Hot Sale 2022

1 Objetivo

Comprender mejor el comportamiento de los usuarios, el rendimiento del sitio y las diferencias de la edición 2022 de Hot Sale contra las ediciones pasadas.

# Cargar las librerías necesarias
if (!require("pacman")) install.packages("pacman")
pacman::p_load(arrow,
               correlationfunnel,
               formattable,
               ggplot2,
               lubridate,
               outliers,
               plotly,
               tidyverse)

# Leer la data de la edición
date_hour <- read_csv("data/2-processed/hotsale_2022_edition_2022-05-01_2022-05-31.csv", 
    col_types = cols(dateHour = col_datetime(format = "%Y%m%d%H"))) %>% 
    rename(fechaHora = dateHour,
           impresiones = productListViews,
           clics = productListClicks) %>% 
    mutate(diaSemana = factor(wday(fechaHora, week_start = 1))) %>% 
    mutate(diaSemana = recode_factor(diaSemana,
                  `1` = "lunes",
                  `2` = "martes",
                  `3` = "miércoles",
                  `4` = "jueves",
                  `5` = "viernes",
                  `6` = "sábado",
                  `7` = "domingo",
                  .ordered = TRUE),
           hora = format(fechaHora, "%H:00"))

# Leer la data de canales
channels <- read_csv("data/2-processed/hotsale_2022_channel_2022-05-01-2022-05-31.csv", 
                     col_types = cols(...1 = col_skip(), `ga:productSku` = col_character(), 
                                      date = col_date(format = "%Y-%m-%d"))) %>% 
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           idPatrocinador = productSku,
           patrocinador = productBrand,
           canal = channelGrouping,
           fuenteMedio = sourceMedium,
           impresiones = productListViews,
           clics = productListClicks)

# Leer la data de creativos
creative <- read_csv("data/2-processed/hotsale_2022_creative_2022-05-10-2022-05-31.csv", 
                     col_types = cols(date = col_date(format = "%Y-%m-%d"))) %>% 
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           tipoCreativo = dimension10,
           impresiones = productListViews,
           clics = productListClicks) %>% 
    mutate(tipoCreativo = case_when(
        tipoCreativo == "Sponsor" ~ "Logo",
        tipoCreativo == "Banner" ~ "Cintillo",
        TRUE ~ tipoCreativo
    ))

# Leer datos de las instastories
insta_stories <- read_csv("data/2-processed/hotsale_2022_creative_instaStories_2022-05-01_2022-05-31.csv", 
    col_types = cols(date = col_date(format = "%Y-%m-%d"))) %>% 
    rename(fecha = date,
           patrocinador = productBrand,
           tipoCreativo = dimension10,
           seccion = productListName,
           clics = productListClicks) %>% 
    mutate(impresiones = case_when(tipoCreativo == "InstaStories" ~ productDetailViews,
                                   TRUE ~ productListViews)) %>% 
    select(-productListViews,
           -productDetailViews) %>% 
    mutate(tipoCreativo = case_when(
        tipoCreativo == "Sponsor" ~ "Logo",
        tipoCreativo == "Banner" ~ "Cintillo",
        TRUE ~ tipoCreativo
    ))
# Leer la data de menu
menu <- read_csv("data/2-processed/hotsale_2022_menu_2022-05-16-2022-05-31.csv", 
                 col_types = cols(...1 = col_skip(), `ga:totalEvents` = col_integer(), 
                                  `ga:uniqueEvents` = col_integer(), 
                                  date = col_date(format = "%Y-%m-%d"))) %>%
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           elemento = eventLabel,
           clicsTotales = totalEvents,
           clicsUnicos = uniqueEvents)

# Leer la data de ofertas hot
ofertas_hot <- read_csv("data/2-processed/hotsale_2022_ofertas-hot_2022-05-18-2022-05-31.csv", 
                        col_types = cols(...1 = col_skip(), date = col_date(format = "%Y-%m-%d"))) %>% 
    rename_with(~str_replace(., "ga:", ""), everything()) %>%
    mutate(pagePath = str_remove(pagePath, "/ofertas-hot")) %>% 
    select(fecha = date,
           pagina = pagePath,
           paginasVistas = pageviews,
           paginasVistasUnicas = uniquePageviews)

# Leer la data de productos
products <- read_csv("data/2-processed/hotsale-2022-products.csv", 
                     col_types = cols(productSku = col_character(), 
                                      date = col_date(format = "%Y-%m-%d"))) %>% 
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           idPatrocinador = productSku,
           patrocinador = productBrand,
           seccion = productListName,
           nivelPatrocinio = dimension7,
           impresiones = views,
           clics)

# Leer la data de las búsquedas
searches <- read_csv("data/2-processed/hotsale_2022_searches_2022-05-16-2022-05-31.csv", 
                     col_types = cols(...1 = col_skip(), date = col_date(format = "%Y-%m-%d"))) %>%
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           busqueda = eventLabel,
           totalBusquedas = totalEvents,
           busquedasUnicas = uniqueEvents)

# Leer la data de las secciones
sections <- read_csv("data/2-processed/hotsale_2022_sections_2022-05-01-2022-05-31.csv", 
                     col_types = cols(date = col_date(format = "%Y-%m-%d"), 
                                      `ga:pageviews` = col_integer(), `ga:uniquePageviews` = col_integer()))%>%
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           seccion = cleanPage,
           paginasVistas = pageviews,
           paginasVistasUnicas = uniquePageviews)

# Leer la data de favoritos
wishlist <- read_csv("data/2-processed/hotsale_2022_wishlist_2022-05-04-2022-05-31.csv", 
                     col_types = cols(date = col_date(format = "%Y-%m-%d"))) %>% 
    rename_with(~str_replace(., "ga:", ""), everything()) %>% 
    select(fecha = date,
           totalFavoritos = totalEvents,
           favoritosUnicos = uniqueEvents)

