Inteligencia de Negocio aplicada al Comercio Electrónico
Javier Lara
Repaso
Repaso
► Cuestionario
► Analítica Predictiva
2
Cuestionario…
1. Son sistemas de gestión de información
que automatizan muchas de las
prácticas de negocio asociadas con los
aspectos operativos o productivos de
una empresa, desde el back office
hasta el front office.
a. CRM
b. Marketing Automation
c. Data Minning
d. ERP
3
Cuestionario…
2. Es la necesidad de hacer a. Crisis económica
correcciones para resolver
defectos o no cumplimientos de b. Retrabajo
los estándares o los requisitos c. Mal diseño
establecidos, en muchas veces
debido a una mala comprensión de d. Sobreproducción
los mismos.
4
Cuestionario…
3. Con esta modalidad, el programa se
provee como servicio a través de
Internet de manera centralizada. Los
usuarios crean cuentas individuales y los
posibles costes generados se facturan
de manera mensual o anual. Las
aplicaciones no se ejecutan en el propio
equipo, sino que ofrecen un acceso
online.
a. Datawarehouse
b. SaaS
c. Cloud
d. CRM
5
Cuestionario…
4. Este sistema nos permite identificar,
adquirir, investigar y retener a los clientes
más leales y rentables para entregarles el
producto o servicio correcto, al cliente
correcto, por el canal correcto, en el
momento correcto y costo correcto.
a. CRM
b. ERP
c. SaaS
d. Marketing Automation
6
Cuestionario…
5. Es la centralización de la información y
que combina los registros históricos de
una empresa con otros datos más
actuales y, de esta forma, la función de
reporting se ve enriquecida, ya que
cualquier informe se elabora a partir de
datos de procedentes de diferentes
fuentes.
a. Analítica predictiva
b. Cloud
c. Datawarehouse
d. Metadatos
7
Cuestionario…
6. Realiza un rastreo casi absoluto del
comportamiento de los usuarios en Internet
como una montaña de datos aparentemente
inútil, proporciona las herramientas necesarias
para explorar esta gran cantidad de datos y
extraer de ella información relevante.
a. Data management
b. Datawarehouse
c. Big Data
d. Data Minning
8
Análisis Predictivo
El análisis predictivo consiste en la
tecnología que aprende de la experiencia
para predecir el futuro comportamiento de
individuos para tomar mejores decisiones
Eric Siegel
El análisis predictivo es un área de la minería de
datos que consiste en la
extracción de información existente en los datos
y su utilización para predecir
tendencias y patrones de comportamiento,
pudiendo aplicarse sobre cualquier
evento desconocido, ya sea en el pasado,
presente o futuro.
9
Análisis Predictivo
Mientras que un pronóstico puede predecir
cuántos helados se van a vender el mes que viene, el análisis predictivo puede
indicar qué individuos es más probable que se coman un helado.
Esta información, si se utiliza de la forma correcta, supone un cambio radical, ya que
permite orientar los esfuerzos para ser más productivos en la consecución
de los objetivos.
PRONÓSTICO ANÁLISIS PREDICTIVO
Patrones de comportamiento
Datos Pasados y Presentes Conocimiento Permite
LEARNING MACHINNE orientar los
ÉPOCA DEL AÑO
esfuerzos para
ENTRE SEMANA / FIN DE ser más
SEMANA / FESTIVO productivos en
CANTIDAD HORARIO la consecución
de los objetivos
TEMPERATURA (CLIMA)
LUGAR
10
Análisis Predictivo
Este modelo se podrá utilizar para predecir qué probabilidades hay
de que una persona –en función de los datos que se disponga de la misma–
reaccione de una manera determinada (si comprará un producto, si cambiará
de voto, si contratará un servicio…). Una vez introducidos los datos de la persona y se aplique el
modelo predictivo se obtendrá una calificación que indicará
la probabilidad de que se produzca la situación estudiada por el modelo.
LUGAR
11
Análisis Predictivo
Se puede crear un modelo predictivo que indique el riesgo de que una persona necesite hacer
uso de un seguro contratado y, en función de los resultados obtenidos, la agencia puede
establecer un precio. Esta herramienta es de gran ayuda para las aseguradoras, ya que les
permite realizar ofertas que se ajustan más a las condiciones del cliente y de este modo no correr
riesgos. Porque el hecho de que una persona obtenga una calificación de riesgo por encima de la
media por parte del modelo predictivo no implica que la agencia no deba hacerle un seguro, sino
que su seguro debe de ser tener un precio más elevado.
12
Análisis Predictivo
Para este ejemplo vamos a utilizar sólo 2 dimensiones, pero este mismo algoritmo podría
complicarse.
Colocamos una distribución de cuadrados y triángulos, y sobre ella vamos a colocar un punto
aleatorio que hay que clasificar o como cuadrado o como triángulo.
Por ejemplo, para el punto verde, si
nuestro número de vecinos cercanos
(K) es igual a 3 entonces vemos que
la mayoría de los elementos son
triángulos, por lo que nuestro punto
lo consideraremos triángulo.
Sin embargo, para un número K = 5
entonces tenemos que hay mayoría
de cuadrados. Consideraríamos que
nuestro punto es un cuadrado.
Es decir, dependiendo del número
K que elijamos el resultado de la
predicción puede variar.
13
Análisis Predictivo
Es un ejemplo de tan solo 2 dimensiones donde tenemos que la representación de esta persona
es (178,95) Siendo 178 la altura y 95 el peso.
Teniendo un histórico de datos que personas que son buenas jugando al baloncesto. ¿Cómo podemos
predecir si una nueva persona a considerar será buena o mala jugando este deporte?
Si disponemos de un histórico en el que hemos comprobado qué peso y altura tienen las personas que
son buenas al baloncesto frente a las que no, podríamos desarrollar un modelo predictivo que tomara
como referencia, el peso y la altura que quedaría más o menos así.
Hemos utilizado sólo dos
dimensiones (peso y altura) pero
si convertimos todas las
características de esta persona a
datos podría conseguirse algo
como: (178, 95, 34, 5, 12, 54,
21,….) siendo cada número un
dato como altura en cm, peso,
puntos anotados de media,
temporadas en activo, etc. Lo que
nos permitiría hacer un análisis
más preciso.
14
Análisis Predictivo
Recomendación
15
Análisis Predictivo
Andrew Pole es un Data Scientist de la cadena americana de departamentos Target que, analizando los
patrones de compra de 25 productos, pudo crear un modelo predictivo que determinaba, con una exactitud
de más del 80%, si las consumidoras estaban embarazadas y qué mes iban a dar a luz.
El objetivo: identificar a las consumidoras
embarazadas y sus hábitos de compra para
entender qué productos debía ofrecerles
Target.
Los datos recopilados: nº de socio de Target
e historial de compras. Con ellos, el modelo
de datos se programó para aislar las
consumidoras femeninas que comenzasen a
comprar productos como calcio, zinc,
lociones sin olor, ropa o bolsos mucho más
grandes. El momento en que empezaban a
Calcio, zinc ropa o bolsos comprar cada uno de estos productos
grandes
también coincidía con los meses de
embarazo por lo que el modelo de datos final
asignaba un “porcentaje natal” a cada
usuaria, siendo 100% el momento estimado
del parto.
16
Análisis Predictivo
A pesar de que se adquiere una visión muy completa sobre el
futuro, analítica predictiva no predice el futuro de forma literal.
La aplicación de estas técnicas analíticas aporta visibilidad y
supone una manera eficaz de orientar la toma de decisiones,
pero es importante recordar que el análisis se basa en la
probabilidad, por lo tanto, nunca será 100% exacto.
Los principales motivos por los que la realidad futura puede
alejarse de lo previsto por los modelos son:
1. Los datos históricos no son un reflejo directo de lo que
está por llegar: siempre se están introduciendo nuevas
variables.
2. Al crear un modelo de análisis predictivo pueden
ignorarse variables que resultan desconocidas o
inalcanzables.
3. Los modelos pueden ser fácilmente manipulados para
mostrar los datos favorables.
17
Referencias
Buenas noches y hasta la próxima semana
http://openaccess.uoc.edu/webapps/o2/bitstream/10609/59565/6/caresptimTFG0117mem%C3%B2ria.pdf
https://cdn2.hubspot.net/hubfs/273205/01-
LOG/ANALYTICS/Ebooks%20y%20CTAs/Predictive%20Analytics/74_17_LOG_Predictive%20Analytics%20El%20impacto%20de%20la%20predicci%C3
%B3n%20para%20una%20organizaci%C3%B3n.pdf
http://blogs.icemd.com/blog-business-intelligence/modelos-predictivos-al-detalle/
https://www.datacentric.es/blog/insight/customer-analytics-modelos-fidelizacion-retencion-rentabilidad-clientes/
18
www.unir.net
