Este documento describe el uso de reglas de asociación difusas para modelar el comportamiento de los consumidores en marketing. Se propone un sistema llamado Fuzzy-CSar que aprende reglas de asociación sin fijar variables de salida. Los resultados muestran que Fuzzy-CSar extrae reglas útiles y originales que mejoran la comprensión del experto. El trabajo futuro incluye un análisis más detallado de las capacidades de Fuzzy-CSar y el conocimiento que pueden aportar las reglas dominadas.

1. Modelado Causal en Marketing mediante
g
Aprendizaje no Supervisado de Reglas de
Asociación Dif
A i ió Difusas
Albert Orriols-Puig1
Jorge Casillas2
Francisco J. Martínez-López3
p
1Grup de Recerca en Sistemes Intel·ligents, Enginyeria i Arquitectura La Salle, Universitat Ramon Llull
2Dpto. Ciencias de la computación e Inteligencia Artificial, Universidad de Granada
3Dpto. Comercialización e Investigación de Mercados, Universidad de Granada

2. Índice
1. Descripción del Problema
1D i ió d l P bl
2.
2 Reglas de Asociación
3.
3 Descripción de Fuzzy CSar
Fuzzy-CSar
4.
4 Metodología Experimental
5.
5 Resultados
6. Conclusiones y Trabajo Futuro
Slide 2
Grup de Recerca en Sistemes Intel·ligents

3. Descripción del Problema
Búsqueda de oportunidades de mercado
Sistemas de apoyo a la gestión de marketing
Extraer información clave para la toma de decisiones
Modelado d l
M d l d del comportamiento del consumidor
t i t dl id
Definir las características o variables que se quieren medir
Variables d
V i bl de primer orden
i d
Variables de segundo orden definidas por varias variables de
primer orden
Datos recogidos de cuestionarios
Preguntas indirectas para evaluar las variables
g p
Slide 3

4. Descripción del Problema
ítems Modelado de la compra por internet
v1
Velocidad de
v2 interacción
f1
Nivel de
v3
atención
Habilidad/
h1 f2
control
h2 Habilidad
H bilid d
Metodología clásica
Asumir modelo estructural y plantear hipótesis
c1
Estudiar analíticamente las hipótesis
p
Control
Problema: fijar la estructura puede limitar el
c2
descubrimiento de conocimiento interesante.
Velocidad de interacción
v1: La interacción con las páginas Web es rápida y estimulante: {1,…,9}
v2: Internet es rápido: {1,…,9}
v3: Las páginas Web que visito usualmente se cargan lo suficientemente
rápido: {1,…,9}
{1 9}
Slide 4
Grup de Recerca en Sistemes Intel·ligents

5. Cómo Afrontar el Problema?
Trabajo previo (Martínez & Casillas, 2008)
Método multi-objetivo GCCL
Fijar variable de salida
Extracción de reglas difusas
Fuzzificación multi-ítem para tratar los datos
multi ítem
Permitió descubrir conocimiento clave no detectado por
el método clásico
Propósito del trabajo actual
Extraer reglas de asociación difusas con el objetivo de
extraer relaciones entre variables que sean útiles y
desconocidas para el experto en marketing
Comparar el nuevo sistema con el GCCL
Slide 5
Grup de Recerca en Sistemes Intel·ligents

6. Índice
1. Descripción del Problema
1D i ió d l P bl
2.
2 Reglas de Asociación
3.
3 Descripción de Fuzzy CSar
Fuzzy-CSar
4.
4 Metodología Experimental
5.
5 Resultados
6. Conclusiones y Trabajo Futuro
Slide 6
Grup de Recerca en Sistemes Intel·ligents

7. Reglas de Asociación
Objetivo: Extraer reglas que denoten relaciones entre
variables con alto soporte y confianza
SI X = {x1, x2, …, xp} es {Fx1, Fx2, …, Fxp} ENTONCES
Y = {y1, y2, …, yp} es {Gy1, Gy2, …, Gyp}
SI velocidad es alta y habilidad es media ENTONCES
nivel d atención es alto
lt
i l de t ió
Evaluación por soporte y confianza:
p p
Slide 7
Grup de Recerca en Sistemes Intel·ligents