2 Análisis Descriptivo

2.1 Edición

2.1.1 Tendencia de la edición por día

products %>% 
    group_by(fecha) %>% 
    summarise(impresiones = comma(sum(impresiones),
                                  digits = 0),
              clics = comma(sum(clics),
                            digits = 0)) %>% 
    plot_ly(x = ~fecha) %>% 
    add_trace(y = ~impresiones,
              type = 'scatter',
              mode = 'lines',
              name = 'impresiones',
              line = list(color = color_palette[2],
                          width = 2)) %>%
    add_trace(y = ~clics,
              type = 'scatter',
              mode = 'lines',
              name = 'clics',
              line = list(color = color_palette[1],
                          width = 4)) %>% 
    layout(title = "Tendencia de las impresiones y clics por día<br><sub>Del 1 al 31 mayo del 2022</sub>",
           xaxis = list(title = "",
                        showline = TRUE,
                        showgrid = FALSE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           yaxis = list(title = "",
                        type = "log",
                        showline = TRUE,
                        showgrid = TRUE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           margin = list(autoexpand = TRUE,
                         t = 100,
                         l = 50,
                         r = 200,
                         b = 100),
           autosize = TRUE,
           showlegend = TRUE,
           annotations = list(
               xref = 'paper',
               yref = 'paper',
               x = 0.73,
               y = 0.5,
               xanchor = 'right',
               yanchor = 'middle',
               text = 'Primer día del Hot Sale',
               font = list(family = 'PT Sans Narrow',
                           size = 16,
                           color = 'rgba(160,160,160,1)'),
               showarrow = TRUE)) %>%
    layout(annotations = list(
        xref = 'paper',
        yref = 'paper',
        x = 1,
        y = 0.44,
        xanchor = 'left',
        yanchor = 'middle',
        text = 'Último día del Hot Sale',
        font = list(family = 'PT Sans Narrow',
                    size = 16,
                    color = 'rgba(160,160,160,1)'),
        showarrow = TRUE))

Se observa que del 1 al 17 de mayo hay un crecimiento exponencial en las impresiones y clics, que aumenta aun más a partir de esa fecha y hasta el 23, del 24 al 31 los clics se mantienen entre los 200K y los 400K, lo que refiere a un comportamiento más estable que en ediciones pasadas.

products %>% 
    group_by(fecha) %>% 
    summarise(CTR = sum(clics) / sum(impresiones)) %>% 
    plot_ly(x = ~fecha) %>% 
    add_trace(y = ~CTR,
              type = 'scatter',
              mode = 'lines',
              name = 'CTR',
              line = list(color = color_palette[1],
                          width = 4)) %>% 
    layout(title = "Tendencia del CTR por día<br><sub>Del 1 al 31 Mayo de 2022<sub>",
           xaxis = list(title = "",
                        showline = TRUE,
                        showgrid = FALSE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           yaxis = list(title = "% CTR",
                        showline = TRUE,
                        showgrid = TRUE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = TRUE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickformat = ".2%",
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           margin = list(autoexpand = TRUE,
                         t = 100,
                         l = 10,
                         r = 110,
                         b = 100),
           autosize = TRUE,
           showlegend = FALSE,
           annotations = list(
               xref = 'paper',
               yref = 'paper',
               x = 0.73,
               y = 0.16,
               xanchor = 'right',
               yanchor = 'middle',
               text = 'Primer del Hot Sale',
               font = list(family = 'PT Sans Narrow',
                           size = 16,
                           color = 'rgba(160,160,160,1)'),
               showarrow = TRUE)) %>%
    layout(annotations = list(
        xref = 'paper',
        yref = 'paper',
        x = 1,
        y = 0.10,
        xanchor = 'left',
        yanchor = 'middle',
        text = 'Último del Hot Sale',
        font = list(family = 'PT Sans Narrow',
                    size = 16,
                    color = 'rgba(160,160,160,1)'),
        showarrow = TRUE))

Por su parte el CTR alcanza un pico importante el miércoles 4 de mayo ya que durante todo ese periodo se realizaron pruebas en el sitio productivo para verificar la capa de datos. lo que disparo el CTR, ya durante el evento se observan 2 picos importantes que superan el 0.10% del CTR: el primer día del evento (lunes 23 de mayo) y el jueves 26, el peor rendimiento observado fue el último día del evento (el martes 31 de mayo) con 0.06% del CTR.

products %>% 
    filter(between(fecha,as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    mutate(diaSemana = factor(wday(fecha, week_start = 1))) %>% 
    mutate(diaSemana = recode_factor(diaSemana,
                  `1` = "lunes",
                  `2` = "martes",
                  `3` = "miércoles",
                  `4` = "jueves",
                  `5` = "viernes",
                  `6` = "sábado",
                  `7` = "domingo",
                  .ordered = TRUE)) %>% 
    group_by(diaSemana) %>% 
    summarise(CTR = sum(clics) / sum(impresiones)) %>% 
    plot_ly(x = ~diaSemana, y = ~CTR, type = "bar", marker = list(color = color_palette[1])) %>% 
    layout(title = "CTR por día de la semana",
           xaxis = list(title = "Día de la semana",
                        showline = TRUE,
                        showgrid = FALSE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           yaxis = list(title = "% CTR",
                        showline = TRUE,
                        showgrid = TRUE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = TRUE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickformat = ".2%",
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)'))) 

Al agrupar por día de la semana podemos ver que el jueves tiene el mejor CTR mientras que los martes son los que tienen el peor desempeño.

date_hour %>% 
    plot_ly(x = ~diaSemana,
            y = ~hora,
            z = ~clics,
            type = "heatmap",
            colors = colorRamp(c("#ffffff", color_palette[1]))
            ) %>% 
    layout(title = "Mapa de calor de los clics por hora y día de la semana",
           xaxis = list(title = "Día de la semana",
                        showline = TRUE,
                        showgrid = FALSE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           yaxis = list(title = "Hora",
                        showline = TRUE,
                        showgrid = TRUE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = TRUE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)'))) 

date_hour %>% 
    mutate(CTR =  percent(clics / impresiones)) %>% 
    plot_ly(x = ~diaSemana,
            y = ~hora,
            z = ~CTR,
            type = "heatmap",
            colors = colorRamp(c("#ffffff", color_palette[1]))
            ) %>% 
    layout(title = "Mapa de calor del CTR por hora y día de la semana",
           xaxis = list(title = "Día de la semana",
                        showline = TRUE,
                        showgrid = FALSE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           yaxis = list(title = "Hora",
                        showline = TRUE,
                        showgrid = TRUE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = TRUE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)'))) %>% 
    colorbar(tickformat = ".2%")

