María S. López Oller

Cada marca recogía los datos web a su manera. Creé el marco de gobierno de Google Tag Manager para 60 marcas^M1 y más de 100 webs, en todas las regiones, China incluida.

Dirigí la migración de la plataforma de gestión del consentimiento, con la validación de Consent Mode bajo el RGPD y la CCPA, y preparé el business case de Google Analytics 360 midiendo lo que costaba la mala calidad del dato. También hice análisis en BigQuery para los equipos de marketing de las marcas y puse en marcha lo que pedían.

• Herramientas
• Google Tag Manager
• Consent Mode v2
• Chrome DevTools
• Google Tag Assistant
• GA4
• BigQuery

La identidad digital es más difícil de medir que la mayoría de los servicios públicos: Reino Unido no tiene DNI, así que el servicio tiene que verificar quién es alguien sin él. Trabajé en varios equipos ágiles y multidisciplinares a la vez, y creé y validé métricas y KPI nuevos de cuya calidad del dato era responsable.

Para el trabajo de analítica de mi equipo, escribía las especificaciones con las que construía desarrollo: user stories y criterios de aceptación de UAT. Con el Head of Privacy, implanté el RGPD en toda la unidad, con el consentimiento y el tratamiento de datos sensibles. Nuestro equipo automatizó el reporting recurrente con Python y pipelines ETL y redujo el esfuerzo en tres cuartas partes^M2, con informes semanales a más de 30 stakeholders^M3, el 100 % a tiempo.

También me formé como evaluadora de servicios del GDS y participé en paneles de evaluación del Service Standard como performance analyst.

RecursosEntrada del blog (en inglés) · especificaciones de analítica que desarrollo puede construir

• Herramientas
• User stories
• Criterios de UAT
• Definición de KPI
• RGPD
• Python
• ETL
• Jira

Marketing y ecommerce no se fiaban de las cifras del otro. Con la directora, partí de un plan de medición y acordé los objetivos con cada área antes de definir ningún KPI. Ordené el backlog por dependencias y por cuántos equipos desbloqueaba cada pieza, para que nadie construyera una métrica sin acordar. Cada entrega llevaba un dashboard funcionando y formación.

Las peticiones nuevas de analítica crecieron un 70 %^M4 interanual, con un 90 %^M5 de satisfacción de los stakeholders.

RecursosPresentación disponible si se pide

• Herramientas
• Plan de medición
• Definición de KPI
• Looker
• Looker Studio
• Power BI
• Jira

Negocio quería rediseñar el checkout. Antes de comprometer tiempo de ingeniería, comparé el embudo paso a paso con la referencia del sector retail y encontré una página por la que pasaba el 40 %^M6 del tráfico del checkout y que nunca se había medido. Eso lo arreglé primero.

Tres equipos querían tres soluciones distintas. Marketing quería a Atención al Cliente en videollamadas, Atención al Cliente quería un chat en las páginas de producto y los datos apuntaban al checkout. Enseñé a cada equipo, paso a paso, qué datos había en cada etapa y qué nos diría cada opción, y empezamos por el checkout.

Después fuimos a por los motivos, con una encuesta de Hotjar categorizada con la API de OpenAI y los motivos del chat que Atención al Cliente registraba en Salesforce. Los fallos de pago salieron como la causa principal. Tras los cambios, la conversión del checkout subió un 4 %^M7 frente a la línea base previa, y Atención al Cliente siguió usando el informe semanal en sus propias reuniones.

RecursosEntrada del blog (en inglés) · la historia completa

• Herramientas
• GA4
• Google Tag Manager
• BigQuery
• SQL
• Python
• Hotjar
• Microsoft Clarity
• OpenAI API
• Salesforce

Los profesionales de la nutrición no tenían una herramienta de IA pensada para su trabajo con clientes. Llevé el producto de la idea a la beta. Coordino el equipo y decido qué construir a continuación a partir de entrevistas con más de diez de ellos.

Decidimos dar la IA solo a nutricionistas, para que un profesional revise cada recomendación antes de que llegue al cliente. El proyecto llegó a la fase final de la incubadora INCOOVA, uno de 12^M8 proyectos.

RecursosEntrada del blog (en inglés) · por qué pusimos a nutricionistas en el circuito

• Herramientas
• LLM APIs
• Vertex AI
• Google Cloud
• BigQuery

El objetivo era duplicar los leads del año anterior mientras se recortaba el presupuesto. Dirigí un equipo de cuatro personas, tres de marketing y un diseñador, y llevé la relación de marketing con los partners de marca blanca. Acordé qué contaba como lead, leí los resultados canal a canal y moví el dinero a lo que daba retorno.

Los leads subieron un 112 %^M9 en seis meses con un presupuesto de marketing un 48 %^M10 menor, y el coste por lead pasó de 36,20 € a 9,38 €^M11.

RecursosPresentación · PDF, 10 diapositivas (en inglés)

• Herramientas
• Google Analytics
• Google Ads
• Facebook Ads
• Google Display Network
• Google Trends
• CRM

Goldcar Club, el programa de fidelización de la empresa de alquiler de coches, necesitaba saber qué socios valían más para el negocio. Con el Chief Digital Officer, definí el customer lifetime value^M12 de sus socios.

Lo construí en Python y SQL a partir de la segmentación RFM: cuándo fue la última vez, con qué frecuencia y cuánto había gastado cada socio. Después lo usó marketing.

En el mismo puesto dirigí el plan de medición en 15 países.

• Herramientas
• Python
• SQL
• RFM
• Customer lifetime value

El orden de una página de categoría decide qué productos ve primero el cliente. El equipo de performance pidió probar algoritmos de ordenación nuevos en la herramienta interna de merchandising de Sprinter: uno que reordenaba la rejilla según lo que el visitante había estado viendo y otro que subía productos afines a los que había mirado.

Fue un test A/B de verdad: los visitantes se repartieron al azar en grupos que veían cada ordenación al mismo tiempo, así que la comparación no la sesgaban la temporada ni las campañas, como pasa con un antes y después. El éxito era el ingreso por visitante, con los clics en la rejilla y los añadidos al carrito como señales tempranas.

Lo difícil fue la unidad del reparto. Repartir por usuario es lo correcto aquí: la ordenación personalizada aprende de lo que navega el visitante, así que un reparto por sesión puede enseñar a la misma persona las dos versiones en visitas distintas y difuminar la diferencia. Pero reconocer a un visitante que vuelve necesita una cookie, y en Sprinter esa cookie dependía del consentimiento, así que el equipo técnico no podía repartir por usuario y el test se hizo por sesión, frente a un grupo de control con la ordenación actual.

Cómo revisaría hoy un test así: tres brazos (la ordenación actual como control y los dos algoritmos) piden un test multivariante con corrección por comparaciones múltiples. Los clics y los añadidos al carrito son proporciones, así que encaja un test de dos proporciones. El ingreso por visitante lo sesgan unas pocas cestas grandes, así que necesita un test que aguante eso, como el t de Welch con una muestra grande o un bootstrap. Y con un reparto por sesión, la sesión también tiene que ser la unidad de análisis. Mi calculadora gratuita cubre la planificación, el montaje multivariante, varias métricas a la vez y el riesgo de elegir mal al ganador.

RecursosCalculadora de tests A/B · hecha por mí (en inglés)

Los experimentos eran trabajo de equipo, unos cinco por trimestre^M13. Validaba cada test con el equipo técnico antes de lanzarlo y evaluaba los resultados.

Un proyecto de práctica sobre cómo organizaría una analítica de la que un equipo se pueda fiar. Catorce preguntas de negocio sobre una clínica ficticia, de los reingresos a 30 días a la adherencia a la medicación, cada una respondida por su propio modelo de dbt con datos sintéticos. No hay pacientes reales.

Los datos traen defectos puestos a propósito: formularios de ingreso duplicados, un médico sin departamento, estancias con el alta antes del ingreso y valores de laboratorio imposibles. Las filas malas se marcan, no se esconden, y cada modelo decide qué excluir. 50 tests^M14 y un cuadro de calidad del dato detectan los defectos: los conocidos avisan sin parar el build y los fallos de verdad lo paran.

También funciona como catálogo de datos. Cada modelo tiene responsable, clasificación del dato y sus columnas de datos personales etiquetadas, y el grafo de linaje va de los datos en bruto a los informes que los usan. Una comprobación en el pipeline para el build si alguno de los 34 modelos y seeds^M16 se queda sin documentar.

Cómo se construyó, con agentes de IA, está en IA agéntica en mi propio trabajo.

RecursosGitHub · código, tests y resultados (en inglés)Catálogo y linaje · dbt docsCaso de uso y diapositivas disponibles si se piden

• Herramientas
• dbt
• DuckDB
• SQL
• Python
• GitHub Actions
• dbt docs