Get best of the week

Uso de datos sin procesar en Google Analytics en la práctica

Hace tiempo que creemos que las herramientas estándar de Google Analytics son la mejor manera de obtener información útil. A veces, tuve que lidiar con algunas limitaciones y resultados bastante extraños, y parecía que no tenía fin, hasta que algunos analistas descubrieron Google Analytics 360 y los mecanismos para exportar datos en bruto a Google BigQuery.

Después de solo unas pocas horas de trabajo con herramientas más avanzadas y consultas SQL, pudimos extraer información que nunca hubiéramos recibido utilizando solo informes agregados de Google Analytics. A partir de ese momento, nos enfocamos en estudiar las características de los datos sin procesar (“sin procesar”) y en los beneficios prácticos que los expertos web pueden obtener de ellos.

Este artículo responde las siguientes preguntas:

  • ¿Cuál es la diferencia entre datos sin procesar y resumen?
  • ¿Cuáles son los beneficios de usar datos sin procesar?
  • ¿Cómo acceder a los datos sin procesar?
  • ¿Cómo utilizar estos nuevos datos (ejemplos prácticos)?

¿Cuál es la diferencia entre datos brutos y de resumen en Google Analytics?


Con la versión gratuita de Google Analytics, solo puede obtener datos de resumen. Es decir, la información de visualización completa para una visita y evento en particular no estará disponible. Por supuesto, el informe del Explorador de usuarios contiene mucha información útil que los análisis web pueden usar. Sin embargo, se imponen ciertas restricciones a este archivo: no se escala y no está disponible para descargar.

En la mayoría de los casos, tener solo datos de resumen es suficiente para obtener respuestas a preguntas comunes:

  • ¿Qué campaña genera la mayor cantidad de conversiones?
  • ¿Qué tan común es la tecnología de aprendizaje automático de Feature X (está creciendo su base de usuarios)?
  • ¿De dónde vienen los visitantes (principales fuentes de tráfico)?
  • ¿A qué dispositivos van los usuarios?



No necesita analizar los datos sin procesar para obtener las respuestas a las preguntas anteriores. Las herramientas de informes personalizadas o predeterminadas en Google Analytics pueden hacer esto fácilmente. El principal problema con los datos de resumen es que están agregados. Usted asigna muchos tipos de acciones de usuario que pueden usarse para ocultar información muy útil. Damos un ejemplo con vistas de varias páginas en una sesión. Tenemos dos fuentes con seis sesiones con el siguiente número de páginas vistas en una sesión:

  • Fuente A: 1, 1, 2, 2, 2, 10;
  • Fuente B: 2, 2, 3, 3, 4, 4.

Usando el método estadístico de valores atípicos, se puede determinar que la fuente A caracteriza a un usuario con un menor grado de participación. Pero si tomamos en cuenta solo los datos promediados, podemos concluir sobre la misma participación para ambas fuentes, ya que el número de páginas es el mismo (la mediana puede ser cualquiera).

¿Por qué los informes analíticos estándar no contienen estos datos? La razón principal es el costo computacional. Al proporcionar solo datos de resumen selectivos, no es necesario procesar los millones de filas que contiene el informe. Por lo tanto, la versión gratuita de Google Analytics no contiene herramientas para realizar cálculos avanzados de forma gratuita.

Qué información se puede extraer de los datos sin procesar


Al comprender las limitaciones de los datos de resumen, es hora de descubrir cómo se pueden usar los datos sin procesar. Considere varias opciones para su aplicación.

Duración del evento


Una de las limitaciones a las que se enfrenta cualquier analista web que utiliza herramientas estándar de Google Analytics es que no puede determinar el intervalo de tiempo entre colocar un artículo en el carrito y realizar una compra, independientemente de si esta acción se produce en una sola sesión o no. Por supuesto, para esto puede usar cookies y hacer sus propios cálculos. Pero esto no tiene sentido, especialmente porque Google Analytics ya ha hecho este trabajo por nosotros.

