Análisis de Efectividad de Campañas de Marketing y ROI con Integración de Machine Learning y Power BI

Visión General

Este proyecto desarrolla una solución integral para analizar el rendimiento de campañas de marketing en múltiples canales. Al aprovechar SQL para gestión de datos, Python para modelos predictivos y Power BI para visualización, el sistema identifica canales de alto rendimiento, calcula métricas precisas de ROI y proporciona insights accionables para optimización de presupuesto. El modelo Random Forest alcanza un 96.9% de precisión (R²) en la predicción de ROI, permitiendo decisiones basadas en datos.

Explora los componentes de la aplicación:

Prueba el modelo aquí:
Ver el análisis de Power BI aquí:

Introducción

En el panorama actual del marketing digital, las organizaciones invierten fuertemente en múltiples canales - incluyendo redes sociales, email, motores de búsqueda y anuncios display - para atraer clientes e incrementar ingresos. Este proyecto aborda el desafío crítico de entender el verdadero impacto de estos esfuerzos mediante:

Limpieza y preprocesamiento de 200,000 registros de campañas
Resolución de problemas de calidad de datos (discrepancias en tasas de conversión, irrelevancia de scores de engagement)
Desarrollo de modelos predictivos para estimación de ROI
Creación de dashboards interactivos para monitoreo de desempeño
Construcción de una aplicación Streamlit para simulación de campañas

La solución empodera a equipos de marketing para asignar presupuestos efectivamente identificando los canales y estrategias que generan mayor retorno de inversión.

Componentes del Proyecto

1. Implementación de Base de Datos SQL

Estructura de la Base de Datos:

Creación de base de datos marketing_roi_analysis con tabla de 19 columnas almacenando:
- Metadatos de campaña (ID, compañía, tipo, audiencia)
- Métricas de desempeño (clicks, impresiones, tasa de conversión)
- Datos financieros (costo de adquisición, ingresos en CLP)
- Datos temporales (fechas de inicio/fin)

Scripts SQL Clave:

CREATE DATABASE marketing_roi_analysis.sql - Inicialización de base de datos
CREATE TABLE.sql - Definición de esquema para almacenamiento
CHECK TABLE.sql - Consultas de validación para integridad

2. Análisis de Datos y Machine Learning

Pipeline de Procesamiento:

Limpieza de 200,000 registros (0 duplicados, 100% casos completos)
Resolución de problemas críticos:
- 90% discrepancias en tasas de conversión (reportado vs calculado)
- 10% campañas atípicas con CTRs irreales (>30%)
- Scores de engagement sin correlación

Ingeniería de Características:

Creación de 37 características incluyendo:
- Elementos temporales (mes/trimestre/año de campaña)
- Métricas de eficiencia (CTR, costo por click, ingreso por click)
- Indicadores de desempeño por canal
- Banderas de alto rendimiento (top 20% campañas por ROI)

Desarrollo de Modelos:

Modelo	RMSE	R²	Tiempo Entrenamiento
Random Forest	0.3063	0.9688	87s
XGBoost	0.0450	0.9313	12.6s
LightGBM	0.0460	0.9310	8.4s

Hallazgos Clave:

Campañas en Facebook e influencers generan mayor ROI (5.02 y 5.01 respectivamente)
Campañas por email logran mayores tasas de conversión (límite 15%)
Scores de engagement no mostraron correlación con métricas
Características predictivas principales: clicks, ingresos, costo-por-click, duración

3. Dashboard de Power BI

Componentes Principales:

Vista General de Rendimiento
- Resumen de inversión total vs ingresos generados
- Tendencias históricas y evolución del ROI
- Comparación de periodos clave
Análisis por Canales Digitales
- Distribución de ingresos entre plataformas principales
- Comparativa de tasas de clics y conversiones
- Eficiencia relativa por canal de marketing
Segmentación Demográfica
- Distribución de audiencias por género
- Patrones de comportamiento por grupos de edad
- Efectividad comparada entre segmentos
Perspectiva Geográfica
- Rendimiento comparado por regiones
- Distribución de alcance e impresiones territoriales
- Identificación de mercados clave
Evaluación de Estrategias
- Comparación entre tipos de campañas
- Análisis de formatos publicitarios
- Identificación de mejores prácticas

Funcionalidades Interactivas:

Selectores de rangos de fechas personalizables
Capacidad de filtrar por múltiples dimensiones
Herramientas de exportación para análisis avanzado
Visualización adaptable a diferentes niveles de detalle

Beneficios Clave:

Panel unificado para monitoreo integral
Identificación visual de patrones y anomalías
Soporte para toma de decisiones estratégicas
Actualización dinámica con nuevos datos

4. Aplicación Streamlit

Módulos:

Explorador de Datos
- Filtrado interactivo de datos
- Sistema de visualización por pestañas (ROI, conversiones, tendencias)
- Exportación a CSV
Predictor de ROI
- Modelo Random Forest para predicción
- Análisis de escenarios con parámetros ajustables
- Cálculo de métricas
Aplicación Principal
- Metadatos del modelo (versión, desempeño)
- Visualización de importancia de características
- Información de equipo/contacto

Resultados Clave e Impacto

Mejoras en Calidad de Datos:

Resueltas 180,101 discrepancias en tasas (90% de registros)
Implementación de límites de CTR por canal (Email:15%, Display:3%)
Puntaje de calidad mejorado de 51.7 a 92.8/100

Insights de Desempeño:

Duración promedio de campaña: 37.5 días (rango:15-60)
20% de campañas con ROI ≥6.81
Redes sociales y email contribuyen más ingresos

Recomendaciones:

Reasignar 20% de presupuesto a canales de alto ROI
Priorizar campañas con influencers y Facebook
Implementar detección automática de anomalías (CTR >30%)
Revisar metodología de scores de engagement

Conclusión

Este proyecto ofrece una solución integral para análisis de campañas que:

Automatiza procesos manuales
Mejora precisión con machine learning (96.9% R²)
Identifica oportunidades de optimización
Se integra con herramientas existentes

Proporciona valor especial para:

Analistas y científicos de datos
Gerentes de campañas
Planificadores financieros

Mejoras Futuras:

Integración en tiempo real
Modelado avanzado de escenarios “what-if”
Alertas automáticas de desempeño

Explora los componentes:

Prueba el modelo aquí:
Ver el análisis de Power BI aquí: