GhostAcademy
GhostAcademy
COMM04 · Módulo 3 · Teoría · Soluciones no code y Google Cloud
Módulo 3 · Parte A · Teoría
Soluciones de IA sin código
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.

⏱ 8 horas (teoría + prácticas)📦 Proyecto 2: modelo de recompra, cuadro de mando y asistente
🔄 Cambios de nombre y de producto 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.
Tema 1
Niveles de personalización
NivelHerramientasQuiénVentajas / límites
No codeBigML, Orange, Teachable Machine, AutoML en la nubePerfil de marketing con formación en datosRápido y visual / menos control, límites de volumen
Low code (SQL)BigQuery ML, Looker StudioAnalista que sabe SQLModelos donde están los datos, a escala / requiere cuenta en la nube
CódigoPython: scikit-learn, Keras, PyTorch (Módulo 3B)Científico de datosControl total / más tiempo y conocimientos
Modelos fundacionales vía API o asistentes configurablesGemini, OpenAI, Claude; Gems, GPTs, agentesMarketing + desarrolloTexto, imagen y conversación sin entrenar / coste por uso y control de calidad
Tema 2
Seguimiento del proceso:
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)
MétricaFórmulaPregunta 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?
F1Media armónica de precisión y exhaustividadEquilibrio 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).

💡 Compara siempre con una referenciaUn modelo con un 77 % de exactitud solo es útil si mejora lo que ya tenías: por ejemplo, la regla RFM del Módulo 2 o «todos compran» (que aquí acertaría el 49,5 %).
Tema 3
Modelo predictivo no code:
BigML y Orange

Funcionalidades y secciones de BigML

SourcesSubir el archivo (CSV, Excel, URL, Google Drive). Se configuran tipos de campo y el separador.
DatasetsVersión estructurada con estadísticas e histogramas por campo; se divide en entrenamiento/prueba (Training and test split, 80/20).
SupervisedModels (árboles), Ensembles (bosques, boosting), Logistic Regressions, Deepnets, OptiML (busca automáticamente el mejor modelo).
UnsupervisedClusters, Anomaly detectors, Associations, Topic models.
EvaluationsCompara el modelo con el conjunto de prueba: matriz de confusión, exactitud, precisión, exhaustividad, AUC, curvas.
PredictionsPredicción individual (formulario) o por lotes (Batch prediction) que se descarga en CSV; también por API.

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:

FileCarga y roles (objetivo, meta)
Data Table / DistributionsExplorar
Logistic Regression, Tree, Random ForestAprender
Test and Score / Confusion MatrixEvaluar
Predictions / Save DataUsar
Tema 4
Integrar el modelo en una
aplicación de marketing
FormaCómoEjemplo
Por lotesPuntuar a todos los clientes cada semana y exportar un CSVSegmento «alto valor en riesgo» en la herramienta de email
Audiencias publicitariasSubir 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 visitanteMostrar un descuento solo si la probabilidad de compra es baja
En el almacén de datosBigQuery ML: predicciones con SQL donde ya están los datosTabla de puntuaciones conectada a Looker Studio
⚖️ Antes de integrarInforma del perfilado en la política de privacidad, respeta la oposición al marketing directo, no tomes decisiones con efectos significativos solo con el modelo (RGPD art. 22) y mide el resultado con un grupo de control.
Tema 5
Google Cloud y BigQuery

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.

Proyectomi-proyecto
Conjunto de datosverde
Tablapedidos, clientes
SQL
SELECT 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.

Tema 6
Crear un modelo predictivo
con BigQuery ML

BigQuery ML entrena y usa modelos con sentencias SQL, sin sacar los datos del almacén.

SQL · CREAR, EVALUAR, PREDECIR
-- 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_PREDICT y ML.GLOBAL_EXPLAIN: qué variables influyen.
Tema 7
Cuadro de mando (KPI)
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.

Fuente de datosConector + campos (dimensiones y métricas). Se pueden crear campos calculados (por ejemplo, ROAS = ingresos / inversión).
GráficosCuadros de resultados (KPI), series temporales, barras, tablas con barras, mapas geográficos, tablas dinámicas.
ControlesSelector de periodo, listas desplegables de filtro (canal, categoría).
CompartirComo Google Docs: ver o editar, enlace, envío programado por correo, inserción en una web.

Un buen cuadro de mando

  1. Responde a preguntas concretas de quien lo usa (dirección, equipo de campañas).
  2. KPI arriba, con comparación con el periodo anterior u objetivo.
  3. Evolución en el tiempo y desglose por dimensiones clave.
  4. Pocos colores, títulos que explican, definiciones de cada métrica.
  5. Datos actualizados automáticamente (conector en vivo o tabla de BigQuery).
Tema 8
Crear un agente inteligente

Conceptos de Dialogflow

ConceptoQué esEjemplo en Verde Mediterráneo
Intención (intent)Lo que quiere el usuarioconsultar_envio, devolucion, recomendar_rutina
Frases de entrenamientoFormas de expresar la intención«¿Cuándo llega mi pedido?», «tiempo de entrega»
EntidadesDatos que hay que extraer@tipo_piel (seca, grasa, mixta), número de pedido
Respuestas / fulfillmentLo 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 guiadaProceso 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

