Get best of the week

Usando dados brutos no Google Analytics na prática

Acreditamos há muito tempo que as ferramentas padrão do Google Analytics são a melhor maneira de obter informações úteis. Às vezes, eu tinha que lidar com algumas limitações e resultados bastante estranhos, e parecia que não havia fim, até que alguns analistas descobriram o Google Analytics 360 e os mecanismos para exportar dados brutos para o Google BigQuery.

Depois de apenas algumas horas trabalhando com ferramentas e consultas SQL mais avançadas, conseguimos extrair informações que nunca receberíamos usando apenas relatórios agregados do Google Analytics. A partir desse momento, focamos no estudo dos recursos de dados brutos ("brutos") e em quais benefícios práticos os especialistas da Web podem obter deles.

Este artigo responde às seguintes perguntas:

  • Qual é a diferença entre dados brutos e resumidos?
  • Quais são os benefícios do uso de dados brutos?
  • Como acessar dados brutos?
  • Como usar esses novos dados (exemplos práticos)?

Qual é a diferença entre dados brutos e resumidos no Google Analytics


Usando a versão gratuita do Google Analytics, você pode obter apenas dados resumidos. Ou seja, as informações completas de visualização de uma visita e evento específicos não estarão disponíveis. Obviamente, o relatório do User Explorer contém muitas informações úteis que a análise da web pode usar. No entanto, certas restrições são impostas a esse arquivo: ele não é dimensionado e não está disponível para download.

Na maioria dos casos, ter apenas dados resumidos é suficiente para obter respostas para perguntas comuns:

  • Qual campanha gera mais conversões?
  • Quão comum é a tecnologia de aprendizado de máquina do Feature X (sua base de usuários está crescendo)?
  • De onde vêm os visitantes (principais fontes de tráfego)?
  • De quais dispositivos os usuários acessam?



Você não precisa analisar os dados brutos para obter as respostas para as perguntas acima. Ferramentas de relatório personalizadas ou padrão no Google Analytics podem fazer isso facilmente. O principal problema com os dados resumidos é que eles são agregados. Você mapeia muitos tipos de ações do usuário que podem ser usadas para ocultar informações muito úteis. Damos um exemplo com visualizações de várias páginas em uma sessão. Temos duas fontes com seis sessões com o seguinte número de páginas visualizadas em uma sessão:

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

Usando o método estatístico outlier, pode-se determinar que a fonte A caracteriza um usuário com um menor grau de envolvimento. Mas se levarmos em conta apenas os dados médios, podemos concluir sobre o mesmo envolvimento para ambas as fontes, já que o número de páginas é o mesmo (a mediana pode ser qualquer).

Por que os relatórios analíticos padrão não contêm esses dados? O principal motivo é o custo computacional. Fornecendo apenas dados de resumo seletivos, não há necessidade de processar os milhões de linhas contidas no relatório. Portanto, a versão gratuita do Google Analytics não contém ferramentas para executar cálculos avançados gratuitamente.

Quais informações podem ser extraídas dos dados brutos


Entendendo as limitações dos dados resumidos, é hora de descobrir como os dados brutos podem ser usados. Considere várias opções para sua aplicação.

Duração do Evento


Uma das limitações que qualquer analista da Web que usa as ferramentas padrão do Google Analytics enfrenta é que você não pode determinar o intervalo de tempo entre colocar um item no carrinho e fazer uma compra, independentemente de essa ação ocorrer em uma única sessão ou não. Obviamente, para isso, você pode usar cookies e fazer seus próprios cálculos. Mas isso não faz sentido, principalmente porque o Google Analytics já fez esse trabalho por nós.

Após analisar os dados brutos, é possível determinar facilmente a hora exata em que o evento ocorreu para um usuário específico, realizar uma análise comparativa com outro evento para o mesmo usuário. Você também pode agregar dados a seu critério, obtendo uma distribuição média, mediana ou percentil ou usar outro modelo estatístico avançado. O fato de 20% dos usuários executarem a ação de destino em 2 minutos e 10% - durante toda a semana, não importa? Com esse conhecimento, você usará várias abordagens para interagir com essas duas categorias de usuários.

Análise de tamanho de público-alvo


Os relatórios do Google Analytics e do Google Analytics 360 contêm dados de segmentação de visitantes nos últimos 90 dias. Freqüentemente, para obter dados confiáveis, é necessária análise a distâncias maiores (especialmente para grandes empresas). Com base na análise dos dados brutos, você pode obter respostas para as seguintes perguntas:

  1. É mais provável que os usuários envolvidos na temporada de festas comprem o produto em setembro do que a probabilidade de fazer uma compra por outras categorias de usuários no mesmo mês?
  2. Qual é o efeito de assistir a vídeos ao longo do ano e como isso afeta o número de conversões?