Después de analizar los datos en bruto, puede determinar fácilmente la hora exacta en que ocurrió el evento para un usuario en particular, realizar un análisis comparativo con otro evento para el mismo usuario. También puede agregar datos a su discreción, habiendo obtenido una distribución promedio, mediana o percentil, o usar otro modelo estadístico avanzado. ¿No importa el hecho de que el 20% de los usuarios realizan la acción objetivo en 2 minutos y el 10% durante toda la semana? Con este conocimiento, utilizará varios enfoques para interactuar con estas dos categorías de usuarios.

Análisis de tamaño de audiencia


Los informes de Google Analytics y Google Analytics 360 contienen datos de segmentación de visitantes durante los últimos 90 días. A menudo, para obtener datos confiables, se requiere un análisis a distancias más largas (especialmente para grandes empresas). Según el análisis de los datos sin procesar, puede obtener respuestas a las siguientes preguntas:

  1. ¿Es más probable que los usuarios que participan en la temporada de vacaciones compren el producto en septiembre que la probabilidad de que otras categorías de usuarios realicen una compra en el mismo mes?
  2. ¿Cuál es el efecto de mirar videos durante todo el año y cómo afecta esto al número de conversiones?

Usando datos sin procesar, puede almacenar registros de eventos por tiempo ilimitado y eliminarlos solo cuando estos datos ya están irremediablemente desactualizados.

Relaciones entre datos


Se introduce un coeficiente de correlación para determinar la relación estadística entre dos valores variables. Al analizar grandes cantidades de datos, puede determinar la relación entre dos tipos de comportamiento del usuario:

  • ¿Cómo afectan las páginas vistas al rendimiento de una acción específica?
  • ¿Existe una conexión entre el tipo de contenido consumido y el producto que el usuario finalmente adquiere?
  • ¿Hay productos relacionados? Por ejemplo, si alguien compra el producto A, ¿qué categoría de producto está asociada con él?

Datos de terceros


Por último, pero no menos importante, los datos sin procesar le permiten obtener mucha más información si conecta otras fuentes de datos. Los siguientes son algunos ejemplos ilustrativos:

Datos de comercio electrónico. La herramienta es más útil si guarda el ID de cliente en Google Analytics, que realizó cualquier acción para agregar al carrito o realizar un pedido. Esto le permitirá calcular el valor exacto de la tasa de conversión, incluso si las herramientas de Google Analytics no funcionaron (debido a los bloqueadores de anuncios utilizados por los clientes, la falta de una redirección desde la página de pago, el largo tiempo de espera para que la página se cargue y otras razones). Además, en función de sus propios datos, puede excluir acciones objetivo canceladas y devoluciones para volver a calcular el beneficio real. También le permite calcular indicadores más complejos y cerrados, por ejemplo, margen en lugar de ingresos.

Datos de CRM. ¿Qué podría ser peor que el hecho de que una gran cantidad de leads contenga una gran cantidad de leads irrelevantes? Este es un problema común para los servicios en línea B2B. Al exportar datos CRM con identificadores únicos (identificador de cliente cifrado con el correo electrónico SHA-256, identificador generado, etc.), puede asociarlos fácilmente con identificadores de cliente en Google Analytics. Esto le permitirá calcular no solo el porcentaje de clientes potenciales generados, sino también la tasa de conversión. El análisis multicanal requerirá consultas más complejas, pero puede controlar completamente el proceso de cálculo.

Eventos fuera de línea. El negocio en línea se ve afectado por muchos factores externos: vacaciones, condiciones climáticas, huelgas, un virus mortal que envió a la mitad de la población mundial al autoaislamiento. Google Analytics no brinda la capacidad de introducir nuevos parámetros para estudiar durante un cierto período de tiempo. En cuanto a las anotaciones, no participan en los cálculos y se utilizan únicamente como un elemento de la interfaz de usuario. Sin embargo, sería útil saber cómo las vacaciones afectan el número de ventas.



Para realizar dicho análisis, es necesario recopilar información y proporcionarla en un formato legible. Al hacer esto, tendrá datos relevantes y relevantes.