2.2 Adquisición

2.2.1 ¿Qué canales trajeron el tráfico de mejor calidad?

channels %>% 
    group_by(canal) %>% 
    summarise(impresiones =  sum(impresiones),
              clics = sum(clics),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    mutate(pct_impresiones = percent(impresiones / sum(impresiones))) %>%
    select(canal,
           pct_impresiones,
           CTR) %>% 
    arrange(desc(pct_impresiones)) %>% 
    formattable(list(
        pct_impresiones = color_bar(color = color_palette[2], fun = "proportion"),
        CTR = color_bar(color = color_palette[1])))

canal	pct_impresiones	CTR
Paid Media	87.31%	0.07%
(Other)	6.40%	0.06%
Organic Search	3.32%	0.25%
Direct	1.68%	0.24%
Social	0.49%	0.18%
Email	0.32%	0.32%
Paid Search	0.25%	0.13%
Referral	0.22%	0.22%
Other Advertising	0.00%	0.05%
Display	0.00%	0.00%

El trafico que llego por el canal Paid Media tuvo el 87% del total de las impresiones lo que lo hace el canal preponderante en cantidad de impresiones, sin embargo Email, Organic Search y Direct fueron los canales con el mejor rendimiento ya que su CTR se mantuvo por encima de la media.

2.2.2 ¿Qué fuentes / medios trajeron el tráfico de mejor calidad?

channels %>% 
    group_by(fuenteMedio) %>% 
    summarise(impresiones =  sum(impresiones),
              clics = sum(clics),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    mutate(pct_impresiones = percent(impresiones / sum(impresiones))) %>%
    select(fuenteMedio,
           pct_impresiones,
           CTR) %>% 
    arrange(desc(pct_impresiones)) %>%
    head(30) %>% 
    formattable(list(
        pct_impresiones = color_bar(color = color_palette[2], fun = "proportion"),
        CTR = color_bar(color = color_palette[1])))

fuenteMedio	pct_impresiones	CTR
tiktok / cpc	44.67%	0.03%
google / cpc	34.90%	0.12%
google / paid	5.16%	0.04%
google / organic	3.24%	0.25%
taboola / cpc	2.40%	0.06%
facebook / cpc	2.28%	0.13%
(direct) / (none)	1.68%	0.24%
twitter / cpc	1.08%	0.01%
erre / soc	0.96%	0.17%
huawei / cpc	0.68%	0.01%
facebook / paid	0.59%	0.13%
tiktok / paid	0.43%	0.05%
bing / cpc	0.37%	0.23%
l.instagram.com / referral	0.27%	0.17%
emBlue / email	0.23%	0.29%
grupoimagen / cpc	0.12%	0.05%
l.facebook.com / referral	0.09%	0.19%
rtbhouse / retargeting	0.09%	0.14%
lm.facebook.com / referral	0.06%	0.19%
bing / organic	0.06%	0.37%
promodescuentos.com / referral	0.04%	0.18%
newsletter / email	0.04%	0.63%
link / link	0.04%	0.15%
televisa / cpc	0.03%	0.01%
tvazteca / cpc	0.03%	0.03%
instagram.com / referral	0.03%	0.15%
industry_event / email	0.03%	0.12%
m.facebook.com / referral	0.02%	0.20%
ml / soc	0.02%	0.15%
tvazteca / soc	0.02%	0.10%

Al desagregar por Fuentes Medios descubrimos que tiktok / cpc es responsable del 45% de las impresiones totales, mientras que google / cpc le sigue con el 35% con lo que suman el 80% del trafico total. Por otro lado la relevancia del trafico traído por google / organic y directo es muy superior.

2.2.3 Top 10 patrocinadores - mejores VS peores canales

2.2.3.1 Top de patrocinadores con más clics en todo el periodo

El objetivo de los siguientes gráficos es poder comprobar que la distribución de los canales en los mejores patrocinadores (basado en los clics recibidos) dista mucho de la configuración de los canales de los patrocinadores que tuvieron un rendimiento inferior (a pesar de estar dentro del top 30 en impresiones).

Los siguientes patrocinadores tuvieron el mejor rendimiento en clics:

top_sponsors <- channels %>%
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>% 
    group_by(patrocinador) %>% 
    summarise(impresiones =  sum(impresiones),
              clics = sum(clics),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    arrange(desc(clics)) %>% 
    head(10)

worst_sponsors <- channels %>%
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>% 
    filter(!patrocinador %in% top_sponsors$patrocinador) %>% 
    group_by(patrocinador) %>% 
    summarise(impresiones =  sum(impresiones),
              clics = sum(clics),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    arrange(desc(impresiones)) %>% 
    head(30) %>% 
    arrange(CTR) %>% 
    head(10)

g <- channels %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>% 
    filter(patrocinador %in% top_sponsors$patrocinador) %>% 
    group_by(patrocinador,
             canal) %>% 
    summarise(impresiones =  sum(impresiones),
              clics = sum(clics),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    mutate(pct_impresiones = percent(impresiones / sum(impresiones)),
           pct_clics = percent(clics / sum(clics))) %>% 
    arrange(desc(pct_impresiones)) %>% 
    ggplot(aes(x = pct_impresiones, y = pct_clics, size = CTR, color = canal)) +
    geom_point(alpha = 0.6) +
    scale_size(range = c(1, 10), name="%CTR") +
    scale_x_log10(name = "% impresiones", labels = scales::percent) +
    scale_y_log10(name = "% clics", labels = scales::percent) +
    facet_wrap(vars(patrocinador), ncol = 2) +
    theme(axis.title=element_text(size=10,face="bold")) + 
    theme_light()
ggplotly(g)