8. Índice
1. Descripción del Problema
1D i ió d l P bl
2.
2 Reglas de Asociación
3.
3 Descripción de Fuzzy CSar
Fuzzy-CSar
4.
4 Metodología Experimental
5.
5 Resultados
6. Conclusiones y Trabajo Futuro
Slide 8
Grup de Recerca en Sistemes Intel·ligents

9. Descripción de Fuzzy-CSar
Sistema clasificador de estilo Michigan
g
Sistema de aprendizaje online
Uso de algoritmos g
g genéticos para evolucionar el modelo
p
Representación del conocimiento
Evolución de una población de clasificadores
Cada clasificador contiene
Regla de asociación difusa con 1 sola variable en
consecuente
Conjunto de parámetros Donde cada variable está
Soporte definida po varios ítems.
de da por a os te s
Confianza
Fuzzificación multi-ítem.
Fitness
…
Slide 9
Grup de Recerca en Sistemes Intel·ligents

10. Fuzzificación Multi-ítem
Objetivo: Unir la información de los ítems para determinar el
grado de emparejamiento por cada variable
Computar la T-conorma grado de emparejamiento de la
variable i con cada ítem de los pi que representan la variable
Variables de segundo orden se computan como la T-norma
Slide 10
Grup de Recerca en Sistemes Intel·ligents

11. Proceso de Aprendizaje
Flujo de
Entorno
ejemplos
j l
Match Set [M]
Ejemplo 1A C sup conf F n as exp
Covering
3A C sup conf F n as exp
if |[M]| < θmna
5A C sup conf F n as exp
Población [P] 6A C sup conf F n as exp
…
1A C sup conf F n as exp
2A C sup conf F
p n as exp
p
Generar todos
G td
3A C sup conf F n as exp
los posibles conjuntos
4A C sup conf F n as exp
de asociación [A]
5A C sup conf F n as exp
Generación
6A C sup conf F n as exp
del Match set
…
Se d
S da una probabilidad d
b bilid d de
selección a cada [A] proporcional
Actualización a su confianza media
de los
parametros [A] selection
Borrado
Association Set [A]
Selección, Reproducción,
mutación
Algoritmo Genético 3 A C sup conf F n cs as exp
6 A C sup conf F n cs as exp
…
Slide 11
Grup de Recerca en Sistemes Intel·ligents

12. Índice
1. Descripción del Problema
1D i ió d l P bl
2.
2 Reglas de Asociación
3.
3 Descripción de Fuzzy CSar
Fuzzy-CSar
4.
4 Metodología Experimental
5.
5 Resultados
6. Conclusiones y Trabajo Futuro
Slide 12
Grup de Recerca en Sistemes Intel·ligents

13. Metodología Experimental
Experimentación en el modelo causal presentado por
p p p
Novak et al. (2000)
{1,2,…9}
{1,2,…9}
Habilidad Control
{0.25, 0.5, 1.5, 2.5, 3.5, 4.5}
{1,2,…9}
HABILIDAD/
Inicio de uso de la Web CONTROL
FLOW
{1,2,…9}
{1,2,…9}
{1 2 9}
DESAFÍO/
Velocidad
ESTÍMULO
interacción Comportamiento
Desafío
exploratorio
Estímulo
{1,2,…9}
Implicación con
p Nivel de TELEPRES/
la Web atención DIST. TIEMPO
{1,2,…9}
{1,2,…9} Distorsión
Tele-
Tiempo
presencia
i
{1,2,…9}
Slide 13
Grup de Recerca en Sistemes Intel·ligents