Anuncios, robots de búsqueda, registros : todos estos datos deben almacenarse en un único repositorio.
Al aprender a compararlos con datos analíticos, puede hacer realidad sus sueños más salvajes:

  • ¿El contenido más largo atrae a los usuarios? Al elegir el robot de búsqueda adecuado (por ejemplo, Screaming Frog), puede establecer la relación entre la longitud del contenido del texto y el número de visitas a la página.
  • ¿El comportamiento de los motores de búsqueda afecta la optimización SEO? Con los datos de registro de BigQuery, puede determinar cómo la frecuencia de las visitas al robot de búsqueda afecta los resultados de búsqueda.

¿Cuál es la rentabilidad real de su negocio? Después de realizar la configuración en el algoritmo de cálculo de atribución, puede medir el retorno de la inversión en campañas publicitarias para todas las plataformas utilizadas.

Herramientas de extracción de datos sin procesar


La información presentada anteriormente favorece los datos sin procesar. ¿Pero cómo conseguirlos? Considere algunos de los métodos más comunes.

Google Analytics 360


Si tiene la suerte de obtener acceso a este servicio o si tiene suficiente presupuesto para pagar el costo de usarlo, tiene la mejor herramienta para extraer datos sin procesar de Google BigQuery. Le permite exportar cualquier información, incluidos datos avanzados de comercio electrónico. Cada línea corresponde a una sesión específica, y puede usar una gran cantidad de parámetros y métricas.

Aplicación Google Analytics + Web y Firebase


Recientemente, la analítica web ha podido exportar datos a Google BigQuery sin tener que comprar Google Analytics 360. Firebase, que es el núcleo de la aplicación Google Analytics + Web, admite la funcionalidad de exportación a Google BigQuery. Se le facturará con Blaze, que utiliza un enfoque de pago por uso. Si tiene un gran portal de Internet, deberá realizar un seguimiento de su presupuesto. Para sitios pequeños, los costos van desde nada hasta unos pocos dólares al mes.

Cada línea corresponde a un evento que contiene una pantalla o página vista. Tendrá que acostumbrarse a esta forma muy específica de presentar datos, que es diferente de la utilizada en Google Analytics. Sin embargo, este servicio puede ser la mejor solución para aquellos que desean usar datos sin procesar.

Otras herramientas gratuitas: Yandex.Metrica y Matomo


No pude probar todas las herramientas, ya que muchas de ellas son pagas. Cada uno de ellos contiene funcionalidades para exportar datos sin procesar. Sin embargo, hay dos servicios en línea absolutamente gratuitos que ofrecen la misma funcionalidad y no cobran por su uso.

Yandex.Metrica es una herramienta absolutamente gratuita que proporciona acceso a datos sin procesar a través de la API de sus registros. Matomo es una herramienta de análisis de código abierto que debe instalarse directamente en su servidor donde se encuentran los archivos del sitio. Exporta los datos sin procesar directamente a su base de datos.

Canal de datos


Otra forma de cargar datos de Google Analytics directamente en su almacén de datos es a través de la canalización de datos. OWOX BI organiza un poderoso flujo de datos entre Google Analytics y BigQuery. Para implementar la funcionalidad, debe crear una tarea personalizada en Google Analytics. Crea copias de la carga útil de Google Analytics y la transfiere al almacén de datos final.

Con suficiente experiencia, podrá crear de forma independiente su propio punto final para cargar datos utilizando la funcionalidad del servicio en la nube y en función del análisis del registro. Los siguientes son dos recursos útiles para ayudarlo a resolver esto:
Simo Ahab - "Cómo construir un monitor GTM". Después de leer este artículo, aprenderá cómo enviar datos a BigQuery utilizando las funciones de la nube. La cantidad de datos transmitidos está limitada a 100,000 filas por segundo, que pueden integrarse en el servicio BigQuery. Si el número de líneas excede el valor máximo indicado anteriormente, deberá agrupar los datos de varios registros.

Centro de ayuda de Google Cloud: arquitectura de seguimiento de píxeles sin servidor Esta fuente analiza el mecanismo para crear su propio píxel de seguimiento, seguido de la integración en BigQuery.

Ejemplos y casos especiales de uso de BigQuery


Ahora conoce los beneficios de usar datos sin procesar y cómo acceder a ellos. Ahora veamos algunos ejemplos que demuestran claramente los principios de trabajar con estos datos.

