible que desee explorar diferentes características que afectan al rendimiento específico de cada una. Por ejemplo, en algunos casos puede ocurrir que las tasas de conversión de ciertos grupos sean más bajas. Pero que sus tasas de retención sean más altas. Por lo que tendrá que explorar más a fondo las características que pueden haber afectado a cada tasa por separado.

• Paso 3: Utilizar funciones de trazado personalizadas para detectar relaciones, e identificar posibles inconsistencias en los datos

El uso de un formato de tabla para explorar el impacto de diferentes características y segmentos puede empezar a resultar abrumador. A menudo es más fácil utilizar las funciones de trazado para detectar visualmente (y rápidamente) las fluctuaciones y las posibles relaciones que afectan a los resultados generales. Se pueden definir funciones de trazado personalizadas para ahorrar tiempo y permitir una depuración más fácil.

Puede haber varias razones para las fluctuaciones de tus datos. En algunos casos, es posible que los usuarios conviertan de forma diferente en determinados días de la semana o a determinadas horas del día. En otros casos puede observar diferencias en el rendimiento de ciertos idiomas. Lo que podría ser indicativo de cuestiones relacionadas con la traducción de la campaña. Y de si la campaña se sirvió en los idiomas correctos o no a los usuarios. Incluso puede identificar la necesidad de utilizar diferentes tipos de visuales, colores o disparadores para localizar mejor la campaña en diferentes mercados.

Para profundizar en los datos y resolver las incoherencias puede ser necesaria una codificación más avanzada. Lo cual está fuera del alcance de este artículo. Exploraré cómo manejar estos temas en un post separado en el futuro. Mientras tanto, si identificas cualquier posible inconsistencia en tus datos te recomiendo que consultes con los analistas de tu organización. Mientras construía mi conjunto de habilidades analíticas, encontré que las aportaciones de mis colegas analistas eran absolutamente invaluables.

Identificar el significado y ascenso

A medida que empiece a descubrir las relaciones y las tasas de conversión de los subgrupos de su población objetivo, deberás calcular el aumento. Lo que te permitirá comprender la tasa en la que tu campaña aumentó realmente la conversión. Si diseñaste tu campaña en forma de prueba de hipótesis (también conocida como prueba A/B), primero tendrás que dividir los datos en los grupos de control y tratamiento pertinentes. Y luego calcular la tasa de conversión de cada grupo por separado. A partir de ahí, calculará la diferencia entre la tasa de conversión del grupo de tratamiento y la tasa de conversión de control. Dividida por la tasa de conversión de control.

Usando Python, podemos definir una función para eso:

Tasas de conversión, retención y ascenso

Por último, las tasas de conversión y retención y el ascenso que descubras no tendrán sentido sin entender su significado estadístico. Para hacer eso necesitarás realizar una prueba T. Hay varios tipos de pruebas T, dependiendo del diseño de su experimento y campaña. En este caso, veremos un cálculo de dos pruebas T de muestra. La prueba T nos proporcionará una estadística T y un valor P que determinará la probabilidad de obtener un resultado al menos tan extremo como el resultado con el que terminaste. Es decir, ¿fue el resultado de esta campaña el resultado de una casualidad aleatoria, o fue la campaña realmente impactante?

En general, una estadística T de al menos 1,96 se considera estadísticamente significativa a un nivel de significación del 95%. Nuestro valor P deberá ser menor de 0,05 para considerar nuestros resultados estadísticamente significativos.

Ejecutar una prueba T en Python es realmente muy simple cuando se utiliza la biblioteca de SciPy. Debería ser similar a lo siguiente:

A fin de obtener la imagen más exacta de los grupos para los que su campaña tuvo éxito, es importante estimar el ascenso. Y ver si los resultados fueron estadísticamente significativos entre los subgrupos y la demografía de su población objetivo. Si no se descubre el aumento y la importancia estadística de los subgrupos que representan a la población objetivo, se puede llegar a una falsa conclusión sobre el impacto general de su campaña.

En resumen del Marketing con Python

Aunque muchos equipos de comercialización pueden carecer de suficientes recursos de analistas, cada equipo puede adoptar un enfoque de comercialización más basado en los datos. Los profesionales del marketing, y específicamente aquellos que se centran en el marketing de crecimiento, pueden beneficiarse enormemente aumentando su dominio de las estadísticas y codificando lenguajes como el Python para desarrollar campañas más significativas y analizar adecuadamente su impacto.

En este post cubrimos cómo el uso de Python puede ayudarte. (1) descubrir rápidamente las relaciones en los datos que afectan al uso de su producto. (2) agilizar el análisis de cada campaña, lo que le permitirá experimentar aún más. Y (3) optimizar sus campañas para aumentar las tasas de conversión y retención.

Invierta el tiempo en el aprendizaje de las herramientas que necesita para ser el mejor vendedor de crecimiento posible. Descubrirás que la recompensa es aún mejor que ese viejo caramelo de piñata.

Articulo escrito por Limor Goldhaber para la Página web Towards Data Science. Si deseas leer la versión en Ingles del artículo "Marketing con Python", haz clic aqui.

¡Conoce nuestro nuevo curso de #datascience aplicado a los #negocios y sus contenidos bonus solo disponibles este mes de Octubre! Además, descubre todos nuestros cursos de Python aquí.