Los siguientes patrocinadores tuvieron un rendimiento inferior a la media de su categoría con respecto a clics:

g <- channels %>%
    filter(between(fecha,
                   as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>% 
    filter(patrocinador %in% worst_sponsors$patrocinador) %>% 
    group_by(patrocinador,
             canal) %>% 
    summarise(impresiones =  sum(impresiones),
              clics = sum(clics),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    mutate(pct_impresiones = percent(impresiones / sum(impresiones)),
           pct_clics = percent(clics / sum(clics))) %>% 
    arrange(desc(pct_impresiones)) %>% 
    ggplot(aes(x = pct_impresiones, y = pct_clics, size = CTR, color = canal)) +
    geom_point(alpha = 0.6) +
    scale_size(range = c(1, 10), name="%CTR") +
    scale_x_log10(name = "% impresiones", labels = scales::percent) +
    scale_y_log10(name = "% clics", labels = scales::percent) +
    facet_wrap(vars(patrocinador), ncol = 2) +
    theme(axis.title=element_text(size=10,face="bold")) + 
    theme_light()
ggplotly(g)

El eje horizontal representa el porcentaje de impresiones recibidas, el eje vertical el porcentaje de clics y el tamaño de la burbuja es el CTR.

2.2.4 Porcentaje de participación de canales por día

channels %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    group_by(fecha,
             canal) %>% 
    summarise(impresiones = sum(impresiones)) %>% 
    mutate(canal = fct_rev(as_factor(tolower(fct_reorder(canal,
                                                         impresiones,
                                                         .fun = sum,
                                                         .desc = FALSE))))) %>% 
    mutate(pct_impresiones = percent(impresiones / sum(impresiones))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_impresiones,
            type = "bar",
            name = ~canal,
            color = ~canal,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del % de impresiones por canal por día",
           yaxis = list(title = "% de impresiones",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"),
           legend = list(font = list(size = 9)))

Durante los días del evento se observa que el % de participación de paid media en las impresiones se mantuvo entre el 74% y el 79%, siendo el jueves 26 el día con la menor y el martes 31 el de mayor participación.

channels %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    group_by(fecha,
             canal) %>% 
    summarise(clics = sum(clics)) %>% 
    mutate(canal = fct_rev(as_factor(tolower(fct_reorder(canal,
                                                         clics,
                                                         .fun = sum,
                                                         .desc = FALSE))))) %>% 
    mutate(pct_clics = percent(clics / sum(clics))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~canal,
            color = ~canal,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del % de clics por canal por día",
           yaxis = list(title = "% de clics",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

Respecto al % de clics vemos que paid media mantiene entre el 68% y el 85% de participación, sin embargo cede un porcentaje importante para los canales organic search, directo y (other), principalmente durante el primer y antepenúltimo día del evento.

channels %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    group_by(fecha,
             canal) %>% 
    summarise(impresiones = sum(impresiones),
              clics = sum(clics),
              CTR = sum(clics) / sum(impresiones)) %>% 
    mutate(canal = fct_rev(as_factor(tolower(fct_reorder(canal,
                                                         clics,
                                                         .fun = sum,
                                                         .desc = FALSE))))) %>% 
    mutate(pct_CTR = percent(CTR / sum(CTR))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_CTR,
            type = "bar",
            name = ~canal,
            color = ~canal,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del % del CTR por canal por día",
           yaxis = list(title = "% del CTR",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

En cuanto al % del CTR vemos un panorama totalmente distinto con paid search con entre el 4% y el 9% de la participación, mientras que email, organic search y direct tienen la mayoría en prácticamente todos los días del evento.

2.2.5 Fuente / Medio con mejor calidad de tráfico por día

channels %>% 
    filter(between(fecha,as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    group_by(fecha,
             fuenteMedio) %>% 
    summarise(impresiones = sum(impresiones)) %>% 
    mutate(fuenteMedio = fct_lump_n(
        fuenteMedio,
        9,
        w = impresiones,
        other_level = "Others")) %>% 
    mutate(fuenteMedio = fct_rev(as_factor(tolower(fct_reorder(fuenteMedio,
                                                         impresiones,
                                                         .fun = sum,
                                                         .desc = FALSE))))) %>% 
    mutate(pct_impresiones = percent(impresiones / sum(impresiones))) %>%
    plot_ly(x = ~fecha,
            y = ~pct_impresiones,
            type = "bar",
            name = ~fuenteMedio,
            color = ~fuenteMedio,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del % de impresiones por fuente / medio por día",
           yaxis = list(title = "% de impresiones",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"),
           legend = list(font = list(size = 9)))

Observamos que google cpc y ticktok tienen la mayor cantidad de impresiones durante todo el evento, con aproximadamente el 80% de la participación por día.

channels %>% 
    filter(between(fecha,as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    group_by(fecha,
             fuenteMedio) %>% 
    summarise(clics = sum(clics)) %>% 
    mutate(fuenteMedio = fct_lump_n(
        fuenteMedio,
        9,
        w = clics,
        other_level = "Others")) %>% 
    mutate(fuenteMedio = fct_rev(as_factor(tolower(fct_reorder(fuenteMedio,
                                                         clics,
                                                         .fun = sum,
                                                         .desc = FALSE))))) %>% 
    mutate(pct_clics = percent(clics / sum(clics))) %>%
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~fuenteMedio,
            color = ~fuenteMedio,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del % de clics por fuente / medio por día",
           yaxis = list(title = "% de clics",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"),
           legend = list(font = list(size = 9)))

Sin embargo en la cantidad de clics vemos claramente que google cpc domina la participación, es interesante observar que a partir del 26 de mayo el % de clics provenientes de ticktok aumenta de forma considerable.

