SlideShare una empresa de Scribd logo
Miguel Monreal
HEAD OF BUSINESS TECH
@monrealista
#Flat101DS @SomosFlat101 info@flat101.es
Machine Learning para definir
clusters de usuarios y acciones
28 de mayo de 2020
#Flat101DS @SomosFlat101 info@flat101.es
ML para definir clústers de usuarios y acciones
Indice:
01
Definiciones:
AI vs ML vs DL
02
¿Cómo funciona ML?
03
ML: Casos de uso
reales y oportunidades
04
Activando ML en
negocios digitales
05
Wrap-up
ML para definir clústers de usuarios y acciones
01
Definiciones:
AI vs ML vs DL
ML para definir clústers de usuarios y acciones
DEFINICIÓN: AI, ML, DL
ARTIFICIAL INTELLIGENCE (AI)
MACHINE LEARNING (ML)
DEEP LEARNING (DL)
La capacidad de una máquina
de imitar el comportamiento
inteligente de los humanos
Diccionario Merriam-Webster
El campo de estudio que da a los
ordenadores la capacidad de aprender sin
ser explícitamente programados
Arthur Samuel
Se trata de una forma de
aplicar machine learning
utilizando redes neuronales
con distintos niveles
jerárquicos.
ML para definir clústers de usuarios y acciones
AI, ML, DL a lo largo del tiempo
https://www.linkedin.com/pulse/biggest-confusion-cleared-ai-vs-ml-dl-ashwin-kumar/
ML para definir clústers de usuarios y acciones
Inteligencia
Artificial
01
Definiciones
La capacidad de una máquina de imitar el
comportamiento inteligente de los humanos
ML para definir clústers de usuarios y acciones
¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO
M 2345- KT-
Z 5081- AZ-
Desde 1971:
Es una matricula de Madrid
Año 1990
Es una matricula de Zaragoza
Año 1996
Es una matricula de Navarra
Año 1991
NA 6620- BC-
ML para definir clústers de usuarios y acciones
¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO
2367 BSB-
Desde 2000:
????????
ML para definir clústers de usuarios y acciones
2367 BSB-
Desde 2000:
Un desarrollador añade una condición adicional
if ( matricula empieza por sello ) {
// Lee sello europeo
España
// Lee 4 dígitos
2367
// Lee 3 letras
BSB
// Se determina el año
2002
}
if ( matricula empieza por 1 ó 2 letras ) {
// leo matricula
M-2345-KT
}
Código existente
Sello europeo
con letra de país
4 letras de
matrícula
3 letras
(sin vocales)
Excluídas tb LL, CH, Ñ y Q
¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO
ML para definir clústers de usuarios y acciones
Machine
Learning
02
Definiciones
El campo de estudio que da a los
ordenadores la capacidad de aprender sin ser
explícitamente programados
ML para definir clústers de usuarios y acciones
MACHINE LEARNING:
Entrada de datos Algoritmo genérico Predicción
En machine learning no se indican sentencias de
código rígidas para resolver un problema concreto.
Datos de matrículas:
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
• 2367 BSB
• Etc
Algoritmo apropiado de
machine learning entrenado
para resolver el problema
Matrícula válida
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
Matrícula inválida
• 2367 BSB
En su lugar se "enseña" a un ordenador para que pueda
solventarlo por su cuenta, utilizando un algoritmo de
aprendizaje genérico.
ML para definir clústers de usuarios y acciones
MACHINE LEARNING:
Entrada de datos Algoritmo genérico Predicción
Datos de matrículas:
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
• 2367 BSB
• Etc
Algoritmo apropiado de
machine learning entrenado
para resolver el problema
Matrícula válida
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
• 2367 BSB
Re-entreno del algoritmo
ML para definir clústers de usuarios y acciones
Deep
Learning
03
Definiciones
Técnica avanzada de machine learning
utilizando redes neuronales con distintos
niveles jerárquicos.
ML para definir clústers de usuarios y acciones
DEEP LEARNING:
Deep Learning es una técnica avanzada de
aplicar Machine Learning utilizando redes
neuronales con distintos niveles jerárquicos.
El concepto se asemeja al funcionamiento del
cerebro humano, donde existe una entrada de
datos y una serie de nodos (neuronas)
interconectados entre sí en distintos niveles
que trabajan en conjunto para generar una
salida.
ML para definir clústers de usuarios y acciones
DEEP LEARNING:
En el nivel inicial, las neuronas realizan un trabajo simple que se traspasa
a la siguiente capa. Esta combina los datos de entrada y ejecuta una tarea
más compleja, haciéndola llegar a un tercer nivel, y así sucesivamente.
