Categoría: Estrategia

02 Jul 2018 | Estrategia

No es nada fácil cuando estás perdido, escuchar la música entre tanto ruido

A la hora de medir el branding y la estrategia de una marca, el storytelling es una herramienta que ayuda a traducir la historia que se quiere contar a cada cliente para conectar con ellos. Y por supuesto, medirlo en consecuencia.

Si la estrategia que se quiere medir es en redes, ¿cómo puede el storytelling ayudar al analista a conectar con los stakeholders; es decir, con las personas a las que puede ayudar a tomar decisiones, en base a contar dicha historia?

¿Quién soy? Comienzo del storytelling

Para poder hacerlo, el punto de partida es definir quién eres como marca. O en otras palabras, lo que vas a aportar a los demás en el foco emocional. Cuando esto lo tienes claro, lo siguiente es preguntar a tu cliente potencial quién es y dónde se encuentra. Es importante no hacerlo de una manera superficial, ya que es imprescindible conocer la historia que el cliente te cuenta. Cuando esté bien definido, es fácil conocer en qué puntos de contacto te vas a encontrar con él.

Aquí es cuando entra en juego el storytelling. Esta es la herramienta que te ayudará a diseñar la estrategia en cada uno de esos puntos de conexión. Para entenderlo mejor, es cómo poner a tu cliente en un tablero donde tú como marca, eres el guía. Tu misión es impactarle por diferentes vías: campañas offline, internet, redes sociales, etc; y la finalidad del tablero es facilitarte la narración de tu historia en cada uno de los puntos de conexión.

¿Y en qué momento necesitamos a la figura del analista? Justo ahora. Pero dependiendo de lo que precise el proyecto, hay dos vías por las que guiarse: verificar el comportamiento del cliente final; y contar el storytelling que la marca tiene con el stakeholder.

1.Todo lo que conecta tu marca con tu cliente, verifica que el comportamiento del éste está vinculado con lo que esperas.

Cuando hablamos de vinculación con un cliente, nos referimos a preestablecer cómo será el comportamiento de éste cuando llega a tu plataforma. Es importante verificar que navega por los caminos que le facilitas, para que así haga lo que quieres que haga.

Recopilada toda esta información, es el momento de trazar la estrategia. Ésta tiene que estar definida para todas las áreas implicadas. Por un lado el departamento creativo, quiénes centran la estrategia en buscar el lenguaje para conectar con las personas; y por otro el departamento analista, quienes construyen la estrategia a partir de los datos. Esto servirá para actuar en el tablero que estableciste previamente.

Cuando el analista le pasa la información al creativo, éste tiene que construir una historia con la que dar solución a sus necesidades. Y sin una estrategia, esto no es posible. Y no nos podemos olvidar de as métricas, cuantitativas y cualitativas. Éstas también juegan un papel fundamental dentro de la estrategia. Es muy importante observarlas, ya que muestran comportamientos que en muchas ocasiones no son verbalizados por los clientes; (como, por ejemplo, leer un diario o ver un programa de televisión que les da vergüenza reconocer).

Toda esta información es muy importante. Por eso, hay que contar con las herramientas adecuadas para medir tanto lo que dicen cómo lo que no. Por ejemplo, si necesitas saber quién habla con quién, Twitter es muy útil ya que tiene herramientas que se conectan entre sí como si fueran un mapa neuronal.

También existen herramientas que analizan como se distribuye la información en grupos más cerrados que usan lenguajes encriptados, como en casos de redes pro anorexia y bulimia. En este ejemplo, y gracias a la combinación de herramientas, se pudo indagar en el sentimiento real de un tweet que previamente parecía inofensivo. En este punto no hay que olvidar que, aunque se cuente con muchas herramientas, siempre tiene que haber una mente detrás que sepa lo que hay que analizar para poder realizar acciones. Si ponemos como ejemplo un análisis semántico de comentarios, como en el caso anterior, no hay ninguna herramienta a día de hoy 100% fiable.

Y es que la semántica es un punto clave en todo proceso de branding. Siempre hay que contar con alguien que monitorice, no sólo la cantidad de veces que hablan de una marca, sino también lo que se dice de ella. La clave de la creatividad es unir puntos inconexos, y a día de hoy eso es imposible automatizarlo. Otro factor a tener muy en cuenta es el Real Time. Un gran ejemplo se puede ver en los analistas de medios. En su trabajo necesitan ver lo que está sucediendo en el mismo momento de la acción. Esto es vital en la toma de decisiones sobre la estrategia que están analizando. Por esto, siempre es preciso contar con una tecnología capaz de ayudar a la estrategia.

