Inteligencia de clientes para e-commerce

ClienteJamplus

IndustriaE-commerce

PaísEstados Unidos

Un importante retailer online necesitaba ir más allá de la analítica superficial. Su dashboard de Looker Studio existente obtenía datos de Google Analytics 4, pero no tenía la profundidad necesaria para entender el valor de vida del cliente (LTV) ni qué canales de adquisición generaban a los compradores más valiosos. Datakimia fue contratada para conectar los datos de pedidos de Magento con los datos de atribución de GA4, construyendo una base de datos unificada en BigQuery.

El proyecto entregó un modelo completo de segmentación LRFM (Recency, Frequency, Monetary Value, Loyalty) enriquecido con atribución por canal, un dashboard de analítica rediseñado con análisis de embudo, filtros por producto y visualizaciones de LTV, además de un pipeline ETL completo para mantener todo actualizado. El resultado: un stack de analítica autosuficiente que ofrece al equipo visibilidad bajo demanda sobre quiénes son sus mejores clientes y de dónde provienen.

Antes

Los datos de Magento y GA4 vivían en silos separados, sin una clave compartida
No existía un modelo LRFM: el equipo no podía distinguir a los clientes recurrentes de alto valor de los compradores ocasionales
El rendimiento del embudo en la Homepage era invisible, lo que impedía priorizar acciones de CRO

Mejoras clave

Se alcanzó una tasa de coincidencia de pedidos de ~88% entre las transacciones de Magento y las sesiones de GA4
Se implementó un algoritmo LRFM completo con filtros de cohortes y segmentación por tipo de producto
Se construyó un dashboard de embudo de varias etapas con desgloses por canal, dispositivo y categoría

Inteligencia de clientes para e-commerce captura

Cómo lo hicimos

Ingesta de datos

Las exportaciones de pedidos de Magento en CSV se limpiaron, se mapearon a un esquema y se cargaron en BigQuery a través de Cloud Storage. Se resolvieron los errores iniciales causados por campos de texto sin comillas que contenían comas, lo que dejó una base estable y consultable para todo el trabajo posterior.

Modelado de datos

Las transacciones de Magento se cruzaron con las sesiones de GA4 mediante los Order ID. Al aplicar filtros por prefijos JAM, ENV y F se logró una coincidencia de ~88%. Se construyeron tablas limpias en BigQuery con las definiciones LRFM, segmentos de clientes, estructuras de cohortes y campos de atribución por canal.

Desarrollo del dashboard

El dashboard de Data Studio se reconstruyó con vistas de segmentos LRFM por canal, gráficos de LTV con margen de contribución, filtros de impresos vs. no impresos, filtros de los formatos principales (#10, A7, A5) y un análisis de embudo completo a lo largo del recorrido del cliente, desglosado por canal, dispositivo y categoría de producto.

Automatización

Se estableció una conexión directa de SQL Server a BigQuery para automatizar la actualización de transacciones, con programación en Dataform para mantener al día el análisis LRFM. Los ingresos se validaron de extremo a extremo y el proyecto cerró con una sesión de traspaso grabada, un repositorio ordenado y documentación completa.

Tecnologías

BigQueryDataformData StudioGA4