Este planteamiento permite abordar problemas abstractos, a través del
aprendizaje en sucesivas capas cada vez más complejas.
ML para definir clústers de usuarios y acciones
DEEP LEARNING: USOS
Algunos ejemplos de aplicación de Deep Learning:
• Clasificación avanzada de imágenes
• Reconocimiento de voz
• Conducción autónoma
• Asistentes de voz
• Etc.
Habitualmente se ejemplifica Deep Learning con el caso de
clasificación de imágenes, donde el proceso se divide en
diferentes etapas, comenzando con la detección de zonas
claras y oscuras, pasando a contornos con formas simples, que
posteriormente se combinan para identificar elementos, etc.
ML para definir clústers de usuarios y acciones
ML para definir clústers de usuarios y acciones
CLOUD VISION DE GOOGLE
ML para definir clústers de usuarios y acciones
02
¿Cómo funciona ML?
(Machine Learning)
ML para definir clústers de usuarios y acciones
CICLO BÁSICO DE APRENDIZAJE EN MACHINE LEARNING
• Oportunidad de negocio: Como premisa, debe partirse de un
objetivo a conseguir (ej: "predecir la probabilidad de compra
de un usuario para ofrecer mensajes más persuasivos").
• Recopilación de datos: Identificación, extracción y limpieza
de la información clave, así como data governance integral.
• Selección de algoritmo: Elección de aproximación
matemática para resolver el challenge planteado.
• Entrenamiento: Training con datos del algoritmo
seleccionado para obtener un modelo de machine learning.
• Evaluación: Checking de la precisión del modelo generado.
• Despliegue: Deployment de modelo para que pueda ser
consultado en tiempo real o a través de procesos batch.
• Predicción: El modelo está listo para ser utilizado enviando
nuevos datos sobre los que realizar la predicción.
ML para definir clústers de usuarios y acciones
ALGUNOS APUNTES….
El modelo puede ser
reentrenado según nuevos
inputs (ej: resultado real de
conversión - “label”)
La recolección y data quality
comprende el 60-70% de
trabajo total
Habitualmente se hace un
split de datos para entrenar y
evaluar el modelo
ML para definir clústers de usuarios y acciones
CATEGORÍAS DE ALGORITMO EN MACHINE LEARNING: ¿CUÁL ELEGIR?
MACHINE
LEARNING
APRENDIZAJE SUPERVISADO (Supervised learning)
APRENDIZAJE NO SUPERVISADO (Unsupervised learning)
APRENDIZAJE REFORZADO (Reinforcement learning)
ML para definir clústers de usuarios y acciones
Algoritmo
supervisado
01
Cómo funciona ML
(Supervised learning)
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO
Lo característico de esta aproximación es que
partimos de una serie de datos organizados y
estructurados sobre los que entrenar nuestro
algoritmo.
Es decir, tenemos un set de datos de entrada
etiquetados que dan semántica a la información.
Ej: Tenemos una colección de imágenes que sabemos que son de árboles,
con lo que podemos entrenar a nuestro algoritmo para que determine si
una imagen que nos llega es de un árbol o no.
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: EJEMPLO
Imaginemos que tenemos un concesionario de
coches de segunda mano y queremos, a través de
una aplicación, estimar el precio de venta de un
coche en función de ciertas características, como
su marca, modelo y kilometraje.
Para poder entrenar el algoritmo y predecir el
precio de venta, se guarda un histórico de todos los
coches que se han vendido en los últimos 4
meses, especificando las características arriba
mencionadas y sobretodo el precio en el que
finalmente se cerró la venta.
ML para definir clústers de usuarios y acciones
PROCESO DEBEMOS SEGUIR
• Marca: Ford
• Modelo: Kuga
• Kilómetros: 64.000
• Precio de venta: ???
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
• En primer lugar, es fundamental y necesario reunir un set de
datos válidos donde se localice toda la información relacionada
que consideremos de interés.
• Esto quiere decir incorporar toda aquella característica interna
o externa que pueda tener relación con el dato a predecir.
• Ej: INE (Instituto Nacional de Estadística) para obtener informes
de matriculaciones: https://www.ine.es/dyngs/IOE/es/
operacion.htm?numinv=70041
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
Relativo a la información a incorporar encontramos 2 tipos de datos:
- Característica (feature): Se trata de información que aportamos al
sistema como variables. Los modelos de predicción se basan en
estos datos para realizar predicciones.
Adicionalmente a estos datos aportados, puede realizarse un
enriquecimiento (o feature engineering) para completar
indirectamente información. Por ejemplo, a partir de la matrícula se
podría determinar la fecha de matriculación.
- Etiqueta (label): Es el dato final de salida a partir de la información de
entrada (features).