2.Storytelling de mi marca con el stakeholder.

Cómo analistas, nosotros vemos al cliente de la marca como un stakeholder al que facilitarle la información que necesite para hacer su trabajo. Y esa información se la tengo que entregar de forma que la entienda. Para facilitar el trabajo al resto del equipo, tenemos que transformar los datos y extrapolarlos a un lenguaje que cuente las historias de las personas que están detrás de esos datos. En otras palabras: hablar un mismo idioma de negocio y de análisis.

Para ello es necesario que todos las implicados en el proyecto conozcan su rol. Así será más fácil llegar juntos a un fin común. Y en el caso del storytelling hay que entender:

El proyecto.
A tu cliente.
Al potencial cliente de este cliente.

El storytelling sirve para dar vida a esos números dentro de una historia que es lo que la gente recuerda.

A continuación, puedes escuchar la conversación que mantuve con Ana Álvarez, consultora creativa.

06 Sep 2017 | Análisis Predictivo, Estrategia

Ahora que las tormentas son tan breves. Y los duelos no se atreven… A dolernos demasiado.

Todos sabemos que la analítica digital tiene como objetivo principal servir de ayuda en la toma de decisiones en la empresa, pero poca gente sabe aún la potencia real que puede tener sacarle partido a una herramienta, como por ejemplo, Google Analytics.

Solamente hay que fijarse en la evolución que ha tenido Google Analytics en los últimos años. Empezamos midiendo la conversión y sabiendo cúal era el único canal que nos generaba más conversiones; ahora ha entrado en juego todo lo que tiene que ver con modelos de atribución, que lo que intentan es ayudarnos a tomar una decisión basada en lo que dicen los datos sobre el peso de cada canal de origen, y poder saber así optimizar todas las campañas.

Últimamente, podemos constatar que en todas las herramientas se han empezado a incorporar nuevos tipos de métricas, que ya no son simplemente cuantitativas, sino indicadores que salen de la aplicación de métodos estadísticos y algoritmos que nos ayudan a tomar decisiones más acertadas y enriquecidas. La realidad es que estamos procesando gran cantidad de información, demasiado difícil de digerir para un departamento de marketing, por lo que debemos reducir toda esa dimensionalidad en unos indicadores estratégicos, los cuales requieren de la aplicación de técnicas estadísticas que nos ayuden a tomar decisiones más adecuadas para el negocio.

Es decir, debemos maximizar toda inversión que se haga en marketing, y poder saber qué es lo que realmente está funcionando y dando resultados. La analítica precisamente pretender dar luz, y poder ayudar a que el departamento de marketing tenga las pistas necesarias para saber qué se puede hacer, cómo lo puedo hacer, y sobre todo, para qué lo puedo hacer.

En este post os quiero contar un caso real, llevado a cabo por nuestro equipo de El Arte de Medir, y en el que voy explicando cómo combinando los datos de la navegación de los usuarios del entorno online de nuestro cliente en Google Analytics, pudimos ofrecer una valiosa información al departamento de Marketing sobre la probabilidad de conversión de cada usuario que se captó.

Qué hicimos

Esto es lo que en nuestro caso tomamos como punto de partida: ver cómo podíamos ayudar a nuestro cliente, no solo desde la parte de marketing, sino yendo un paso más allá: haciendo una analítica basada en el usuario. Lo que nos permite este enfoque, es comprender cúales son aquellas acciones que propician que el usuario esté más cercano a ese momento final de la conversión, sea cual sea esta conversión.

A través del análisis de usuario a usuario, es posible descubrir cúales son aquellos elementos o interacciones en la página web, que empujan al usuario a hacer la compra. No podemos olvidar, que muchas veces lo que tiene más probalidades de convertir no son los elementos vistos individualmente, sino la combinación de diferentes interacciones (p.ej ver un vídeo + que pasen por una determinada página + que consuman este determinado contenido).

Así que centrándonos en nuestro ejemplo, lo que hicimos es un scoring de los usuarios: es decir, nos centramos en medir la calidad del usuario en base a su probabilidad a convertir, y a cumplir nuestros objetivos de negocio.