2.3 Comportamiento

2.3.1 Tipo de creativo con mejor rendimiento

insta_stories %>%
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    group_by(tipoCreativo) %>% 
    summarise(impresiones = comma(sum(impresiones),0),
              clics = comma(sum(clics),0),
              CTR = percent(sum(clics) / sum(impresiones))) %>%
    mutate(pct_impresiones = percent(impresiones / sum(impresiones))) %>%
    arrange(desc(pct_impresiones)) %>% 
    formattable(list(
        pct_impresiones = color_bar(color = color_palette[2], fun = "proportion"),
        CTR = color_bar(color = color_palette[1])))

tipoCreativo	impresiones	clics	CTR	pct_impresiones
Logo	2,883,875,944	1,997,674	0.07%	90.00%
Producto	263,167,698	582,848	0.22%	8.21%
Cintillo	56,356,642	312,419	0.55%	1.76%
InstaStories	864,149	20,922	2.42%	0.03%

El tipo de creativo que recibió mayor porcentaje de impresiones fueron los logos de los patrocinadores, sin embargo el tipo de creativo con mejor CTR fueron las insta stories y los cintillos.

2.3.2 Tipo de creativo por impresiones al día

insta_stories %>% 
    filter(between(fecha,as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    group_by(fecha,
             tipoCreativo) %>% 
    summarise(CTR = percent(sum(clics) / sum(impresiones)),
              clics = sum(clics)) %>% 
    mutate(pct_clics = percent(clics / sum(clics))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~tipoCreativo,
            color = ~tipoCreativo,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del % clics por tipo de creativo por día",
           yaxis = list(title = "% de clics",
                        tickformat = ".0%"), barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

En la distribución por clic por tipo de creativo se aprecia claramente que los logos esta entre el 60% y 75% durante el evento, los productos y los cintillos incrementan su participación al final del evento.

2.3.3 Rendimeinto del tipo de creativo por día

insta_stories %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    group_by(fecha,
             tipoCreativo) %>% 
    summarise(CTR = percent(sum(clics) / sum(impresiones)),
              impresiones = sum(impresiones)) %>% 
    mutate(pct_CTR = percent(CTR / sum(CTR))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_CTR,
            type = "bar",
            name = ~tipoCreativo,
            color = ~tipoCreativo,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del CTR por tipo de creativo por día",
           yaxis = list(title = "CTR",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

Podemos observar que durante el evento las insta stories tienen un excelente CTR durante todo el evento pero sobre todo los primeros días.

2.3.4 Detalle insta-stories

2.3.4.1 Porcentaje de clics en cada tipo de creativo por sección del sitio.

insta_stories %>% 
    group_by(tipoCreativo,
             seccion) %>% 
    summarise(clics = comma(sum(clics),0)) %>%
    pivot_wider(names_from = tipoCreativo,
                values_from = clics) %>% 
    mutate(pct_logo = percent(Logo / sum(Logo, na.rm = TRUE)),
        pct_producto = percent(Producto / sum(Producto, na.rm = TRUE)),
           pct_cintillo = percent(Cintillo / sum(Cintillo, na.rm = TRUE)),
    pct_instaStories = percent(InstaStories / sum(InstaStories, na.rm = TRUE))) %>% 
    select(seccion,
           contains("pct_")) %>% 
    arrange(desc(pct_instaStories)) %>% 
    formattable(list(
        pct_logo = color_bar(color = color_palette[2]),
        pct_producto = color_bar(color = color_palette[2]),
        pct_cintillo = color_bar(color = color_palette[2]),
        pct_instaStories = color_bar(color = color_palette[1])
    ))

seccion	pct_logo	pct_producto	pct_cintillo	pct_instaStories
Home	75.89%	11.12%	62.01%	86.11%
Electro y tecno	9.23%	9.68%	27.64%	5.59%
Ropa y Calzado	4.37%	1.08%	2.55%	3.19%
Viajes	2.75%	1.63%	1.41%	1.71%
Deportes	1.33%	0.71%	1.80%	1.60%
Muebles y Hogar	1.91%	0.65%	1.34%	0.73%
Belleza	0.86%	0.85%	1.52%	0.53%
Alimentos y Bebidas	0.29%	0.08%	0.33%	0.28%
Otros / Servicios	0.11%	0.02%	0.06%	0.10%
Automotriz	0.58%	0.24%	0.31%	0.09%
Mascotas	0.15%	0.10%	NA	0.04%
Luxury	0.10%	0.04%	0.06%	0.01%
content	0.00%	NA	0.00%	0.01%
B2B	0.17%	NA	0.00%	NA
Layer 2	0.00%	0.00%	0.00%	NA
Ofertas Flash	0.06%	1.00%	0.94%	NA
Sponsor	0.47%	7.42%	0.01%	NA
tipsempresas	0.00%	NA	0.00%	NA
TokenSigning	0.00%	0.00%	0.00%	NA
favoritos	0.06%	0.05%	NA	NA
Índice	0.74%	NA	NA	NA
kueskipay	0.00%	NA	NA	NA
Mega Ofertas	0.43%	5.04%	NA	NA
Noticia	0.01%	0.03%	NA	NA
Noticias	0.00%	NA	NA	NA
Ofertas Hot	0.41%	60.26%	NA	NA
preLanding	0.00%	NA	NA	NA
Productos Hot	0.08%	0.00%	NA	NA
Registro	0.00%	NA	NA	NA

2.3.4.2 Top Patrocinadores con mejor rendimiento de insta stories

insta_stories %>% 
    filter(tipoCreativo == "InstaStories") %>% 
    group_by(patrocinador) %>% 
    summarise(impresiones = comma(sum(impresiones),0),
              clics = comma(sum(clics),0),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    arrange(desc(impresiones)) %>% 
    head(50) %>% 
    arrange(desc(CTR)) %>% 
    head(10) %>% 
    formattable(list(
        CTR = color_bar(color = color_palette[1])
    ))

patrocinador	impresiones	clics	CTR
Poco XIaomi MiStore	41,412	6,684	16.14%
Puma	11,421	1,343	11.76%
Autobuses ADO	3,025	249	8.23%
Sportico	34,638	2,575	7.43%
Eucerin	22,786	1,471	6.46%
Xiaomi	30,391	1,916	6.30%
La Europea	41,298	2,517	6.09%
Super Colchones	8,274	445	5.38%
American Eagle	7,874	412	5.23%
Prissa	44,192	2,303	5.21%

