0 ×

Web_​profiling_​recomendation1

Workflow

2. Diagnóstico (insights)A continuación, se generó reportería para conocer los insightsasociados a usuarios y seesiones web provenientes de EstadosUnidos (principal mercado de la organización). En concreto, sebsucaba conocer:- Comportamiento de atributos temporales, fuentes de acceso yplataformas.- Geolocalización de usuarios 1. Proceso ETLLuego de incorporar un script PHP en el dominioweb de la organización a fin de extraer los registrosde visitas web. Se estableció un proceso ETL paraestructurar una base de datos especializada quecontenía:- Sesiones web- Usuarios geolocalizados por IP- Sociodemográficas por ciudad de EEUU- Navegación en páginas 3. Perfilamiento con MLEn la siguiente etapa se contruyó un modelo de aprendizaje nosupervisado tipo Fuzzy c-Means para definir los buyer persona delmercado objetivo. 4. Smart Basket con MLDefinidos los buyer persona y automatizado el modelo de perfilamiento, se planteo unmodelo de aprendizaje supervizado tipo Perceptrón Multicapa (MLP) para asignar acada cluster, y por ende a cada visitante, un conjunto de páginas web que le gustaríavisitar y que incrementarían la probabilidad de conversión a leads. 5. Resultados alcanzados- Una vez incorporada la herramienta como script PHP en el dominio de la organización, se logró contar con una página web con capacidad de adaptarse a cada usuario y por ende ser personalizada.- El tráfico y duración de visita en la página se ha visto incrementado incluso durante los meses de pandemía. El indicador de Bounce Rate bajó de 52% a 43%.- Una vez que se incorporaron CTA en las páginas recomendadas por el Smart Basket, las tasas de connversión de leads han pasado de un promedio mensual de 3.3 x 1000 a 4.1 x 1000.- De forma indirecta, el posicionamiento en buscadores mejoró al contar con un sistema reactivo de la página (Se pasó de posición 7 a 4 en Google) Proyecto para la construcción de un ecosistema autónomo e inteligente que incluye la construcción de buyer personas y la definición de un sistema de recomendación webLa empresa dueña de metrojourneys.com es el mayor operador turístico DMC del Ecuador, con un enfoque en el turismo receptivo hacia Galápagos. El 2019 planteó un desafío importante puesto que se aperturó el nuevo canal de venta directa; y para potenciar esta área denegocio se emprendió un proceso con alto énfasis en marketing digital tipo inbound. Dado el carácter "online" necesario para llegar al cliente, se hizo fundamental generar un proyecto que permita conocer las principales características de los usuarios web como punto de entrada del costumer journey. Además, entendiendo que el desafío actual de este mercadoes atraer potenciales compradores de forma inmediata por los medios de contacto existentes, se hizo importante tambièn lograr hacer de la página web metrojourneys.com, una con caracter "hecho a la medida". El desafío en este aspecto radicaba que a diferencia de otrosdominios en el Internet, el número de visitantes repetidores suele ser muy bajo.Vistos estos antecedentes, se planteo la siguiente solución: CASO DE USO: PERFILAMIENTO Y PERSONALIZACIÓN DE CONTENIDO Sesiones WebUsuarios WebSociodemograficasViz de ClustersNavegacion Web R Source (Table) R Source (Table) OSM Map View Geolocalizacion File Reader AnalisisExploratorio Limpieza datospara EDA Curacion de datospara clusters 3D ScatterPlot (Plotly) Clusterizacion Caracterizacion R Source (Table) Curacion de datos parasistema de recomendacion Entrenamientode MLP Nuevasobservaciones Sistema derecomendación 2. Diagnóstico (insights)A continuación, se generó reportería para conocer los insightsasociados a usuarios y seesiones web provenientes de EstadosUnidos (principal mercado de la organización). En concreto, sebsucaba conocer:- Comportamiento de atributos temporales, fuentes de acceso yplataformas.- Geolocalización de usuarios 1. Proceso ETLLuego de incorporar un script PHP en el dominioweb de la organización a fin de extraer los registrosde visitas web. Se estableció un proceso ETL paraestructurar una base de datos especializada quecontenía:- Sesiones web- Usuarios geolocalizados por IP- Sociodemográficas por ciudad de EEUU- Navegación en páginas 3. Perfilamiento con MLEn la siguiente etapa se contruyó un modelo de aprendizaje nosupervisado tipo Fuzzy c-Means para definir los buyer persona delmercado objetivo. 4. Smart Basket con MLDefinidos los buyer persona y automatizado el modelo de perfilamiento, se planteo unmodelo de aprendizaje supervizado tipo Perceptrón Multicapa (MLP) para asignar acada cluster, y por ende a cada visitante, un conjunto de páginas web que le gustaríavisitar y que incrementarían la probabilidad de conversión a leads. 5. Resultados alcanzados- Una vez incorporada la herramienta como script PHP en el dominio de la organización, se logró contar con una página web con capacidad de adaptarse a cada usuario y por ende ser personalizada.- El tráfico y duración de visita en la página se ha visto incrementado incluso durante los meses de pandemía. El indicador de Bounce Rate bajó de 52% a 43%.- Una vez que se incorporaron CTA en las páginas recomendadas por el Smart Basket, las tasas de connversión de leads han pasado de un promedio mensual de 3.3 x 1000 a 4.1 x 1000.- De forma indirecta, el posicionamiento en buscadores mejoró al contar con un sistema reactivo de la página (Se pasó de posición 7 a 4 en Google) Proyecto para la construcción de un ecosistema autónomo e inteligente que incluye la construcción de buyer personas y la definición de un sistema de recomendación webLa empresa dueña de metrojourneys.com es el mayor operador turístico DMC del Ecuador, con un enfoque en el turismo receptivo hacia Galápagos. El 2019 planteó un desafío importante puesto que se aperturó el nuevo canal de venta directa; y para potenciar esta área denegocio se emprendió un proceso con alto énfasis en marketing digital tipo inbound. Dado el carácter "online" necesario para llegar al cliente, se hizo fundamental generar un proyecto que permita conocer las principales características de los usuarios web como punto de entrada del costumer journey. Además, entendiendo que el desafío actual de este mercadoes atraer potenciales compradores de forma inmediata por los medios de contacto existentes, se hizo importante tambièn lograr hacer de la página web metrojourneys.com, una con caracter "hecho a la medida". El desafío en este aspecto radicaba que a diferencia de otrosdominios en el Internet, el número de visitantes repetidores suele ser muy bajo.Vistos estos antecedentes, se planteo la siguiente solución: CASO DE USO: PERFILAMIENTO Y PERSONALIZACIÓN DE CONTENIDO Sesiones WebUsuarios WebSociodemograficasViz de ClustersNavegacion Web R Source (Table) R Source (Table) OSM Map View Geolocalizacion File Reader AnalisisExploratorio Limpieza datospara EDA Curacion de datospara clusters 3D ScatterPlot (Plotly) Clusterizacion Caracterizacion R Source (Table) Curacion de datos parasistema de recomendacion Entrenamientode MLP Nuevasobservaciones Sistema derecomendación

Download

Get this workflow from the following link: Download

Nodes

Web_​profiling_​recomendation1 consists of the following 93 nodes(s):

Plugins

Web_​profiling_​recomendation1 contains nodes provided by the following 11 plugin(s):