Usando dados brutos, você pode armazenar logs de eventos por tempo ilimitado e excluí-los apenas quando esses dados já estiverem irremediavelmente desatualizados.

Relações entre dados


Um coeficiente de correlação é introduzido para determinar a relação estatística entre dois valores de variáveis. Ao analisar grandes quantidades de dados, você pode determinar o relacionamento entre dois tipos de comportamento do usuário:

  • Como as exibições de página afetam o desempenho de uma ação direcionada?
  • Existe uma conexão entre o tipo de conteúdo consumido e o produto que o usuário finalmente adquire?
  • Existem produtos relacionados? Por exemplo, se alguém compra o produto A, qual categoria de produto está associada a ele?

Dados de terceiros


Por último, mas não menos importante, os dados brutos permitem obter muito mais informações se você conectar outras fontes de dados. A seguir, alguns exemplos ilustrativos:

Dados de comércio eletrônico. A ferramenta é mais útil se você salvar o ID do cliente no Google Analytics, que executou qualquer ação para adicionar ao carrinho ou fazer um pedido. Isso permitirá que você calcule o valor exato da taxa de conversão, mesmo que as ferramentas do Google Analytics não funcionem (devido aos bloqueadores de anúncios usados ​​pelos clientes, à falta de redirecionamento da página de pagamento, ao longo tempo de espera para carregar a página e por outros motivos). Além disso, com base em seus próprios dados, você pode excluir ações de destino canceladas e retornos para recalcular o lucro real. Também permite calcular indicadores mais complexos e fechados, por exemplo, margem em vez de receita.

Dados de CRM. O que poderia ser pior do que o fato de um grande número de leads conter um grande número de leads irrelevantes? Esse é um problema comum para serviços online B2B. Ao exportar dados do CRM com identificadores de leads exclusivos (identificador de cliente criptografado usando email SHA-256, identificador gerado etc.), você pode associá-los facilmente a identificadores de clientes no Google Analytics. Isso permitirá que você calcule não apenas a porcentagem de leads gerados, mas também a taxa de conversão. A análise multicanal exigirá consultas mais complexas, mas você pode controlar totalmente o processo de cálculo.

Eventos offline. Os negócios on-line são afetados por muitos fatores externos: férias, condições climáticas, greves, um vírus mortal que enviou metade da população do mundo ao auto-isolamento. O Google Analytics não oferece a capacidade de introduzir novos parâmetros para estudar por um determinado período de tempo. Quanto às anotações, elas não estão envolvidas nos cálculos e são usadas apenas como um elemento da interface do usuário. No entanto, seria útil saber como as férias afetam o número de vendas.



Para conduzir essa análise, é necessário coletar informações e fornecê-las em um formato legível. Ao fazer isso, você terá dados relevantes e relevantes.

Anúncios, robôs de pesquisa, logs - todos esses dados devem ser armazenados em um único repositório.
Ao aprender a compará-los com dados analíticos, você pode realizar seus sonhos mais loucos:

  • Conteúdo mais longo atrai usuários? Ao escolher o robô de pesquisa correto (por exemplo, Screaming Frog), você pode estabelecer a relação entre o tamanho do conteúdo do texto e o número de visualizações de página.
  • O comportamento dos mecanismos de pesquisa afeta a otimização de SEO? Usando os dados de log do BigQuery, você pode determinar como a frequência de visitas ao robô de pesquisa afeta os resultados da pesquisa.

Qual é a verdadeira rentabilidade do seu negócio? Depois de fazer as configurações no algoritmo de cálculo de atribuição, você pode medir o retorno do investimento em campanhas de publicidade para todas as plataformas usadas.

Ferramentas de extração de dados brutos


As informações apresentadas acima favorecem os dados brutos. Mas como consegui-los? Considere alguns dos métodos mais comuns.

Google Analytics 360


Se você tiver a sorte de obter acesso a esse serviço ou se tiver orçamento suficiente para pagar pelo custo de usá-lo, terá a melhor ferramenta para extrair dados brutos do Google BigQuery. Permite exportar qualquer informação, incluindo dados avançados de comércio eletrônico. Cada linha corresponde a uma sessão específica e você pode usar um grande número de parâmetros e métricas.

Aplicativo do Google Analytics + Web e Firebase


Recentemente, a análise da web conseguiu exportar dados para o Google BigQuery sem precisar comprar o Google Analytics 360. O Firebase, que é o núcleo do Google Analytics App + Web, suporta a funcionalidade de exportação para o Google BigQuery. Você será cobrado pelo Blaze, que usa uma abordagem de pagamento conforme o uso. Se você possui um grande portal na Internet, precisará acompanhar o seu orçamento. Para sites pequenos, os custos variam de apenas nada a apenas alguns dólares por mês.

