Uso de vistas 360 en cliente de rubro inmobiliario

Objetivo del proyecto #

El cliente, una empresa del rubro inmobiliario, emplea vistas de 360º para algunos de sus proyectos, usando un visualizador escrito en JavaScript. El objetivo es medir la interacción e influencia de esta tecnología en la generación de leads para este negocio.

Gestión de la data #

Herramientas usadas #

1. Google Tag Manager y JavaScript: EL cliente ya tiene eventos creados en GTM, así que conviene emplear la herramienta.
2. Google Analytics 4: La herramienta de medición usada por el cliente.
3. BigQuery: El almacén de datos predeterminado para los datos de GA4 y el que ya se estaba usando para la medición de este cliente.
4. Looker Studio: Por su fácil conexión a BigQuery y su capacidad de consultar sus tablas mediante una consulta personalizada de SQL.

Recolección de la data #

Debido a que la tecnología de las vistas está escrita en JavaScript, implementar las etiquetas fue relativamente fácil para el equipo de desarrollo. Se empleó la capa de datos de Google Tag Manager para recolectar la información de las vistas, de la siguiente manera:

window.dataLayer = window.dataLayer || [];
window.dataLayer.push({
    'event': 'mi evento',
    'atributo_1': 'primer_atributo' // Variable de JS basado en la data ofrecida por la vista
    'atributo_2': 'segundo_atributo', // Variable de JS basado en la data ofrecida por la vista
    'atributo_numerico': 100.2 // Variable de JS basado en la data ofrecida por la vista
 });

Luego, se creó cada etiqueta de evento en Tag Manager usando la etiqueta de eventos de Google Analytics 4. Las interacciones que se miden son:

• Apertura de la vista.
• Navegación de la vista.
• Revisión de la disponibilidad de un lote.

Luego de crear las etiquetas, la data se almacena en BigQuery mediante el export automático de Google Analytics 4 a BigQuery.

Transformación de la data #

Luego de recolectar data de eventos de GA4 durante dos meses, se decidió elaborar el reporte de uso de esta tecnología en la web del cliente. Aquí es donde se presenta el mayor obstáculo, ya que la data de GA4 no llega de forma tabular, sino de forma anidada. El objetivo de la transformación es colocar esta data de manera tabular y facilitar su análisis en Looker Studio.

Para colocar la data en la forma requerida, se hizo uso extensivo de la función UNNEST de SQL, la cual se puede consultar en la documentación de BigQuery. La consulta que nos permite extraer los parámetros de GA4 y sus valores de forma tabular luce así.

SELECT event_name, event_timestamp, user_pseudo_id, 
  (SELECT value.string_value FROM UNNEST(event_params) 
    WHERE key = "atributo_1") AS atributo_1,
  (SELECT value.string_value FROM UNNEST(event_params) 
    WHERE key = "atributo_2") AS atributo_2,
  (SELECT value.float_value FROM UNNEST(event_params) 
    WHERE key = "atributo_numerico") AS atributo_numerico
FROM `nombre-del-proyecto.nombre-del-dataset.events_*`
WHERE event_name = "mi_evento"

Al correr esta consulta en BigQUery, obtenemos una tabla que luce de la siguiente manera:

Sin embargo, correr esta consulta en BigQuery consume cerca de 2.45 G, ya que se está consultando todas las tablas particionadas que genera Google Analytics 4 por día. Para evitar generar costes elevados, se emplea la consulta como Custom Query En Looker Studio. La consulta termina viéndose así:

SELECT event_name, event_timestamp, user_pseudo_id, 
  (SELECT value.string_value FROM UNNEST(event_params) 
    WHERE key = "atributo_1") AS atributo_1,
  (SELECT value.string_value FROM UNNEST(event_params) 
    WHERE key = "atributo_2") AS atributo_2,
  (SELECT value.float_value FROM UNNEST(event_params) 
    WHERE key = "atributo_numerico") AS atributo_numerico
FROM `nombre-del-proyecto.nombre-del-dataset.events_*`
WHERE event_name = "mi_evento"
AND
  _TABLE_SUFFIX BETWEEN @DS_START_DATE AND @DS_END_DATE

Se añade el último AND (junto al WHERE) para indicar que la fecha de inicio y fin de las tablas de consulta depende de un control de fecha de Looker Studio. De esta manera solo consultamos las tablas particionadas necesarias y no todas de una sola vez. Esto nos permite tener la data de eventos de Google Analytics 4 de manera tabular. La Custom Query de Looker Studio nos deja una fuente de datos lista para usar, con los campos que le solicitamos.

¿Qué nos permite observar este reporte? #

Nos permite observar el interés de los usuarios por determinados lotes y secciones de las vistas, de manera que podemos utilizar esta data para argumentar mejores piezas creativas y optimizar el contenido de la misma landing page. También nos permite saber qué propiedades son las más visitadas y qué lotes dentro de ellas son los más consultados.