y en la nube
No hace falta ser programador para construir un modelo predictivo útil, un cuadro de mando con KPI o un asistente virtual. Este bloque recorre las herramientas visuales y las de Google Cloud que pide el programa, con los cambios que han tenido desde 2020.
- Google Data Studio pasó a llamarse Looker Studio (2022).
- Dialogflow CX se integró en Conversational Agents (su consola sustituyó a la de CX en octubre de 2025), con agentes generativos («playbooks») y respuestas a partir de documentos; Dialogflow ES sigue existiendo como producto aparte.
- BigQuery ML permite además llamar a modelos generativos (Gemini) desde SQL.
- La disponibilidad del plan gratuito de BigML ha cambiado con los años; por eso las prácticas usan Orange Data Mining (gratuito y de código abierto) como herramienta no code principal, con el flujo equivalente de BigML.
| Nivel | Herramientas | Quién | Ventajas / límites |
|---|---|---|---|
| No code | BigML, Orange, Teachable Machine, AutoML en la nube | Perfil de marketing con formación en datos | Rápido y visual / menos control, límites de volumen |
| Low code (SQL) | BigQuery ML, Looker Studio | Analista que sabe SQL | Modelos donde están los datos, a escala / requiere cuenta en la nube |
| Código | Python: scikit-learn, Keras, PyTorch (Módulo 3B) | Científico de datos | Control total / más tiempo y conocimientos |
| Modelos fundacionales vía API o asistentes configurables | Gemini, OpenAI, Claude; Gems, GPTs, agentes | Marketing + desarrollo | Texto, imagen y conversación sin entrenar / coste por uso y control de calidad |
cómo se evalúa un modelo
La matriz de confusión
| Predice «no recompra» | Predice «recompra» | |
|---|---|---|
| Real «no recompra» | Verdaderos negativos (VN) | Falsos positivos (FP) |
| Real «recompra» | Falsos negativos (FN) | Verdaderos positivos (VP) |
| Métrica | Fórmula | Pregunta que responde |
|---|---|---|
| Exactitud (accuracy) | (VP + VN) / total | ¿Qué porcentaje acierta en general? (engañosa si las clases están desequilibradas) |
| Precisión (precision) | VP / (VP + FP) | De los que predice que comprarán, ¿cuántos compran? |
| Exhaustividad (recall, sensibilidad) | VP / (VP + FN) | De los que compran, ¿a cuántos detecta? |
| F1 | Media armónica de precisión y exhaustividad | Equilibrio entre ambas |
| AUC (ROC) | Área bajo la curva ROC (0,5 = azar, 1 = perfecto) | ¿Ordena bien a los clientes de más a menos probables? |
El umbral es una decisión de negocio
El modelo da una probabilidad; el umbral (0,5 por defecto) decide a partir de cuánto se considera «sí». Si una acción es barata (un email), interesa detectar a muchos (umbral bajo, más exhaustividad). Si es cara (un regalo físico), interesa acertar (umbral alto, más precisión).
BigML y Orange
Funcionalidades y secciones de BigML
Flujo típico en BigML: Source → Dataset → (split) → Model / Ensemble → Evaluation → Batch prediction. Las acciones «1-click» lo automatizan.
Orange Data Mining: el mismo flujo con widgets
Orange (Universidad de Liubliana, gratuito) se instala en el ordenador y construye el flujo uniendo widgets en un lienzo:
aplicación de marketing
| Forma | Cómo | Ejemplo |
|---|---|---|
| Por lotes | Puntuar a todos los clientes cada semana y exportar un CSV | Segmento «alto valor en riesgo» en la herramienta de email |
| Audiencias publicitarias | Subir listas (con consentimiento y datos cifrados) a Google Ads (Customer Match) o Meta (públicos personalizados) | Excluir a quien ya va a comprar; reactivar a los dormidos |
| En tiempo real (API) | La web o el CRM consulta el modelo para cada visitante | Mostrar un descuento solo si la probabilidad de compra es baja |
| En el almacén de datos | BigQuery ML: predicciones con SQL donde ya están los datos | Tabla de puntuaciones conectada a Looker Studio |
Conceptos de Google Cloud Platform
- Proyecto: contenedor de recursos, permisos y facturación. Todo se crea dentro de un proyecto.
