. Qué regalo para la sociedad es este. Si no fuera por las tendencias de Google, ¿cómo hubiéramos sabido que más películas de Disney estrenadas en la década de 2000 provocaron menos divorcios en el Reino Unido? O que beber Coca Cola es un remedio desconocido para los arañazos de gato.
Espera, ¿me estoy confundiendo otra vez entre correlación y causalidad?
Si prefieres mirar antes que leer, puedes hacerlo aquí mismo:
Google Trends es una de las herramientas más utilizadas para analizar el comportamiento humano a escala. Los periodistas lo usan. Los científicos de datos lo utilizan. Sobre él se construyen artículos enteros. Pero hay una propiedad fundamental de los datos de Google Trends que hace que sea muy fácil hacer un mal uso de ellos, especialmente si se trabaja con series temporales o se intenta crear modelos, y la mayoría de las personas nunca se dan cuenta de que lo están haciendo.
Todos los gráficos y capturas de pantalla son creados por el autor a menos que se indique lo contrario.
El problema con los datos de Google Trends
En realidad, Google no publica cifras sobre su volumen de búsqueda. Esa información les genera dólares y no hay forma de que la abran para que otras personas la moneticen. Pero lo que sí nos brindan es una forma de ver una serie temporal, de comprender los cambios en las búsquedas de un término particular por parte de las personas y la forma en que lo hacen es brindándonos un conjunto normalizado de datos.
Esto no parece un problema hasta que intentas hacer algo de aprendizaje automático con él. Porque cuando se trata de conseguir que una máquina aprenda algo, necesitamos proporcionarle muchos datos.
Mi idea inicial era tomar una ventana de cinco años, pero inmediatamente tengo un problema: cuanto mayor es la ventana de tiempo, menos granulares son los datos. No pude obtener datos diarios durante cinco años y, aunque luego pensé “simplemente toma el período de tiempo máximo para el que puedes obtener datos diarios y mueve esa ventana”, eso también fue un problema. Porque fue aquí donde descubrí el verdadero terror de la normalización:
Cualquiera que sea el período de tiempo que utilice o cualquier término de búsqueda que utilice, el punto de datos con el mayor número de búsquedas se establece inmediatamente en 100. Eso significa que el significado de 100 cambia con cada ventana que uso.
Esta publicación completa existe por este motivo.
Conceptos básicos de Tendencias de Google
Ahora, no sé si ha usado Google Trends antes, pero si no lo ha hecho, lo explicaré para que podamos llegar al meollo del problema.
Así que voy a buscar la palabra “motivación” y el valor predeterminado será el Reino Unido porque es de donde soy y hasta el día anterior y tenemos un hermoso gráfico que muestra con qué frecuencia las personas buscaron la palabra “motivación” en las últimas 24 horas.
Me encanta esto porque puedes ver muy claramente que la gente busca motivación principalmente durante la jornada laboral, nadie la busca cuando la mayor parte del país está dormido y definitivamente hay un par de niños que necesitan algo de estímulo para sus tareas. No tengo una explicación para las búsquedas nocturnas, pero supongo que se trata de personas que no están listas para volver a trabajar mañana.
Ahora bien, esto es maravilloso, pero si bien incrementos de ocho minutos a lo largo de 24 horas nos dan unos buenos 180 puntos de datos para usar, la mayoría de ellos en realidad son cero y no sé si las últimas 24 horas han sido muy desmotivadoras en comparación con el resto del año o si hoy representa la mayor contribución al PIB del año, así que voy a aumentar un poco la ventana.
En el momento en que llegamos a una semana, lo primero que notas es que los datos son mucho menos granulares. Tenemos una semana de datos, pero ahora son solo por horas y sigo teniendo el mismo problema central de no saber qué tan representativa es esta semana.
Puedo seguir alejándome. 30 días, 90 días. En cada punto perdemos granularidad y no tenemos tantos puntos de datos como los que teníamos durante 24 horas. Si voy a construir un modelo real, esto no será suficiente. Necesito hacerlo a lo grande.
Y cuando selecciono cinco años es donde nos vamos a encontrar con el problema que motivó todo este vídeo (perdón por el juego de palabras, no fue intencional): no puedo obtener datos diarios. Y además, ¿por qué hoy ya no está en 100?
Aquí radica el verdadero problema con los datos de tendencias de Google
Como mencioné anteriormente, los datos de tendencias de Google están normalizados. Esto significa que, independientemente del período de tiempo que utilice o del término de búsqueda único que utilice, el punto de datos con el mayor número de búsquedas se establece inmediatamente en 100. Todos los demás puntos se reducen en consecuencia. Si el 1 de abril tuvo la mitad de búsquedas del máximo, entonces el 1 de abril tendrá una puntuación de Google Trends de 50.
Así que veamos un ejemplo aquí sólo para ilustrar el punto. Tomemos los meses de mayo y junio de 2025, ambos de 30 o 31 días, por lo que aquí tenemos datos diarios; de hecho, los perdemos más allá de los 90 días. Si miro mayo, puedes ver que estamos escalados, por lo que llegamos a 100 el día 13 y en junio lo alcanzamos el día 10. Entonces, ¿eso significa que se buscó motivación con la misma frecuencia el 10 de junio que el 13 de mayo?
Si me alejo ahora para tener mayo y junio en el mismo gráfico, se puede ver inmediatamente que ese no es el caso. Cuando se incluyen ambos meses, vemos que las búsquedas de motivación tuvieron una puntuación de 83 en Google Trends el 10 de junio, lo que significa que, como proporción de las búsquedas en el Reino Unido, fue el 81% de la proporción de búsquedas el 13 de mayo. Si no nos hubiéramos alejado, no lo habríamos sabido.
Ahora bien, no todo está perdido, obtuvimos una buena cantidad de información de este experimento porque sabemos que podemos ver la diferencia relativa entre dos puntos de datos si ambos están incluidos en el mismo gráfico, por lo que si cargamos mayo y junio por separado, saber que el 10 de junio es el 81% del 13 de mayo significa que podemos reducir junio en consecuencia y los datos serán comparables.
Entonces eso es lo que decidí que haría. Obtendría mis datos de tendencias de Google con una superposición de un día en cada ventana, del 1 de enero al 31 de marzo, luego del 31 de marzo al 31 de julio. Luego podría usar el 31 de marzo en ambos conjuntos de datos para escalar el segundo conjunto para que sea comparable al primero.
Pero si bien esto es algo que podemos usar, hay un problema más que debo informarle.
Tendencias de Google: otra capa de aleatoriedad
Entonces, cuando se trata de datos de tendencias de Google, Google en realidad no rastrea cada búsqueda. Eso sería una pesadilla computacional. En cambio, Google utiliza técnicas de muestreo para crear una representación de los volúmenes de búsqueda.
Esto significa que, si bien es probable que la muestra esté muy bien construida, después de todo es Google, cada día tendrá alguna variación aleatoria natural. Si por casualidad el 31 de marzo fuera un día en el que la muestra de Google fuera inusualmente alta o baja en comparación con el mundo real, nuestro método de superposición introduciría un error en todo nuestro conjunto de datos.
Además de esto, también debemos considerar el redondeo. Google Trends redondea todo al número entero más cercano. No hay 50.5, es 50 o es 51. Ahora bien, esto parece un pequeño detalle pero en realidad puede convertirse en un gran problema. Déjame mostrarte por qué.
El 4 de octubre de 2021, se produjo un aumento masivo en las búsquedas en Facebook. Este pico masivo se escala a 100 y, como resultado, todo lo demás en ese período está mucho más cerca de cero. Cuando redondeas al número entero más cercano, ese pequeño error de 0,5 de repente se convierte en un enorme error proporcional cuando tu número es solo 1 o 2. Esto significa que nuestra solución tiene que ser lo suficientemente robusta para manejar el ruido, no solo el escalado.
Entonces, ¿cómo solucionamos esto? Bueno, sabemos que en promedio las muestras serán representativas, así que tomemos una muestra más grande. Si usamos una ventana más grande para obtener nuestra superposición, la variación aleatoria y los errores de redondeo tienen menos impacto.
Así que aquí está el plan final. Sé que puedo obtener datos diarios durante hasta 90 días. Voy a cargar una ventana móvil de períodos de 90 días, pero me aseguraré de que cada ventana se superponga durante un mes completo con la siguiente. De esa manera, nuestra superposición no es solo un día potencialmente ruidoso, sino un ancla estable de un mes de duración que podemos usar para escalar nuestros datos con mayor precisión.
Parece que tenemos un plan. Tengo algunas preocupaciones, principalmente que al tener muchos lotes habrá errores compuestos y podría resultar en que grandes números exploten por completo. Pero para ver cómo se desarrolla esto con datos reales, tenemos que hacerlo. Así que aquí hay uno que hice antes.
Escribir código para descubrir las tendencias de Google
Después de escribir todo lo que hemos discutido en forma de código y, después de divertirnos un poco siendo excluido temporalmente de Google Trends por extraer demasiados datos, he reunido algunos gráficos. Mi reacción inmediata cuando vi esto fue: “Oh no, explotó”.
El siguiente gráfico muestra mis cinco años encadenados de volúmenes de búsqueda para Facebook. Verá una tendencia a la baja bastante constante, pero se destacan dos picos. El primero de ellos fue el aumento masivo del 4 de octubre de 2021 que mencionamos anteriormente.
Mi primer pensamiento fue verificar los picos. Irónicamente, lo busqué en Google y descubrí que ese día había interrupciones generalizadas en Meta. Saqué datos de Instagram y Whatsapp durante el mismo período y vi picos similares. Entonces supe que el pico era real pero todavía tenía una pregunta: ¿Era demasiado grande?
Cuando puse mi serie temporal al lado del gráfico de Google Trends, mi corazón se hundió. Mis picos eran enormes en comparación. Empecé a pensar en cómo manejar esto. ¿Debo limitar el valor máximo del pico? Eso parecía arbitrario y perdería información sobre los tamaños relativos de los picos. ¿Debo aplicar un factor de escala arbitrario? De nuevo, parecía una suposición.
Eso fue hasta que tuve un rayo de inspiración. Recuerde, Google Trends nos brinda datos semanales para este período, esa es la razón por la que hacemos esto. ¿Qué pasa si promedio mis datos de esa semana para compararlos con el valor semanal de Google?
Aquí es donde di un gran suspiro de alivio. Esa semana fue el mayor pico en Google Trends, por lo que lo establecí en 100. Cuando promedié mis datos para la misma semana, obtuve 102,8. Increíblemente cerca de Google Trends. También terminamos aproximadamente en el mismo lugar. Esto significa que los errores compuestos de mi método de escalado no han ampliado mis datos. ¡Tengo algo que se ve y se comporta igual que los datos de Google Trends!
Ahora contamos con una metodología sólida para crear series temporales diarias limpias y comparables para cualquier término de búsqueda. Lo cual es genial. Pero, ¿qué pasa si realmente queremos hacer algo útil con él, como comparar términos de búsqueda en todo el mundo, por ejemplo?
Porque si bien Google Trends le permite comparar varios términos de búsqueda, no permite la comparación directa de varios países. Entonces puedo obtener un conjunto de datos de motivación para cada país usando el método que hemos discutido hoy, pero ¿cómo puedo hacerlos comparables? Facebook es parte de la solución.
Pero esta solución es para una publicación de blog posterior, en la que construiremos una “canasta de productos” para comparar países y ver exactamente cómo encaja Facebook en todo esto.
Así que hoy comenzamos con la pregunta de si podemos modelar la motivación nacional y, al intentar hacerlo, nos topamos inmediatamente con un muro. Porque los datos diarios de Google Trends son engañosos. No por un error, sino por su propio diseño. Hemos encontrado una manera de abordar eso ahora, pero en la vida de un científico de datos, siempre hay más problemas acechando a la vuelta de la esquina.