2.3.4.3 Top Patrocinadores con peor rendimiento de insta stories

insta_stories %>% 
    filter(tipoCreativo == "InstaStories") %>% 
    group_by(patrocinador) %>% 
    summarise(impresiones = comma(sum(impresiones),0),
              clics = comma(sum(clics),0),
              CTR = percent(sum(clics) / sum(impresiones))) %>% 
    arrange(desc(impresiones)) %>% 
    head(50) %>% 
    arrange(CTR) %>% 
    head(10) %>% 
    formattable(list(
        CTR = color_bar(color = color_palette[1])
    ))

patrocinador	impresiones	clics	CTR
Sorteos Tec	4,488	17	0.38%
Zettle	13,431	81	0.60%
Pedidos.com	11,776	77	0.65%
Cosmic Shop	2,416	16	0.66%
Tienda Aeromexico	2,094	15	0.72%
Sillas ADS	2,647	20	0.76%
THE BAR	7,322	59	0.81%
Enterogermina	9,171	77	0.84%
Odetta.com	43,440	366	0.84%
CV Directo	44,513	403	0.91%

2.3.5 Elemento del menú con más clics

menu %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(elemento = fct_lump_n(
        elemento,
        20,
        w = clicsTotales,
        other_level = "Others")) %>% 
    group_by(elemento) %>% 
    summarise(clicsTotales = comma(sum(clicsTotales),0)) %>%
    mutate(pct_clics = percent(clicsTotales / sum(clicsTotales))) %>% 
    arrange(desc(pct_clics)) %>% 
    formattable(list(pct_clics = color_bar(color = color_palette[1], fun = "proportion"),
                     clicsTotales = color_bar(color = color_palette[2])))

elemento	clicsTotales	pct_clics
Electro y tecno	54,347	19.19%
Ropa y Calzado	46,695	16.49%
Muebles y Hogar	35,989	12.71%
Viajes	29,053	10.26%
Automotriz	17,745	6.27%
Mega Ofertas	14,795	5.23%
Belleza	14,452	5.10%
Ofertas Hot	14,047	4.96%
Deportes	11,877	4.19%
Ofertas Flash	11,422	4.03%
Alimentos y Bebidas	9,715	3.43%
Mascotas	6,880	2.43%
Otros / Servicios	5,487	1.94%
B2B / Servicios Financieros	5,023	1.77%
Luxury	4,282	1.51%
Preventa KueskiPay	1,335	0.47%

2.3.6 Elemento del menú con más clics por día

menu %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(elemento = fct_lump_n(
        elemento,
        10,
        w = clicsTotales,
        other_level = "Others")) %>% 
    group_by(fecha,
             elemento) %>%
    summarise_if(is.numeric, sum) %>%
    mutate(pct_clics = percent(clicsTotales / sum(clicsTotales))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~elemento,
            color = ~elemento,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución de los clics totales por elemento del menú por día",
           yaxis = list(title = "% de los clics totales",
                        tickformat = ".0%"), barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

2.3.7 Ofertas hot más vistas

ofertas_hot %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>% 
    mutate(pagina = fct_lump_n(
        pagina,
        20,
        w = paginasVistas,
        other_level = "Others")) %>% 
    group_by(pagina) %>%
    summarise(paginasVistas = comma(sum(paginasVistas), 0),
              paginasVistasUnicas = comma(sum(paginasVistasUnicas),0)) %>%
    filter(!pagina == "Others") %>% 
    mutate(pct_paginasVistasUnicas = percent(paginasVistasUnicas / sum(paginasVistasUnicas))) %>% 
    arrange(desc(pct_paginasVistasUnicas)) %>% 
    formattable(list(pct_paginasVistasUnicas = color_bar(color = color_palette[1], fun = "proportion"),
                     paginasVistasUnicas = color_bar(color = color_palette[2])))

pagina	paginasVistas	paginasVistasUnicas	pct_paginasVistasUnicas
/busqueda-	75,829	48,595	22.36%
/electro-y-tecno/computacion-computadoras-y-laptops	31,925	23,128	10.64%
/electro-y-tecno/electro-y-tecno-electrodomesticos-linea-blanca	22,493	19,993	9.20%
/electro-y-tecno	21,173	17,726	8.16%
/electro-y-tecno/electro-y-tecno-celulares-y-telefonia	19,279	16,585	7.63%
/viajes/vuelos-nacionales	21,859	14,264	6.56%
/ropa-y-calzado/calzado-zapatos	12,137	9,100	4.19%
/electro-y-tecno/electro-y-tecno-pantallas-y-televisores	9,090	7,583	3.49%
/viajes	8,511	7,227	3.33%
/ropa-y-calzado/calzado-tenis	8,858	6,430	2.96%
/electro-y-tecno/electro-y-tecno-celulares-y-telefonia?page=2	6,463	5,804	2.67%
/muebles-y-hogar/muebles-y-hogar-linea-blanca	6,477	5,383	2.48%
/viajes/viajes-hoteles	5,977	4,870	2.24%
/ropa-y-calzado	5,778	4,828	2.22%
/busqueda-Iphone/electro-y-tecno-celulares-y-telefonia	5,696	4,818	2.22%
/muebles-y-hogar	5,761	4,693	2.16%
/ropa-y-calzado/ropa-y-calzado-pantalones-y-denim	5,065	4,371	2.01%
/deportes/deportes-calzado-deportivo	5,304	4,343	2.00%
/electro-y-tecno/electro-y-tecno-electrodomesticos-linea-blanca?page=2	4,500	4,024	1.85%
/busqueda-Alexa	4,158	3,558	1.64%