En resumen, en el ejemplo son
features la "marca", el "modelo"
y los "kilómetros".
En cambio "precio de venta" es
el label a predecir, que en este
set de datos de prueba
conocemos.
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
Para realizar un predicción
numérica continua (ej: qué
facturación tendremos este
año) unos de los algoritmos
más usados es la regresión
lineal
• Regresión múltiple
• Bayesiano
• Redes neuronales
Para conocer la pertenencia o
no a una clase (ej: spam/no
spam, comprador/no
comprador) es frecuente utilizar
algoritmos de clasificación
• Regresión logística
• KNN (k-nearest neighbor)
• Árboles de decisión
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
• Es un modelo matemático que genera predicciones
encontrando patrones en tus datos. Fuente: Amazon (AWS)
• Un modelo es la relación entre características
(features) y etiquetas (labels). Fuente: TensorFlow
¿Qué es un modelo
en Machine Learning?
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
ENTRENO VALIDACIÓN
Datos de prueba
(contiene features + label)
ML para definir clústers de usuarios y acciones
APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
Predicción
(features+label)
Solicitud
(features)
ML para definir clústers de usuarios y acciones
Algoritmo
NO supervisado
02
Cómo funciona ML
(Unsupervised learning)
ML para definir clústers de usuarios y acciones
Algoritmo NO supervisado
En el caso de aprendizaje NO supervisado, los datos a
utilizar están sin etiquetar.
Esto es, que no hay semántica en la información que
vamos a introducir en el sistema.
Por poner un símil, el paralelismo sería como si nos
dieran una serie de jeroglíficos egipcios y tuviéramos
que encontrar patrones y/o potenciales agrupaciones
entre los distintos símbolos.
ML para definir clústers de usuarios y acciones
Algoritmo NO supervisado
Este hecho, aunque supone un reto para el algoritmo
de entrenamiento, es una clara ventaja, ya que
ahorramos el costoso trabajo de etiquetado que
habitualmente tiene que ser realizado por una
persona en el enfoque de algoritmos supervisados.
Es decir, el proceso con respecto al aprendizaje
supervisado se simplifica, ya que no es necesario
realizar una fase de etiquetado, sino que directamente
se produce la ingesta de datos a la espera del output
ML para definir clústers de usuarios y acciones
De acuerdo a los últimos estudios de Gartner, el
80% de la información existente hoy en día es NO
estructurada, con lo que las oportunidades
existentes son enormes.
80%Datos NO estructurados
Algoritmo NO supervisado
https://www.forbes.com/sites/forbestechcouncil/2017/06/05/the-big-unstructured-data-problem/
ML para definir clústers de usuarios y acciones
Algoritmo NO supervisado: oportunidades
ML para definir clústers de usuarios y acciones
Algoritmo NO supervisado: oportunidades
ML para definir clústers de usuarios y acciones
Clustering es una técnica de Machine Learning
que consiste en la agrupación de datos.
A partir de una serie de datos, el algoritmo
clasifica cada punto en un grupo específico.
Los puntos que están en un mismo grupo
deberían tener propiedades/features, muy
similares.
Ej: Look-a-like en DMP
Algoritmo NO supervisado: clusterización
ML para definir clústers de usuarios y acciones
Algoritmo NO supervisado: clusterización - ejemplos
K-Mean Clustering Mean Shift Clustering EM with GMM
Expectation-Maximization using Gaussian
Mixture Models
https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68Fuente:
ML para definir clústers de usuarios y acciones
Ciertos autores consideran que el aprendizaje no supervisado
permite realizar una segmentación automática que permita
entender mejor la información. Incluso apuntan como paso
previo a un aprendizaje supervisado.
Por ejemplo, en el caso de detección de terremotos, un
algoritmo no supervisado puede realizar la búsqueda de
patrones en los datos, pudiendo obtener insights que permitan
la anticipación ante posibles catástrofes.
Algoritmo NO supervisado: dando semántica a los datos
ML para definir clústers de usuarios y acciones
Algoritmo NO supervisado: detección de anomalías
ML para definir clústers de usuarios y acciones
Algoritmo
Reforzado
03
Cómo funciona ML
(Reinforced learning)
ML para definir clústers de usuarios y acciones
ALGORITMO REFORZADO
La principal diferencia del aprendizaje reforzado es que NO se realiza un
entrenamiento previo basado en un set de datos, sino que el algoritmo
aprende dinámicamente en base al feedback que recibe.
En otras palabras, el aprendizaje reforzado es un modelo basado en el
comportamiento. Podría asemejarse a un enfoque prueba-error para la
búsqueda del resultado más óptimo.
