Cómo analizar tus páginas de salida con IA para mejorar conversiones

Este contenido se genera a partir de la locución del audio por lo que puede contener errores.

(00:00) Bienvenidos a todas y a todos a este nuevo vídeo del canal de iSocialWeb en el vamos a explicar hoy una forma de integrar todos los análisis de BigQuery con OpenAI que tiene muchas funcionalidades y aquí os traemos un pequeño ejemplo lo primero obviamente es tener la consulta preparada en BigQuery en este caso por ejemplo es una función que lo que analiza serían las de esta tabla de datos digamos que es la de la de la cuenta de Gpt 4 de social web desde el 1 de marzo hasta ayer Cuáles son por usuarios las páginas que han tenido
(00:41) mayor exit page es decir que han tenido mayor salida por parte del usuario No aquí está el listado de la consulta del resultado vale Y la parte interesante es que una vez ejecutemos vale podemos explorar datos Y explorar en el Notebook de Colab esto lo que hace nos Abre una estructura que ya viene básicamente preparada vale esta de aquí está de aquí con el proyecto la localización y esta parte de aquí vale que nos dice un poco que tiene el riesgo Scribd que nos da un poco la información que tenemos nosotros
(01:15) lo que le añadimos es toda la autentificación de Open hay obviamente las instalamos todas las dependencias necesarias y luego lo que hacemos Es para evitar el problema del máximo de tokens de los 4000 que tiene el Da Vinci 003 lo que hacemos Es trabajar por Pareto y lo que decimos es Oye mira coge estas salidas calcula el total y luego Dame el 20% de las urls que tienen 80% de las salidas con lo cual me centro en las que tienen mayor impacto y con ello lo que hago es una vez extraigo esa información lo que hago es la introduzco
(01:52) dentro del prompt aquí es decir eres una lista de datos de descargado los datos de una web en la que se muestra la pérdida de los usuarios por u rl es decir las wireles por los cuales el usuario se ha ido dos puntos texto analiza estos datos índica Qué acciones y en qué urales actuarías para mejorar la conversión para mejorar la experiencia del usuario vale también sin 003 el máximo de token lo podemos cambiar y lo que devuelve es esto devuelve la suerte las que actuaría vale eso es interesante porque nos da creo
(02:21) que son cinco frente a ya lo podéis ver aquí 523 vale luego nos da acciones algunas no son específicas obviamente, pero si no lógica sobre la evaluación de la usabilidad vale para mejorar la navegación reestructurar la información es decir quizá esa parte si mejoramos el usuario no se vaya porque no entiende al final el exit no sabe si se debe a que ha cumplido Y ya y se va o a que realmente es una búsqueda satisfactoria con lo cual sea interesante Aquí también trabajar en usabilidad en mejorar la información
(03:00) pero también vete aquí que también trabaja en la parte de mejorar la navegación vale sobre todo en esta página importa lo interesante aquí es que nos está diciendo Oye mira Quizá para mejorar el éxito que es correcto puedes seguir mejorando la navegación Entonces eso serían unas propuestas que nos daría Open hay que es interesante para mí que de alguna manera lo que estamos Obviamente con limitaciones del prompt lo que estamos integrando es las consultas de biquery que son datos al final es un Data frame lo que nos
(03:30) devuelve que es el que podéis ver aquí no os lo explica O sea no podemos hacer que lo interprete no es muy muy muy robusto, pero si nos puede dar ideas sobre todo por dónde atacar Oye Cuáles son las que atacarías o por ejemplo una otra variante a esto sería coge todas esas URL Escoge el path solamente e intenta categorizarlos las URL no porque por ejemplo yo que sé esta parte de aquí no, pues Inteligencia artificial e Inteligencia artificial Pues quizá el grupo de Inteligencia
(04:06) artificial tiene mucho éxito en mucho kit rate y, por tanto, debe ser trabajado en Ese Conjunto No ese sería la idea Ese es el Colab y nada espero que sea útil Muchas gracias