- Consola (
console.cloud.google.com), IAM (quién puede hacer qué), regiones (elige UE para datos de clientes europeos). - Facturación: la mayoría de servicios requieren una cuenta de facturación (hay crédito de prueba para nuevos usuarios). BigQuery sandbox permite usar BigQuery sin tarjeta, con los límites gratuitos (10 GB de almacenamiento y 1 TB de consultas al mes, tablas que caducan a los 60 días).
BigQuery
Almacén de datos (data warehouse) sin servidor: se cargan tablas y se consultan con SQL; se paga por almacenamiento y por datos procesados.
mi-proyectoverdepedidos, clientesSELECT canal, ROUND(SUM(importe), 2) AS ventas, COUNT(*) AS pedidos FROM `verde.pedidos` GROUP BY canal ORDER BY ventas DESC;
Fuentes habituales en marketing: exportación de GA4 a BigQuery (gratuita), Google Ads, CRM, tienda online.
con BigQuery ML
BigQuery ML entrena y usa modelos con sentencias SQL, sin sacar los datos del almacén.
-- 1. Entrenar una regresión logística CREATE OR REPLACE MODEL `verde.modelo_recompra` OPTIONS(model_type = 'logistic_reg', input_label_cols = ['recompra_90d']) AS SELECT * EXCEPT(id_cliente, provincia, fecha_alta) FROM `verde.clientes`; -- 2. Evaluar (BigQuery separa automáticamente una parte para evaluación) SELECT * FROM ML.EVALUATE(MODEL `verde.modelo_recompra`); -- 3. Predecir: probabilidad de recompra de cada cliente SELECT id_cliente, p.prob AS prob_recompra FROM ML.PREDICT(MODEL `verde.modelo_recompra`, (SELECT * FROM `verde.clientes`)), UNNEST(predicted_recompra_90d_probs) AS p WHERE p.label = 1 ORDER BY prob_recompra LIMIT 20;
Otros tipos de modelo útiles en marketing
kmeans: segmentación de clientes.arima_plus: previsión de series temporales (ventas por día).boosted_tree_classifier,random_forest_classifier,dnn_classifier: más potencia para clasificación.matrix_factorization: recomendadores.- Modelos remotos de Gemini: generar o clasificar texto (por ejemplo, el sentimiento de las reseñas) con funciones de IA desde SQL.
ML.EXPLAIN_PREDICTyML.GLOBAL_EXPLAIN: qué variables influyen.
con Looker Studio
Looker Studio (antes Data Studio) crea informes interactivos gratuitos conectados a GA4, Google Ads, BigQuery, Hojas de cálculo, CSV y cientos de conectores.
Un buen cuadro de mando
- Responde a preguntas concretas de quien lo usa (dirección, equipo de campañas).
- KPI arriba, con comparación con el periodo anterior u objetivo.
- Evolución en el tiempo y desglose por dimensiones clave.
- Pocos colores, títulos que explican, definiciones de cada métrica.
- Datos actualizados automáticamente (conector en vivo o tabla de BigQuery).
Conceptos de Dialogflow
| Concepto | Qué es | Ejemplo en Verde Mediterráneo |
|---|---|---|
| Intención (intent) | Lo que quiere el usuario | consultar_envio, devolucion, recomendar_rutina |
| Frases de entrenamiento | Formas de expresar la intención | «¿Cuándo llega mi pedido?», «tiempo de entrega» |
| Entidades | Datos que hay que extraer | @tipo_piel (seca, grasa, mixta), número de pedido |
| Respuestas / fulfillment | Lo que contesta el agente, fijo o consultando un sistema (webhook) | Estado del pedido desde la tienda online |
| Flujos y páginas (CX) | Estados de una conversación guiada | Proceso de devolución paso a paso |
Conversational Agents: la versión generativa ACTUALIZADO
- Playbooks: instrucciones en lenguaje natural para un agente basado en Gemini, en lugar de diseñar cada intención.
- Almacenes de datos: el agente responde a partir de tus documentos o de tu web (RAG).
- Herramientas: llamar a APIs (estado del pedido, stock).
- Se combinan: flujos deterministas para lo crítico (devoluciones, datos personales) y generación para lo abierto.