2.3.8 Mejores busquedas de ofertas

ofertas_hot %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    filter(grepl("busqueda", pagina, ignore.case = TRUE)) %>% 
    mutate(pagina = fct_lump_n(
        pagina,
        10,
        w = paginasVistas,
        other_level = "Others")) %>% 
    group_by(pagina) %>%
    summarise(paginasVistasUnicas = comma(sum(paginasVistasUnicas),0)) %>%
    filter(!pagina == "Others") %>% 
    mutate(pct_paginasVistasUnicas = percent(paginasVistasUnicas / sum(paginasVistasUnicas))) %>% 
    arrange(desc(pct_paginasVistasUnicas)) %>% 
    formattable(list(pct_paginasVistasUnicas = color_bar(color = color_palette[1], fun = "proportion"),
                     paginasVistasUnicas = color_bar(color = color_palette[2])))

pagina	paginasVistasUnicas	pct_paginasVistasUnicas
/busqueda-	48,595	62.54%
/busqueda-Iphone/electro-y-tecno-celulares-y-telefonia	4,818	6.20%
/busqueda-Apple	3,634	4.68%
/busqueda-Alexa	3,558	4.58%
/busqueda-iPhone	3,218	4.14%
/busqueda-Iphone	3,060	3.94%
/busqueda-Xbox	2,961	3.81%
/busqueda-Nike	2,890	3.72%
/busqueda-Laptop/electro-y-tecno-computacion	2,553	3.29%
/busqueda-Refrigerador	2,412	3.10%

2.4 Conversiones

2.4.1 Patrocinadores con mejores impresiones, clics y CTR

products %>% 
    mutate(patrocinador = fct_lump_n(
        patrocinador,
        10,
        w = impresiones,
        other_level = "others")) %>% 
    group_by(patrocinador) %>%
    summarise_if(is.numeric, sum) %>% 
    filter(!patrocinador == "others") %>% 
    arrange(desc(impresiones)) %>% 
    mutate(patrocinador = fct_rev(as_factor(tolower(fct_reorder(patrocinador,
                                                        impresiones,
                                                        .fun = sum,
                                                        .desc = FALSE))))) %>% 
    plot_ly(x = ~clics,
            y = ~patrocinador,
            type = "bar",
            orientation = "h",
            name = "clics",
            marker = list(color = color_palette[2])) %>% 
    add_trace(x = ~impresiones,
              name = "impresiones",
              marker = list(color = color_palette[1])) %>% 
    layout(title = "Top 10 patrocinadores <br><sub>Ordenado por cantidad de impresiones</sub>",
           margin = list(autoexpand = TRUE,
                         t = 100,
                         l = 200,
                         r = 150,
                         b = 100),
           yaxis = list(title = 'Patrocinador',
                        automargin = TRUE),
           xaxis = list(title = "",
                        type = "log"),
           barmode = 'group')

2.4.2 Distribución de los patrocinadores por día

products %>% 
    filter(between(fecha,
                   as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    mutate(patrocinador = fct_lump_n(
        patrocinador,
        10,
        w = impresiones,
        other_level = "others")) %>% 
    filter(!patrocinador == "others") %>% 
    group_by(fecha,
             patrocinador) %>%
    summarise_if(is.numeric, sum) %>%
    mutate(pct_impresiones = percent(impresiones / sum(impresiones))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_impresiones,
            type = "bar",
            name = ~patrocinador,
            color = ~patrocinador,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución de las impresiones por patrocinador por día",
           yaxis = list(title = "impresiones",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

products %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(patrocinador = fct_lump_n(
        patrocinador,
        10,
        w = clics,
        other_level = "others")) %>% 
    filter(!patrocinador == "others") %>% 
    group_by(fecha,
             patrocinador) %>%
    summarise_if(is.numeric, sum) %>%
    mutate(pct_clics = percent(clics / sum(clics))) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~patrocinador,
            color = ~patrocinador,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución de los clics por patrocinador por día",
           yaxis = list(title = "clics",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

2.4.3 Niveles de patrocinio con mayor cantidad de patrocinadores

sponsor_level_ex <- c("indice-de-marcas",
                      "oferta-hot",
                      "favoritos",
                      "oferta-hot-preventa")
products %>% 
    filter(between(fecha,
                   as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    filter(!nivelPatrocinio %in% sponsor_level_ex & !grepl(pattern = "marcas.*|cat-.*",
                                                           x = nivelPatrocinio,
                                                           ignore.case = TRUE)) %>% 
    group_by(nivelPatrocinio) %>% 
    summarise(n_patrocinadores = n_distinct(patrocinador)) %>% 
    arrange(desc(n_patrocinadores)) %>% 
    head(10) %>% 
    formattable(list(n_patrocinadores = color_bar(color = color_palette[1],
                                                         fun = "proportion")))

nivelPatrocinio	n_patrocinadores
insta-story-rotativo	95
plata-rotativo	95
bronce-rotativo	90
sponsor-y-apoyos	89
oro-rotativo	58
megaofertas	51
oferta-hot-destacado-categorias-top	51
mega-ofertas	46
oferta-hot-destacado-home	45
platino-rotativo	40

2.4.4 Clics por sección del sitio por día

products %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(seccion = fct_lump_n(
        seccion,
        10,
        w = clics,
        other_level = "others")) %>% 
    filter(!seccion == "others") %>% 
    group_by(fecha,
             seccion) %>%
    summarise_if(is.numeric, sum) %>% 
    mutate(pct_clics = percent(clics / sum(clics))) %>% mutate() %>% 
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~seccion,
            color = ~seccion,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución de los clics por seccion por día",
           yaxis = list(title = "clics",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

2.4.5 Secciones con mayor cantidad de patrocinadores

products %>% 
    filter(between(fecha,
                   as.Date("2022-05-23"),
                   as.Date("2022-05-31"))) %>%
    group_by(seccion) %>% 
    summarise(n_patrocinadores = n_distinct(patrocinador)) %>% 
    arrange(desc(n_patrocinadores)) %>% 
    head(10) %>% 
    formattable(list(n_patrocinadores = color_bar(color = color_palette[1],
                                                         fun = "proportion")))

seccion	n_patrocinadores
Índice	906
Ofertas Hot	615
Home	609
favoritos	510
Sponsor	309
Ropa y Calzado	160
Muebles y Hogar	139
Electro y tecno	134
Mega Ofertas	131
Otros / Servicios	113