Cada linha corresponde a um evento que contém uma tela ou exibição de página. Você precisará se acostumar com essa maneira muito específica de apresentar dados, diferente da usada no Google Analytics. No entanto, este serviço pode ser a melhor solução para quem deseja usar dados brutos.

Outras ferramentas gratuitas: Yandex.Metrica e Matomo


Não pude experimentar todas as ferramentas, pois muitas delas são pagas. Cada um deles contém funcionalidade para exportar dados brutos. No entanto, existem dois serviços online absolutamente gratuitos que oferecem a mesma funcionalidade e não cobram pelo uso.

O Yandex.Metrica é uma ferramenta absolutamente gratuita que fornece acesso a dados brutos por meio da API de seus logs. O Matomo é uma ferramenta de análise de código aberto que precisa ser instalada diretamente no servidor onde os arquivos do site estão localizados. Ele exporta os dados brutos diretamente para seu banco de dados.

Pipeline de dados


Outra maneira de enviar dados do Google Analytics diretamente para o seu data warehouse é através do pipeline de dados. O OWOX BI organiza um poderoso fluxo de dados entre o Google Analytics e o BigQuery. Para implementar a funcionalidade, você precisa criar uma tarefa personalizada no Google Analytics. Ele cria cópias da carga útil do Google Analytics e a transfere para o data warehouse final.

Com experiência suficiente, você poderá criar independentemente seu próprio terminal para fazer upload de dados usando a funcionalidade do serviço de nuvem e com base na análise do log. A seguir, dois recursos úteis para ajudá-lo a descobrir isso:
Simo Ahab - "Como construir um monitor GTM". Depois de ler este artigo, você aprenderá como enviar dados para o BigQuery usando funções da nuvem. A quantidade de dados transmitidos é limitada a 100.000 linhas por segundo, que podem ser integradas ao serviço BigQuery. Se o número de linhas exceder o valor máximo indicado acima, você terá que agrupar os dados de vários logs.

Central de Ajuda do Google Cloud - Arquitetura de rastreamento de pixel sem servidor Esta fonte discute o mecanismo para criar seu próprio pixel de rastreamento, seguido pela integração ao BigQuery.

Exemplos e casos especiais de uso do BigQuery


Agora você conhece os benefícios do uso de dados brutos e como acessá-los. Agora, vamos ver alguns exemplos que demonstram claramente os princípios de trabalho com esses dados.

Estabelecendo um relacionamento entre tópicos e ações de destino no Google Analytics 360 A
análise foi realizada para um site de notícias com assinantes on-line. O principal objetivo da análise foi estabelecer uma relação (correlação) entre os tópicos das notícias que os usuários leem e as ações direcionadas realizadas.

O resultado e as conclusões:

corr_culture 0.397
corr_opinion 0.305
corr_lifestyle 0.0468
corr_sport 0.009
A categoria mais provável daqueles que se inscrevem no site são usuários interessados ​​nas seções "Cultura" e "Opiniões". Por outro lado, se o usuário estiver interessado nos títulos "Estilo de vida" ou "Esporte", a probabilidade de assinatura é 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
)


Análise de coorte usando Firebase


Uma aplicação com conteúdo atualizado regularmente e uma alta taxa de sazonalidade foi tomada para análise. A análise é realizada para encontrar respostas para as seguintes perguntas:
Como os usuários que instalaram esse aplicativo pela primeira vez?

Qual é o melhor momento para atrair clientes que usarão o aplicativo regularmente?

O resultado e as conclusões: a



julgar pelos dados recebidos, o aplicativo é usado com mais frequência pelos clientes que os baixaram pela primeira vez em setembro e dezembro.

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


achados


Provavelmente, mudanças sérias estão chegando no futuro próximo, e o Google App + Web se tornará algo como um padrão do setor. Essa abordagem fornece uma integração mais estreita entre os serviços do Google, como o Marketing Platform e o Google Cloud Platform, e especialmente o BigQuery. Se você perdeu a capacidade de criar consultas SQL (uma linguagem para trabalhar com DBMS), recomendo que você atualize suas informações em sua memória e as pratique.

A análise avançada de dados digitais está se tornando uma ferramenta cada vez mais poderosa devido ao fácil acesso a dados brutos, processos de computação rápidos e eficientes e boa visualização de informações. Num futuro próximo, será implementada uma integração ainda mais estreita com outros tipos de dados corporativos.

Há muitos anos, especialistas argumentam que as análises digital e de negócios devem trabalhar juntas. Lentamente, mas com confiança, estamos nos movendo para traduzir essa idéia em realidade.

More articles:


All Articles