Nos fijamos en este caso como objetivo ver si era viable el asignar a cada uno de los miles de usuarios que pasan por la web en un determinado periodo de tiempo, y poder estimar la probabilidad de que ese usuario estuviera más cercano a la conversión. Pero lo más enriquecedor de este proceso, fue descubrir que es el propio modelo el que identifica, no solo la calidad del usuario, sino también la calidad de los elementos que estás poniendo a su disposición, y que una vez identificados, los podemos optimizar para empujar a que precisamente cumplan dicho objetivo.

Con lo cual, a partir de aquí pudimos ayudar a organizar los contenidos de la web: elección de los mismos, apariencia, diseño, destacados, secciones….

Gracias a todo esto, hoy la analítica nos permite atribuir un peso real a cada paso en la conversión final. Obtenemos una forma de cuantificar, no solo a los usuarios, sino también a todos los contenidos.

Si además segmentamos estos miles de usuarios por el canal por el que han venido, podemos también ver el tipo de usuario que nos trae cada uno de los canales. Por eso hay que recordar, que la analítica no solo da servicio al departamento de marketing, sino también a los involucrados en diseño, en usabilidad, en los propios productos. Es una estrategia 360.

Al realizar un ejercicio como éste, obtenemos un resultado que es muy fácil de interpretar, y nos da además una calidad de usuarios en función de lo lejos o cerca que se encuentran del momento de conversión o decisión final. Y procedemos ahora a clusterizar los datos en 4 grupos que sean muy manejables desde el negocio, de tal forma que alguien desde el departamenteo de márketing pueda accionar, podrán decidir centrarse en uno u otro segmento, y por tanto llevar a cabo acciones muy personalizadas por cada tipo de usuario.

Cómo lo hicimos

Lo primero es aclarar, que aunque contamos con Google Analytics que nos aporta muchos datos, es imprescindible tener una buena implementación de la herramienta. En nuestro caso, teníamos todo correctamente implementado y contábamos con unos datos buenos y de calidad a nivel de usuario, así que nos centramos en hacer un buen tratamiento de ellos a la hora de extraerlos y cruzarlos de distintas fuentes. El proceso que seguimos para todo ello fué el siguiente:

1. Extrajimos todos los datos y las variables que necesitábamos a un conjunto de datos.
2. Los manejamos con un software estadístico, en este caso utilizamos R, pero se podría haber usado también por ejemplo Payton.
3. Procedimos a realizar un buen tratamiento de datos, siendo conscientes de que siempre encontraremos datos anómalos o datos extremos.
4. Llegados a este punto, nos toca enfrentarnos a las dificultades que fueron surgiendo, como puede ser por ejemplo, la gran variabilidad de los datos. Lo que hicimos aquí, fué aplicar algoritmos para crear usuarios ficticios que convirtieran, y a partir de ahí, pudimos aplicar modelos estadísticos y hacer distintas pruebas, hasta llegar a uno que nos sirviera para poder evaluar correctamente. El proceso para llegar a esto, se basa en recopilar todos los datos reales que tenemos, y dividirlos en dos grandes conjuntos de datos. A partir de aquí entrenamos los modelos con solo una parte.
5. Una vez identificado el modelo más fiable de todos, se procede a validar contra datos que no han pasado por el mismo, para poder verificar si son reales o no, y si se cumple que esos usuarios realmente han realizado el proceso de conversión o nó. Esto lo que nos da la clave de si el modelo es válido o no.

Continuando con nuestro caso real, terminamos con un modelo al cual le pasamos unas 80 variables, para finalmente acabar descartando aquellas que no eran significativas, y que no tenían sentido a la hora de explicar el comportamiento de los usuarios que realmente acababan convirtiendo; aun así, aunque nos quedamos con un gran volumen de datos, éstos eran fácilmente tratables.

Debemos saber que una vez tenido el modelo entrenado, y mientras no cambien las características de la web, podrá ser válido durante un tiempo hasta que haya que volver a entrenarlo.