2.4.6 Nivel de patrocinio con mejores impresiones, clics y CTR

products %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(nivelPatrocinio = fct_lump_n(
        nivelPatrocinio,
        10,
        w = impresiones,
        other_level = "others")) %>% 
    filter(!nivelPatrocinio == "others") %>% 
    group_by(fecha,
             nivelPatrocinio) %>%
    summarise_if(is.numeric, sum) %>%
    mutate(pct_impresiones = impresiones/ sum(impresiones)) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_impresiones,
            type = "bar",
            name = ~nivelPatrocinio,
            color = ~nivelPatrocinio,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución de las impresiones por nivel de patrocinio por día",
           yaxis = list(title = "impresiones",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

products %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(nivelPatrocinio = fct_lump_n(
        nivelPatrocinio,
        10,
        w = clics,
        other_level = "others")) %>% 
    filter(!nivelPatrocinio == "others") %>% 
    group_by(fecha,
             nivelPatrocinio) %>%
    summarise_if(is.numeric, sum) %>%
    mutate(pct_clics = clics / sum(clics)) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_clics,
            type = "bar",
            name = ~nivelPatrocinio,
            color = ~nivelPatrocinio,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución de los clics por nivel de patrocinio por día",
           yaxis = list(title = "clics",
                        tickformat = ".0%"),
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

products %>% 
    filter(between(fecha,as.Date("2022-05-23"), as.Date("2022-05-31"))) %>%
    mutate(nivelPatrocinio = fct_lump_n(
        nivelPatrocinio,
        10,
        w = impresiones,
        other_level = "others")) %>% 
    filter(!nivelPatrocinio == "others") %>% 
    group_by(fecha,
             nivelPatrocinio) %>%
    summarise(impresiones = sum(impresiones),
              clics = sum(clics),
              CTR = sum(clics) /  sum(impresiones)) %>% 
    mutate(pct_CRT = CTR / sum(CTR)) %>% 
    plot_ly(x = ~fecha,
            y = ~pct_CRT,
            type = "bar",
            name = ~nivelPatrocinio,
            color = ~nivelPatrocinio,
            colors = color_palette[3]) %>% 
    layout(title = "Distribución del CTR por nivel de patrocinio por día",
           yaxis = list(title = "CTR",
                        tickformat = ".0%"), 
           barmode = "stack",
           font = list(family = "PT Sans Narrow'"))

2.5 Landing tips empresas

2.5.1 tendencia de los clics y las impresiones

products %>%
    filter(grepl("tipsempresas",
                 seccion,
                 ignore.case = TRUE)) %>% 
    group_by(fecha) %>% 
    summarise(impresiones = sum(impresiones),
              clics = sum(clics)) %>% 
    plot_ly(x = ~fecha) %>%
    add_trace(y = ~clics,
              type = 'scatter',
              mode = 'lines',
              name = 'clics',
              line = list(color = color_palette[2],
                          width = 2)) %>%
    add_trace(y = ~impresiones,
              type = 'scatter',
              mode = 'lines',
              name = 'impresiones',
              line = list(color = color_palette[1],
                          width = 4)) %>%
    layout(title = "Landing tips - Tendencia por día",
           xaxis = list(title = "",
                        showline = TRUE,
                        showgrid = FALSE,
                        showticklabels = TRUE,
                        linecolor = 'rgb(204, 204, 204)',
                        linewidth = 2,
                        autotick = FALSE,
                        ticks = 'outside',
                        tickcolor = 'rgb(204, 204, 204)',
                        tickwidth = 2,
                        ticklen = 5,
                        tickfont = list(family = 'PT Sans Narrow',
                                        size = 12,
                                        color = 'rgb(82, 82, 82)')),
           yaxis = list(title = "",
                        type = "log"),
           margin = list(autoexpand = TRUE,
                         t = 100,
                         l = 50,
                         r = 200,
                         b = 100),
           autosize = TRUE,
           showlegend = TRUE,
           annotations = list(
               xref = 'paper',
               yref = 'paper',
               x = 0.73,
               y = 0.9,
               xanchor = 'right',
               yanchor = 'middle',
               text = 'Primer del Hot Sale',
               font = list(family = 'PT Sans Narrow',
                           size = 16,
                           color = 'rgba(160,160,160,1)'),
               showarrow = TRUE)) %>%
    layout(annotations = list(
        xref = 'paper',
        yref = 'paper',
        x = 1,
        y = 0.6,
        xanchor = 'left',
        yanchor = 'middle',
        text = 'Último del Hot Sale',
        font = list(family = 'PT Sans Narrow',
                    size = 16,
                    color = 'rgba(160,160,160,1)'),
        showarrow = TRUE))

2.5.2 Patrocinadores con más clics

products %>% 
    filter(grepl("tipsempresas",
                 seccion,
                 ignore.case = TRUE)) %>% 
    mutate(patrocinador = fct_lump_n(
        patrocinador,
        10,
        w = impresiones,
        other_level = "Others")) %>% 
    group_by(patrocinador) %>%
    summarise_if(is.numeric, sum) %>% 
    mutate(patrocinador = as_factor(tolower(fct_reorder(patrocinador,
                                              impresiones,
                                              .fun = sum,
                                              .desc = TRUE)))) %>% 
    filter(!patrocinador == "others") %>% 
    plot_ly(x = ~clics,
            y = ~patrocinador,
            type = "bar",
            orientation = "h",
            name = "clics",
            marker = list(color = color_palette[2])) %>%
    add_trace(x = ~impresiones,
              name = "impresiones",
              marker = list(color = color_palette[1])) %>% 
    layout(title = "Landings tips - Top 10 patrocinadores <br><sub>Ordenado por cantidad de impresiones</sub>",
           margin = list(autoexpand = TRUE,
                         t = 100,
                         l = 200,
                         r = 150,
                         b = 100),
           yaxis = list(title = 'Patrocinador',
                        automargin = TRUE),
           xaxis = list(title = "",
                        type = "log"),
           barmode = 'group')