- Integración en la web con Conversational Messenger, WhatsApp, teléfono. Requiere un proyecto de Google Cloud con facturación (crédito de prueba).
Alternativas sin infraestructura
Para prototipos: asistentes configurables con instrucciones y archivos de conocimiento (Gems de Gemini, GPTs de ChatGPT, agentes de Copilot Studio) o plataformas visuales (Voiceflow, Botpress). Para producción en una web: plataformas de atención al cliente con IA (Zendesk, Intercom) o Conversational Agents.
Diseño responsable de un asistente
| Término | Significado |
|---|---|
| AUC | Área bajo la curva ROC: capacidad del modelo para ordenar positivos por encima de negativos. |
| Batch prediction | Predicción de muchos registros a la vez. |
| BigQuery ML | Funciones de aprendizaje automático de BigQuery mediante SQL. |
| Customer Match | Uso de listas de clientes propios para segmentar en Google Ads. |
| Exhaustividad (recall) | Proporción de positivos reales que el modelo detecta. |
| Intent | Intención del usuario en un agente conversacional. |
| Looker Studio | Herramienta gratuita de Google para informes y cuadros de mando (antes Data Studio). |
| Playbook | Instrucciones en lenguaje natural para un agente generativo de Conversational Agents. |
| Precisión | Proporción de predicciones positivas que son correctas. |
| Sandbox de BigQuery | Modo gratuito de BigQuery sin cuenta de facturación. |
De 100 clientes que el modelo predice que comprarán, compran 80. ¿Qué métrica es el 80 %?
- Exhaustividad
- AUC
- Precisión
- Exactitud
VP / (VP + FP).
La acción es un email barato y no quieres dejar escapar a ningún posible comprador. ¿Qué haces con el umbral?
- Bajarlo para aumentar la exhaustividad
- Subirlo al 0,95
- Eliminarlo
- No importa
Más detectados a costa de más falsos positivos.
En BigML, ¿qué sección compara el modelo con los datos de prueba?
- Sources
- Datasets
- Clusters
- Evaluations
Con matriz de confusión y métricas.
¿Qué permite el sandbox de BigQuery?
- Usar Conversational Agents gratis
- Usar BigQuery sin tarjeta dentro de los límites gratuitos
- Almacenar datos sin límite
- Publicar anuncios
10 GB de almacenamiento y 1 TB de consultas al mes.
¿Qué sentencia entrena un modelo en BigQuery ML?
SELECT MODELML.PREDICTCREATE OR REPLACE MODEL … OPTIONS(model_type=…)INSERT MODEL
Luego ML.EVALUATE y ML.PREDICT.
¿Qué tipo de modelo de BigQuery ML usarías para segmentar clientes?
kmeanslogistic_regarima_pluslinear_reg
Agrupamiento no supervisado.
¿Cómo se llama hoy Google Data Studio?
- Google Sheets
- BigQuery
- Vertex AI
- Looker Studio
Cambió de nombre en 2022.
En Looker Studio, ¿cómo calculas el ROAS si la fuente tiene ingresos e inversión?
- No se puede
- Con un campo calculado: ingresos / inversión
- Con un filtro
- Exportando a Word
Los campos calculados se crean en la fuente o en el gráfico.
En un agente conversacional, «¿cuándo llega mi pedido?» y «tiempo de entrega» son…
- Entidades
- Webhooks
- Frases de entrenamiento de una misma intención
- Playbooks
Distintas formas de expresar consultar_envio.
¿Qué técnica permite que un agente responda a partir de las fichas de producto y la FAQ de la tienda?
- Almacenes de datos / RAG
- Clustering
- Retropropagación
- Puja automática
Recupera la información antes de responder.
¿Qué debe hacer un asistente de la web ante una pregunta que no sabe responder?
- Inventar una respuesta plausible
- Ignorarla
- Pedir los datos de la tarjeta
- Reconocerlo y derivar a una persona o canal de contacto
Evita alucinaciones y daño reputacional.
Subir a Google Ads una lista de clientes «en riesgo» para una campaña requiere…
- Nada especial
- Consentimiento o base legal, información en la política de privacidad y datos cifrados
- Que sean más de 10 millones
- Publicarla en la web
Customer Match exige además cumplir las políticas de Google.
Tu progreso
—