6. Llega el momento de ponerlo en producción. Tenemos varias formas de hacerlo, pero la más sencilla es un proceso automatizado que extraiga semanalmente los datos de los nuevos usuarios que pasan por la página web, para detectar si realmente ha cambiado el comportamiento, o si sigue siendo válido nuestro modelo. A todos los usuarios que entran nuevos, los vamos a pasar por el modelo que hace el scoring, y se les va a asignar a todos ellos una probabilidad de conversión. Esto nos va a poder aportar información sobre qué tipo de usuarios estamos captando, por donde debemos captar más, y dar un poco de luz a este comportamiento de usuarios, conociéndolo en profundidad.

Qué conseguimos

Mediante la aplicación de un proceso de ciencia de datos, conseguimos extraer información verdaderamente accionable a nivel de negocio.

Por una parte, hemos podido entender, gracias a un modelo estadístico, cuales son los contenidos, los productos y las acciones que marcan el camino a la conversión del usuario en cliente. Esto ha permitido a nuestro cliente entender cuales son los puntos en los que centrar sus estrategias de marketing en aspectos como posicionamiento, generación de contenidos, o realización de campañas.

Ha podido clasificar también a los usuarios según su probabilidad de conversión, permitiendo realizar segmentaciones en las que aplicar estrategias distintas y además, al incorporar estos datos de nuevo a una herramienta como Google Analytics, ha facilitado a los analistas web y a la empresa, información actualizada diaria sobre la calidad de su tráfico, el rendimiento de sus campañas y mensajes en redes sociales.

Pero lo más importante es que hemos logrado que los datos nos ayuden a tomar decisiones ágiles, y con alto grado de acierto en entornos muy complejos, algo que sin duda es lo que buscan la mayoría de nuestro clientes.

En definitiva, lo que queremos transmitir es cómo una herramienta como Google Analytics combinada con el tratamiento de datos que podemos hacer con otra herramienta Opensource también gratuita, como puede ser el lenguaje R, puede ayudarnos a entender mejor al cliente potencial, a descubrir los elementos de peso a la hora de convertir a un usuario, y en definitiva, a impactar en el negocio.

Si quieres más detalles, escucha el podcast que comparto con Jose R. Cajide al respecto del tema del scoring en OndaCRO:

En el último mes:

En El Arte de Medir hemos salido en El Mundo hablando sobre Data Science 🙂

19 Jul 2017 | Estrategia

Ya no estamos en la era de la información. Estamos en la era de la gestión de la información.

El cambio es la única cosa inmutable 🙂 Creemos que los patrones que seguimos en nuestra vida diaria van a funcionar siempre, pero cuando el entorno cambia, es necesario adaptarse. Es importante por tanto ser consciente de la realidad para adaptarse cuando el cambio suceda. El cambio es permanente y desaprender es un proceso fundamental para sobrevivir en el futuro.

De hecho, el trabajo de desaprender, consiste en salir de nuestra zona de confort, es decir, aquella en la que estamos cómodos. Realmente nos gusta esa rutina que nos hace sentirnos tranquilos, pero no nos damos cuenta de que en realidad es un callejón que no tiene salida. La solución pasa por adaptarse mediante el des-aprendizaje y un nuevo aprendizaje.

El sistema actual, muestra una visión limitada de la realidad. Niños y jóvenes siguen la inercia de una enseñanza institucionalizada que se centra en crear profesionales que no tienen futuro, ya que desconocen la existencia de nuevos campos adaptados a la nueva realidad; Por ejemplo, experto digital, UX o científico de datos.

Y es que, la realidad va creando nuevos mapas mientras la gente camina por los caminos ya conocidos. Esto lleva a un perfil de jóvenes que está cada vez más desubicado, y los cuales se han formado para desarrollar profesiones en las que no han de salir de su zona de confort. Esto nos lleva a afirmar que nuestro sistema de enseñanza está caduco y obsoleto.

Nuestra opinión al respecto, es que lo mejor que podemos hacer cuando uno se plantea hacer algo, es concentrar los esfuerzos en descubrir cuáles son las necesidades reales del mercado. Es habitual que el mundo digital se relacione con profesionales de un perfil más técnico, y sin embargo, es un área que puede acoger diferentes disciplinas de carácter cualitativo: profesionales de UX, visualización de datos…etc, son especializaciones que se pueden nutrir de otro tipo de experiencia y formación, y que además, pueden aportar una mayor creatividad.