Establecer una relación entre temas y acciones objetivo en Google Analytics 360 El
análisis se realizó para un sitio de noticias con suscriptores en línea. El objetivo principal del análisis fue establecer una relación (correlación) entre los temas de las noticias que los usuarios leen y las acciones específicas realizadas.

El resultado y las conclusiones:

corr_culture 0.397
corr_opinion 0.305
corr_lifestyle 0.0468
corr_sport 0.009
La categoría más probable de quienes se suscriben al sitio son los usuarios interesados ​​en las secciones "Cultura" y "Opiniones". Por otro lado, si el usuario está interesado en los títulos "Estilo de vida" o "Deporte", la probabilidad de suscribirse es mínima.

Consulta para BigQuery
SELECT
CORR(culture,transac) AS corr_culture,
CORR(opinion,transac) AS corr_opinion,
CORR(lifestyle,transac) AS corr_lifestyle,
CORR(sport,transac) AS corr_sport
FROM(
SELECT
  SUM(IF(hit.page.pagePath LIKE'/culture%',
      1,
      0)) AS culture,
  SUM(IF(hit.page.pagePath LIKE'/opinion%',
      1,
      0)) AS opinion,
  SUM(IF(hit.page.pagePath LIKE'/lifestyle%',
      1,
      0)) AS lifestyle,-
  SUM(IF(hit.page.pagePath LIKE'/sport%',
      1,
      0)) AS sport,      
  COUNT(hit.transaction.transactionId) AS transac
FROM
  `mydatabase.view_id.ga_sessions_*`,
  UNNEST(hits) AS hit
WHERE
  _TABLE_SUFFIX BETWEEN '20191201' AND '20200301'
GROUP BY
  fullVisitorId
ORDER BY
  transac DESC
)


Análisis de cohorte con Firebase


Se tomó para el análisis una aplicación con contenido actualizado regularmente y una alta tasa de estacionalidad. El análisis se lleva a cabo para encontrar respuestas a las siguientes preguntas:
¿Cómo se comportan los usuarios que instalaron esta aplicación por primera vez?

¿Cuál es el mejor momento para atraer clientes que usarán la aplicación de manera regular?

El resultado y las conclusiones: a



juzgar por los datos recibidos, la aplicación es utilizada con mayor frecuencia por los clientes que la descargaron por primera vez en septiembre y diciembre.

Consulta para BigQuery
# change my-app.analytics_123456789 to your ID
WITH cohorte_september
AS
(
WITH
user_september AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
)
ORDER BY month ASC
),

#october

cohorte_october AS
(
WITH
user_october AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october)
)
)
ORDER BY month ASC
),

#november

cohorte_november AS
(
WITH
user_november AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
)
ORDER BY month ASC
),

#decembre


cohorte_decembre AS
(
WITH
user_decembre AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre )
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
)
ORDER BY month ASC
)

SELECT cohorte_september.sessions AS september_cohort,  
 cohorte_october.sessions AS october_cohort,  
 cohorte_november.sessions AS november_cohort,  
 cohorte_decembre.sessions AS december_cohort,  
 month

FROM cohorte_september
JOIN  cohorte_october USING (month)
JOIN  cohorte_november USING (month)
JOIN  cohorte_decembre USING (month)
ORDER BY month ASC


recomendaciones


Lo más probable es que se produzcan cambios serios en el futuro cercano, y Google App + Web se convertirá en algo así como un estándar de la industria. Este enfoque proporciona una mayor integración entre los servicios de Google, como Marketing Platform y Google Cloud Platform, y especialmente BigQuery. Si ha perdido la capacidad de crear consultas SQL (un lenguaje para trabajar con DBMS), le recomiendo que actualice su información en su memoria y la practique.

El análisis avanzado de datos digitales se está convirtiendo en una herramienta cada vez más poderosa debido al fácil acceso a los datos sin procesar, a los procesos informáticos rápidos y eficientes, y a la buena visualización de la información. En un futuro cercano, se implementará una integración aún más estrecha con otros tipos de datos comerciales.

Durante muchos años, los expertos han argumentado que la analítica digital y empresarial debe trabajar en conjunto. Poco a poco, pero con confianza, estamos avanzando hacia la traducción de esta idea en realidad.

More articles:


All Articles