Desde que accedí a la beta de GPT, la mitad de mi tiempo lo dedico a investigación y desarrollo (I+D) para optimizar procesos de trabajo con modelos de lenguaje como GPT, Gemini, LLAMA y otros LLMs. Pero lo de hoy fue un verdadero salto al infinito y más allá.
Google Gemini 2.0 llegó al mundo, ¡y gratis! Como muchos, me puse a explorar sus funcionalidades: desde conversaciones avanzadas hasta su impresionante entorno multimodal. Lo que más me sorprendió fue la posibilidad de compartir pantalla y obtener asistencia directa.
En este video, experimenté algo increíble: le compartí mi pantalla a Gemini con Google Analytics, una herramienta que uso hace más de 20 años, y le pedí ayuda para optimizarla. La experiencia fue una locura: desde analizar datos hasta proponer ideas concretas.
¿Querés ver cómo funciona en acción? Mirá el video y descubrí cómo los LLMs están revolucionando la forma en que trabajamos. Te aseguro que vas a quedar tan fascinado como yo.
Hay varios momentos interesantes, primero que Todo, le estoy compartiendo la pantalla de un reporte en GA Personalizado, es decir no es un informe estándar, y no tienen problema en guíame y analizar los datos
Google Gemini y Google Analytics: Transformando el Análisis de Datos
Hoy desafié a Google Gemini a hablar en español y a analizar un informe personalizado en Google Analytics cuatro, un informe que con certeza nunca lo había visto, porque era un informe personalizado mío, sin embargo no tuvo ningún problema en ayudarme a entender el informe.
La conversación la grabé hace unos minutos, Aunque inicialmente me respondió en inglés, logramos establecer una conversación en nuestro idioma. Sin embargo, noté algunos detalles curiosos: los números los seguía diciendo en inglés, a pesar de pedirle varias veces que lo hiciera en español. Pero honestamente, estoy buscando el pelo al huevo, porque ver una IA analizando datos en tiempo real es simplemente alucinante.
GPT, tenia un problema similar, y se trata de que simplemente, no sabe decir los números. Sencillamente olvidaron enseñarle, estoy seguro que esto en un par de horas, va a quedar resuelto.
En este artículo, exploramos una conversación fascinante con Google Gemini, donde analizamos un informe de Google Analytics y descubrimos cómo esta poderosa herramienta puede optimizar la creación de contenido y el análisis de datos. A través de KPIs como «views», «engagement time» y «sessions per active user», identificamos oportunidades clave para mejorar estrategias de contenido, quiero destacar que yo no le dije que métricas usar a Google Gemini, sólo vio el informe e identificó estos KPIs…
Introducción
La tecnología de inteligencia artificial está transformando la manera en que interactuamos con herramientas analíticas. En esta charla con Google Gemini, exploramos Google Analytics, una plataforma que muchos conocemos, pero con la asistencia de un modelo de lenguaje que enriquece nuestra comprensión de los datos. La charla giró en torno a identificar artículos de alto rendimiento, mejorar métricas de interacción y descubrir qué contenidos crear para maximizar el interés de los usuarios.
1. Identificando los artículos más leídos
Cuando miramos el reporte juntos, me llamó la atención cómo Google Gemini podía analizar datos tan rápido. Por ejemplo, le pedí que identificara el artículo más leído y en segundos me dijo: ‘El artículo Mi celular escucha mis conversaciones y luego te muestra publicidad tiene 433 vistas’.» Este tipo de interacciones demostró cuán ágil puede ser en categorizar información.
Quiero que quede claro el contexto, estaba viendo mi pantalla en tiempo real, no era una foto, y la latencia de respuesta fue completamente inmediata… esto es una locura…
Google Gemini analizó la columna de «views» para determinar cuáles artículos eran los más visitados. Por ejemplo, el artículo «Mi celular escucha mis conversaciones y luego te muestra publicidad» lideraba con 433 vistas. Era evidente que hasta este punto utilizar las métricas de views, era algo básico, pero Gemini lo pudo identificar rápidamente.
2. Explorando el «engagement time»
Le pregunté a Gemini: ‘¿Qué es el engagement time?’, quería entender con que documentación contaba para explicar el punto, podía haberle preguntado. O inclusive explícamelo más fácil. Explícamelo como un niño de 10 años…. sin duda lo hubiese resuelto, pero estaba tan fascinado con profundizar en el análisis que no se me ocurriera hacer esas preguntas mientras estaba grabando el video…. Gemini explicó correctamente que es el tiempo promedio que un usuario activo pasa interactuando con una página.
Me sorprendió su conclusión: cómo incluso artículos con menos vistas tenían un tiempo promedio de interacción más alto. Me dijo: ‘Por ejemplo, este artículo tiene 1 minuto y 12 segundos de promedio’. Ahí noté que la capacidad de procesamiento entre diferentes indicadores es notable.
El «average engagement time per active user» reveló cuánto tiempo pasan los usuarios interactuando con cada página. Sorprendentemente, Gemini pudo concluir que artículo con menos vistas tiene un engagement promedio superior a un minuto, destacándolo como un contenido valioso para profundizar.
3. Métricas complementarias: «engaged sessions» y «views per active user»
Gemini introdujo la idea de «engaged sessions per active user» y «views per active user», que permitieron medir la calidad de las interacciones. Estas métricas ayudaron a identificar artículos con alto interés específico por usuario, como los relacionados con «SEO para LLMs«.
4. Priorizando contenido nuevo
Basándonos en los datos que analizamos, le pedí a Gemini que sugiriera temáticas nuevas. Me respondió: ‘Te recomiendo un artículo sobre e-commerce y Google Tag Manager porque tiene un alto número de sesiones por usuario activo’. También sugirió explorar temas relacionados con LLMs. Fue genial ver cómo combinaba datos duros con recomendaciones accionables.»
Basándose en palabras clave y datos de interacción, Gemini sugirió priorizar la creación de artículos sobre «e-commerce y Google Tag Manager», seguidos por temáticas tecnológicas como «LLMs». Estas recomendaciones alinean los esfuerzos de contenido con las tendencias de interés del usuario.
5. Listas de prioridades y decisiones estratégicas
Finalmente le pedí a Gemini que organizara las prioridades en una lista clara. Me dijo: ‘Primero, un artículo sobre e-commerce y Google Tag Manager. Segundo, algo relacionado con ‘Mi celular escucha mis conversaciones’. Tercero, enfocáte en SEO para LLMs’. Su capacidad para sintetizar datos y proponer un plan de acción me dejó asombrado.»
Finalmente, la conversación concluyó con una lista clara de los próximos cinco artículos a desarrollar. Las decisiones se basaron en datos de engagement y vistas, asegurando que cada pieza tenga un impacto máximo.
Conclusión
Esto no es el futuro. Esto pasó Hoy por la tarde. La combinación de Google Gemini con Google Analytics abre nuevas posibilidades para analizar datos y tomar decisiones informadas. Desde priorizar contenido hasta medir el interés de los usuarios, esta sinergia demuestra cómo la inteligencia artificial puede transformar nuestras estrategias digitales.
No hay que olvidar que esta experiancia multimodal la podemos replicar con cualquier otra herramienta y esto por ahora es gratis un LLM En español y gratis.