No hay duda de que lo interesante es hacer lo que a uno le gusta a través del proceso de prueba y error. Esto implica tomar decisiones, asumir riesgos, apostar el tiempo y el esfuerzo de cada uno. Sabemos que es una decisión que puede chocar con un entorno más tradicional, pero el riesgo de haber generado una nueva profesión, nos llevará a adquirir una ventaja sobre el resto.

Cierto es que a nadie le gusta asumir pérdidas, por ejemplo: la sensación de fracaso de no haber aprovechado profesionalmente la formación universitaria. Sin embargo, es importante hacer un cambio de chip si algo se quiere ganar: asumir pérdidas y considerar que lo aprendido es algo que se lleva puesto, sin duda es una valor añadido para el nuevo camino.

En conclusión, merece la pena apostar por lo que se está dispuesto a aprender.

Puedes escuchar la totalidad de la conversación que tuve con Alejandro Doncel, CEO de Kschool en el siguiente podcast de OndaCRO:

Este último mes:

En la sección de Talento Digital de El País, aporté mi granito de arena sobre cómo los datos ayudan a la transformación digital:

https://elpais.com/elpais/2017/06/28/talento_digital/1498676466_198437.html

21 Jun 2017 | Estrategia

Nuestra recompensa se centra en el esfuerzo y no en el resultado. Un esfuerzo total es una victoria completa.

Para impactar en los resultados de la empresa a través de los datos, se pueden llevar a cabo acciones de distinta índole: desde estratégicas hasta más concretas y tácticas.

A nivel estratégico, no hay que olvidar que las empresas existen para ganar dinero, lo que lleva a las KPIs de rendimiento a formar una parte fundamental en el camino del éxito. La decisión sobre el nivel de margen y la rotación es la definición completa de un modelo de negocio. A partir de ahí, el camino sigue por buscar variables correlacionadas positivamente para influir en el rendimiento.

Por ejemplo, las empresas como Armani y Carrefour arrojan modelos de negocio bien dispares: mientras que el primero se basa en el lujo, generando márgenes propios de productos exclusivos, y centrándose en segmentos del mercado muy específicos, el segundo destina importantes costes en la distribución de los productos, vendiendo grandes cantidades aunque con un margen mucho menor.

Una vez definidos esos KPIs, es necesario acceder a una actuación más táctica. Es fundamental entender cómo funcionan los departamentos clave con impacto directo en el rendimiento. En el pasado, las decisiones se basaban en la intuición y experiencia. Ahora se dispone de modelos que permiten acceder a un conocimiento más avanzado, y así disponer de una mayor riqueza de información.

Sucede en muchas ocasiones que, por desgracia, una vez hecho el trabajo de análisis, las conclusiones y las recomendaciones no ayudan a cambiar nada, porque la estrategia va por otro lado. Es un hecho que aunque, se dispone de importantes capacidades tecnológicas y de análisis, la inercia de las rutinas diarias pueden más, y no permiten la adaptación a los cambios del mercado.

Como primera línea de actuación táctica, se recomienda hacer un análisis breve del que se puedan extraer conclusiones junto con el tomador de las decisiones, y así entrever si le sirve el análisis, con el fin de ir modulando el proceso bajo un sistema de mejora continua.

Sin duda, es un reto demostrar que la capacidad de extraer conocimiento de los datos aporta, ya que se trata de un proceso de colaboración continua que ha de buscar resolver los problemas del día a día. De hecho, no existe un gran número de profesionales que estén dotados con las características que permita la adecuada explotación de los datos; de ahí, que aquellas empresas que dispongan de ellos, alcanzarán una mayor ventaja, como están haciendo en la actualidad empresas como Google, Netflix o Airbond.

También sucede que, difundir la cultura de datos a nivel global no es fácil; de ahí que lo bueno sea empezar por lo pequeño y acudir a un stakeholder que haga la “venta” al resto de departamentos, aunque somos conscientes de que si la dirección no apoya ni ayuda a la decisión, nos encontramos con una gran barrera.

La cultura de datos va de personas, no hay duda de que son una variable fundamental en el cambio. Es difícil cuando los trabajadores conviven bajo un mismo espacio temporal y cada uno de ellos dispone de una realidad distinta. Es habitual que las personas se sientan amenazadas por el cambio, por eso es importante aportarles herramientas que les ayude a desarrollar las nuevas competencias que han de adquirir.

La transformación digital ha sufrido una evolución veloz, en donde grandes cambios se han sucedido en menos de media generación, y eso hace más difícil seguir el camino del cambio. Lo que hoy funciona, puede no hacerlo mañana.

En conclusión, el mapa lo tiene que hacer uno mismo mediante la prueba y error, porque en el mundo de la digitalización, hay cosas que nunca nadie ha hecho antes.

Si quieres seguir profundizando en la transformación digital, aquí hablo en OndaCro de PRNoticias sobre el tema junto a Alejandro Doncel de Kschool y Antonio Pita:

07 Jun 2017 | Estrategia

No encuentre defectos, encuentre soluciones, cualquiera sabe quejarse.

En los últimos tiempos todo ha cambiado en la medición de la eficacia publicitaria: invertir más no asegura un incremento del retorno.

El origen está en el entendimiento por parte de los anunciantes. Centrarse en la micro-táctica y olvidar el enfoque estratégico lleva a la confusión. La perspectiva estratégica ayuda a entender la situación para luego aterrizar lo táctico. La tecnología permite conocer al detalle qué hace cada medio, pero necesita del ser humano para comprender la situación de manera global.

Es importante conocer lo global (pe. cuando se invierte en el canal de YouTube las ventas crecen) pero también lo táctico (pe. conocer el rendimiento por campaña de YouTube). Tampoco hay que perder de vista cómo influyen otras variables, como por ejemplo, otras campañas que se hayan puesto en marcha (pe. interesarse por cómo ha influido una campaña en Twitter en la de YouTube).

Hace años, hacer un anuncio en Televisión Española garantizaba un importante retorno, ya que era el único canal en abierto a pesar de que el dato se medía con menos precisión. Entonces, el mundo era más sencillo. Sin embargo, ahora el modelo ha dejado de ser una ecuación para pasar a ser un sistema de ecuaciones. Ahora es necesario considerar no sólo las relaciones directas sino también las indirectas, amoldando el discurso matemático a la compleja realidad.

Esto ha llevado a que en la actualidad, el hecho de invertir en diferentes soportes no es garantía del éxito. Las soluciones no son tan definitivas como antes, de ahí que lo hayan notado las grandes inversiones que estaban acostumbradas a importantes retornos. Aunque también es cierto, que por otro lado, las posibilidades se han democratizado, y pequeñas inversiones que antes no tenían opciones, son capaces de generar resultados.

El cambio de realidad llevó a que se identificara que no existía una métrica bien construida de marca. El equipo de Macarena Estevez estableció las siguientes tres características:
– Que sea una métrica predictiva de negocio, por ejemplo: si la métrica crece, resulta en un incremento de las ventas (energía)
– Que sea una métrica que se pueda gestionar, por ejemplo: que se puedan identificar los contenidos a trabajar para la mejora de la métrica (esencia)
– Y que además, permita tener un control de la experiencia de las consumidores con la marca en los puntos de contacto (experiencia)

Sin duda, construir una buena métrica de marca, requiere una metodología denominada modelos estructurales porque funcionan bien con valores intangibles. Este método consiste en trabajar con una serie de atributos, llamados variables latentes, de manera cualitativa.

Antes, los intangibles se medían anualmente, pero ahora la tecnología ha permitido que las percepciones de las marcas sean más volubles, pudiendo variar de un día para otro. Por eso, en lugar de hacer un seguimiento anual, es necesario hacerlo en tiempo real: la escucha social y digital lo hacen posible.

Sin embargo, el camino correcto no es escuchar simplemente; las cosas analíticamente hay que construirlas off-line, bajo una estructura bien definida para después aplicar la energía de la parte online.

En definitiva, la estadística o la matemática no son la verdad absoluta, pero acerca algo más a la verdad. Son disciplinas que permiten, por ejemplo, elaborar diversas hipótesis tras el resultado de una inversión en campañas publicitarias. Contrastando los datos, es posible obtener unas cifras, y lo más importante, traducirlo en impactos a partir de los cuales poder tomar decisiones.

Si quieres seguir profundizando sobre este tema, aquí estoy con Macarena Estévez de Conento hablando sobre este tema en el podcast de OndaCRO en PRNoticias:

¿Qué ha pasado en el último mes?

Ignacio Gallego me escribió un artículo impresionante en su blog

Estuve en OMEXPO 2017 hablando sobre Datos y Análisis en la sala de Semrush: