Big data para la segmentacion de usuarios en el sector de la lectura. Jornada SEDIC 2015
•Descargar como PPTX, PDF•
1 recomendación•1,512 vistas
Para ejemplificar algunas posibilidades, se toma como caso hipotético la combinación de técnicas analíticas de Big Data, entre ellas User Search Behaviour y Social Behaviour Analysis, Data Mining, Text Mining, PLN o Procesamiento del Lenguaje Natural y ARS o Análisis de Redes Sociales, para estudiar y segmentar usuarios de Internet aficionados a la lectura en España en 2015.
Recomendados
Más contenido relacionado
Destacado
Similar a Big data para la segmentacion de usuarios en el sector de la lectura. Jornada SEDIC 2015
Similar a Big data para la segmentacion de usuarios en el sector de la lectura. Jornada SEDIC 2015 (20)
Más de Jorge Serrano-Cobos
Más de Jorge Serrano-Cobos (18)
Último
Último (20)
Big data para la segmentacion de usuarios en el sector de la lectura. Jornada SEDIC 2015
- 1. XVII JORNADA DE GESTIÓN DE LA INFORMACIÓN Big Data en el diseño de perfiles de usuarios (sector lectura) Jorge Serrano-Cobos http://www.metricsalad.com
- 3. Qué vamos a ver
- 4. Contexto
- 5. “Las ciencias adelantan que es una barbaridad” (Don Sebastián)
- 6. 6 Proceso de trabajo Grossomodo Preguntas a contestar Captura Preprocesamiento Aplicación algoritmos Visualización e interpretación
- 7. 7 Conoce a tucliente Aunqueestéanonimizado @biblioteca es bla bla… Interno Externo ?
- 8. 8 Datos de comportamiento Datos descriptivos Datos de actitud • Género • Edad • Geo • ¿Padres? • … • Intereses • Necesidades • Experiencia de usuario • Comportamiento Social • Prosumer vs. Pasivo • Me gusta vs. No me gusta • ¿Crítico? Conoce a tucliente Aunqueestéanonimizado
- 9. 9 De dónde obtener datos Unclásico,lasencuestas
- 10. De dónde obtener datos Unclásico,lasencuestas
- 11. 11 Datos de comportamiento Anatomyofatweet Fuente: http://edtechsandyk.blogspot.ca/
- 12. 12 Fuente: Google 2015 Datos de comportamiento Usersearchbehaviour
- 13. 13 Fuente: Google 2015 Datos de comportamiento Usersearchbehaviour
- 14. 14 18-24 años 25-34 años 35-44 años 45-54 años +55 años Segmentación por edades Fuente: Google 2015 Datos de comportamiento Usersearchbehaviour
- 15. 15 Segmentación por tipo de usuario… ¡padres! Fuente: Google 2015 Datos de comportamiento Usersearchbehaviour
- 16. 16 Segmentación por interés Fuente: Google 2015 Datos de comportamiento Usersearchbehaviour
- 17. 17 Total Usuarios de Facebook en toda España, entre 18-+65 años: 21.000.000 cuentas amantes de la lectura: 9.600.000 cuentas Fuente: Facebook 2015 Datos de comportamiento Socialbehaviour
- 18. 18 Total Usuarios de Facebook en toda España, entre 18-+65 años: 21.000.000 cuentas amantes de la lectura: 9.600.000 cuentas Fuente: Facebook 2015 61,46% 35,42% Datos de comportamiento Socialbehaviour
- 19. 19 Total Usuarios de Facebook en toda España, entre 18-+65 años: 21.000.000 cuentas amantes de la lectura: 9.600.000 cuentas Fuente: Facebook 2015 Datos de comportamiento Socialbehaviour
- 20. 20 Fuente: https://www.facebook.com/business/a/lookalike-audiences Segmentación por Público Similar Datos de comportamiento Socialbehaviour
- 21. 21 Proceso de trabajo Grossomodo Preguntas a contestar Captura Preprocesamiento Aplicación algoritmos Visualización e interpretación
- 23. 23 Proceso de trabajo Grossomodo Preguntas a contestar Captura Preprocesamiento Aplicación algoritmos Visualización e interpretación
- 24. 24 Tipos de análisis PLN-Procesamientodellenguajenatural Segmentación por interés Fuente: Google 2015 (sobre libros)
- 25. 25 Tipos de análisis Clasificación ¿OSO? ¿OSO? ¿OSO? × ¿OSO? Entrenamiento Clasificación
- 26. 26 Fuente: Gopal Malakar https://www.youtube.com/watch?v=4Q0kUCvhmAk Tipos de análisis Clustering
- 27. 27 José Luis Ortega & Isidro F. Aguillo Tipos de análisis AnálisisdeRedesSociales
- 28. 28 Tipos de análisis AnálisisdeRedesSociales También con Little Data
- 29. 29 Proceso de trabajo Grossomodo Preguntas a contestar Captura Preprocesamiento Aplicación algoritmos Visualización e interpretación
- 30. 30 Apartir de ahí… Identificar: • “Nombre” de segmento • Necesidades • Características • Proposición de valor • Objetivos Fuente: Silvana Churruca • Proposición de valor
- 31. 31 Conclusión Big data isn't about the data. It's about analytics. Gary King (Harvard University) “ ”
- 32. 32 Créditos de las fotografías Gracias a: • Mike Mozart https://www.flickr.com/photos/jeepersmedia/13190503525/ • Enram Kashim https://www.flickr.com/photos/emrank/3665991725/ • Gregory Smith https://www.flickr.com/photos/slobirdr/16629011100/ • Fortherock https://www.flickr.com/photos/fortherock/3898369613/ • Manchester City Library https://www.flickr.com/photos/manchesterlibrary/13245972633/ • Biblioteca de la Universidad de Zaragoza https://www.flickr.com/photos/buzdospuntocero/11337149024/ • Writers Centre Norwich https://www.flickr.com/photos/writerscentrenorwich/18591911122/ • Silvana Churruca http://www.ux-lady.com/diy-user-personas/
- 33. XVII JORNADA DE GESTIÓN DE LA INFORMACIÓN ¡Gracias! Jorge Serrano Cobos (@serranocobos) jorge.serrano@metricsalad.com http://www.metricsalad.com
Notas del editor
- El PLN o Procesamiento del Lenguaje Natural, puede generar agrupaciones o segmentaciones en función del análisis de textos.
- Se entrena al sistema con conjuntos de datos ya clasificados previamente. Tras el aprendizaje supervisado, el sistema puede identificar la categoría en la que clasificar un nuevo ítem, a partir de lo aprendido.
- Se divide un conjunto de elementos en agrupaciones más pequeñas de elementos similares entre sí. El sistema no se entrena, no conoce de antemano las características que hacen similar a un grupo (aprendizaje no supervisado)
- Analiza las conexiones entre los elementos integrantes de una comunidad. Esos elementos pueden ser: Personas Poblaciones Páginas web Libros Autores…
- Analiza las conexiones entre los elementos integrantes de una comunidad. Esos elementos pueden ser: Personas Poblaciones Páginas web Libros Autores…