TransparenciaSe presenta como asistente de IA (obligación del Reglamento de IA).
AlcanceQué responde y qué no; ante dudas, deriva a una persona.
FuentesResponde solo con información verificada (FAQ, fichas de producto) y no inventa políticas ni precios.
DatosPide los mínimos; nada de datos de salud o pago en el chat.
PruebasBatería de preguntas, incluidas las difíciles y las fuera de tema, antes de publicar.
MejoraRevisar conversaciones (anonimizadas) y ampliar el conocimiento.
Repaso
🧠 Resumen
NivelesNo code (BigML, Orange), low code (BigQuery ML, Looker Studio), código (Python), modelos vía API o asistentes configurables.
EvaluaciónMatriz de confusión, exactitud, precisión, exhaustividad, F1, AUC. Umbral = decisión de negocio. Comparar con una referencia.
BigML / OrangeSource → Dataset → split → Model → Evaluation → Batch prediction. Widgets File, Test and Score, Predictions.
IntegraciónLotes, audiencias (Customer Match), API en tiempo real, en el almacén. RGPD y grupo de control.
BigQuery y BQMLProyecto, dataset, tabla, SQL; sandbox sin tarjeta. CREATE MODEL, ML.EVALUATE, ML.PREDICT; kmeans, arima_plus, Gemini.
Looker y agentesFuentes, gráficos, controles, compartir. Intents, entidades, flujos; playbooks y almacenes de datos; transparencia y derivación humana.
Referencia
📖 Glosario
TérminoSignificado
AUCÁrea bajo la curva ROC: capacidad del modelo para ordenar positivos por encima de negativos.
Batch predictionPredicción de muchos registros a la vez.
BigQuery MLFunciones de aprendizaje automático de BigQuery mediante SQL.
Customer MatchUso de listas de clientes propios para segmentar en Google Ads.
Exhaustividad (recall)Proporción de positivos reales que el modelo detecta.
IntentIntención del usuario en un agente conversacional.
Looker StudioHerramienta gratuita de Google para informes y cuadros de mando (antes Data Studio).
PlaybookInstrucciones en lenguaje natural para un agente generativo de Conversational Agents.
PrecisiónProporción de predicciones positivas que son correctas.
Sandbox de BigQueryModo gratuito de BigQuery sin cuenta de facturación.
Autoevaluación
✅ Comprueba lo que has aprendido

De 100 clientes que el modelo predice que comprarán, compran 80. ¿Qué métrica es el 80 %?

  1. Exhaustividad
  2. AUC
  3. Precisión
  4. Exactitud

VP / (VP + FP).

La acción es un email barato y no quieres dejar escapar a ningún posible comprador. ¿Qué haces con el umbral?

  1. Bajarlo para aumentar la exhaustividad
  2. Subirlo al 0,95
  3. Eliminarlo
  4. No importa

Más detectados a costa de más falsos positivos.

En BigML, ¿qué sección compara el modelo con los datos de prueba?

  1. Sources
  2. Datasets
  3. Clusters
  4. Evaluations

Con matriz de confusión y métricas.

¿Qué permite el sandbox de BigQuery?

  1. Usar Conversational Agents gratis
  2. Usar BigQuery sin tarjeta dentro de los límites gratuitos
  3. Almacenar datos sin límite
  4. Publicar anuncios

10 GB de almacenamiento y 1 TB de consultas al mes.

¿Qué sentencia entrena un modelo en BigQuery ML?

  1. SELECT MODEL
  2. ML.PREDICT
  3. CREATE OR REPLACE MODEL … OPTIONS(model_type=…)
  4. INSERT MODEL

Luego ML.EVALUATE y ML.PREDICT.

¿Qué tipo de modelo de BigQuery ML usarías para segmentar clientes?

  1. kmeans
  2. logistic_reg
  3. arima_plus
  4. linear_reg

Agrupamiento no supervisado.

¿Cómo se llama hoy Google Data Studio?

  1. Google Sheets
  2. BigQuery
  3. Vertex AI
  4. Looker Studio

Cambió de nombre en 2022.

En Looker Studio, ¿cómo calculas el ROAS si la fuente tiene ingresos e inversión?

  1. No se puede
  2. Con un campo calculado: ingresos / inversión
  3. Con un filtro
  4. 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…

  1. Entidades
  2. Webhooks
  3. Frases de entrenamiento de una misma intención
  4. 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?

  1. Almacenes de datos / RAG
  2. Clustering
  3. Retropropagación
  4. Puja automática

Recupera la información antes de responder.

¿Qué debe hacer un asistente de la web ante una pregunta que no sabe responder?

  1. Inventar una respuesta plausible
  2. Ignorarla
  3. Pedir los datos de la tarjeta
  4. 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…

  1. Nada especial
  2. Consentimiento o base legal, información en la política de privacidad y datos cifrados
  3. Que sean más de 10 millones
  4. Publicarla en la web

Customer Match exige además cumplir las políticas de Google.

Tu progreso

—