14. Metodología Experimental
Comparativa entre Fuzzy-CSar y GCCL basado en
NSGA-II
NSGA II diseñado por Martínez & Casillas (2008)
Experimento 1 (4in1out):
1 variable de salida: flow
4 variables de entrada: habilidad/control velocidad de interacción
habilidad/control, interacción,
desafío/estímulo y telepresencia/distorsión del tiempo
Experimento 2 (8in1out):
1 variable de salida: flow
Resto de variables como entrada
¿Los resultados son similares a los obtenidos con 4 variables?
Experimento 3 (9in9out):
Se permite cualquier variable en entrada o salida
¿Se obtiene conocimiento interesante no detectado previamente?
Slide 14
Grup de Recerca en Sistemes Intel·ligents

15. Índice
1. Descripción del Problema
1D i ió d l P bl
2.
2 Reglas de Asociación
3.
3 Descripción de Fuzzy CSar
Fuzzy-CSar
4.
4 Metodología Experimental
5.
5 Resultados
6. Conclusiones y Trabajo Futuro
Slide 15
Grup de Recerca en Sistemes Intel·ligents

16. Resultados: Análisis de los Paretos
Pareto de Fuzzy-CSar sin consecuente fijado
Pareto del GCCL
P dl
Pareto de Fuzzy-CSar
con flow como consecuente
Pareto de Fuzzy-CSar
sin consecuente fijado y sólo
considerando las reglas con
la variable flow en el consecuente
Slide 16
Grup de Recerca en Sistemes Intel·ligents

17. Análisis del Valor de las Reglas
Obtención de reglas no contempladas en el modelo
propuesto por Novak et al. (2000)
SI i li ió web es M y h bilid d/ t l es P o M y nivelAtención es P o M y
implicación b habilidad/control i lAt ió
flow es P o M ENTONCES comportamientoExploratorio es M
Soporte = 0,22 y conf = 0,87
SI implicación web es P o M y desafío/estímulo es P o M y telepresencia/distancia
de tiempo es M o L ENTONCES nivelAtención es M
Soporte = 0,21 y conf = 0,84
Utilidad de los resultados:
Denotan relaciones no incluidas en el modelo estructural
de Novak et al. (2000), proporcionando información útil
Permiten la revisión del modelo inicial
Slide 17
Grup de Recerca en Sistemes Intel·ligents

18. Índice
1. Descripción del Problema
1D i ió d l P bl
2.
2 Reglas de Asociación
3.
3 Descripción de Fuzzy CSar
Fuzzy-CSar
4.
4 Metodología Experimental
5.
5 Resultados
6. Conclusiones y Trabajo Futuro
Slide 18
Grup de Recerca en Sistemes Intel·ligents

19. Conclusiones y Trabajo Futuro
Fuzzy CSar
Fuzzy-CSar es un sistema competente que:
Aprende reglas de asociación sin tener que fijar los
co secue es
consecuentes de las reglas
as eg as
Extrae reglas de asociación útiles y originales para los
expertos de marketing
p g
Obtiene frentes de Pareto similares a los extraídos por
un sistema optimizador de frentes Pareto
p
Aprende online
Grandes volúmenes de datos
Actualización del conocimiento frente cuestionarios nuevos
Trabajo futuro:
Estudio detallado de las capacidades de Fuzzy-CSar
Análisis de la diversidad de las reglas. Las reglas
g g
dominadas también pueden tener información útil
Slide 19
Grup de Recerca en Sistemes Intel·ligents

20. Modelado Causal en Marketing mediante
g
Aprendizaje no Supervisador de Reglas de
Asociación Dif
A i ió Difusas
Albert Orriols-Puig1
Jorge Casillas2
Francisco J. Martínez-López3
p
1Grup de Recerca en Sistemes Intel·ligents, Enginyeria i Arquitectura La Salle, Universitat Ramon Llull
2Dpto. Ciencias de la computación e Inteligencia Artificial, Universidad de Granada
3Dpto. Comercialización e Investigación de Mercados, Universidad de Granada