ML para definir clústers de usuarios y acciones
ALGORITMO REFORZADO
Un ejemplo de aplicación clara es la inteligencia
artificial de los videojuegos.
Supongamos un juego de lucha. En base a los
movimientos que realicemos, la CPU actuará atacando
o defendiendo de una determinada manera.
Es decir, irá modificando su comportamiento en
sucesivas secuencias para conseguir ganar la batalla
ML para definir clústers de usuarios y acciones
ALGORITMO REFORZADO EN AB TESTING
Las herramientas de AB Testing plantean
el problema de no obtener un resultado
final hasta recopilar un volumen mínimo
de conversiones que proporciones una
significancia estadística suficiente
Esta aproximación tiene una clara
desventaja, ya que el experimento se
alarga y se pierde negocio mostrando
versiones con menos capacidad de
conversión
https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804
ML para definir clústers de usuarios y acciones
ALGORITMO REFORZADO EN AB TESTING: MULTI-ARMED BANDIT TEST
Los Multi-Armed Bandit Test permiten
bascular tráfico de forma anticipada a
combinaciones que se determinan
potencialmente ganadoras
http://conductrics.com/balancing-earning-with-learning-bandits-and-adaptive-optimization/
Fuente:
ML para definir clústers de usuarios y acciones
ALGORITMO REFORZADO EN AB TESTING
https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804
THOMPSON SAMPLING MONTECARLO SIMULATION
ML para definir clústers de usuarios y acciones
EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES
ML para definir clústers de usuarios y acciones
EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES
AUTO-TARGET
AUTOMATED-PERSONALIZATION
Con auto-target automáticamente determina la
mejor experiencia a nivel de journey para cada
visitante en función de su perfil e información
contextual
Muy útil en fase de testing para determinar los
contenidos más adecuados para los distintos
target de cliente
AUTOMATED-ALLOCATE
Sirve para optimizar el rendimiento del test,
obteniendo la versión ganadora en el menor
tiempo posible
• Multi-armed bandit
• Random Forest
• Thompson Sampling
ML para definir clústers de usuarios y acciones
EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES
ML para definir clústers de usuarios y acciones
UN POCO DE LITERATURA:
ML para definir clústers de usuarios y acciones
Resumen
04
Cómo funciona ML
ML para definir clústers de usuarios y acciones
MAPEO DE NECESIDADES DE MK CON PROBLEMAS DE ML
Problema a resolver Tipología ML
Lead scoring
CLV
Descuento ideal
Regression (valor continuo)
Click en un banner
Cliente de alto/medio/bajo valor
Classification (opciones acotadas)
Qué producto mostrar
Qué contenido mostrar
Recommendation
Segmentación de clientes
Insights de negocios
Clustering
Detección de incidencias Anomaly detection
CRO / Orquestación de emails Reinforcement Learning
Supervised Learning
Unsupervised Learning
Reinforcement Learning
ML para definir clústers de usuarios y acciones
03
ML: Casos de éxito reales
ML para definir clústers de usuarios y acciones
Clusterización de
usuarios para
predicción de bajas
Aplicación de modelo de detección de
churn-rate en un servicio de suscripción
01
Casos de uso
ML para definir clústers de usuarios y acciones
Acerca del proyecto
Empresa que vende un servicio deportivo bajo suscripción
anual desea conocer con antelación el porcentaje de
usuarios que van a darse de baja.
Se requiere realizar este estudio intertemporada (antes del
nuevo año) e intratemporada(durante el año)
El objetivo es poder anticipar acciones de marketing
concretos para cada cluster para reducir estas cifras
Aplicación de algoritmo de Machine Learning
para clusterización de usuarios
• Identificación de variables relevantes
• Obtención, limpieza y enriquecimiento de datos
(feature engineering)
• Validación de datos
• Elección de algoritmo y entrenamiento del modelo
• Verificación de precisión de modelo, clusterizando
en 5 grupos según propensión a baja
• Despliegue del modelo en producción
PLAN DE TRABAJO:
ML para definir clústers de usuarios y acciones
Churn rate global
Suscripciones por año
Suscripciones
Año
1
Año
2
Año
3
Año
4
El estudio agrupa en distintos tipos de usuario:
•New: Nuevo clientes
•Loyal: Fidelizados (tuvo suscripción el pasado año)
•Winback: Recuperado (no fue suscriptor el año anterior)
•Lost: Perdido (no ha renovado suscripción)
ML para definir clústers de usuarios y acciones
Distribución de clientes por edad
ML para definir clústers de usuarios y acciones
Churn rate por edad
ML para definir clústers de usuarios y acciones
Análisis univariable
ML para definir clústers de usuarios y acciones
Análisis multivariante
ML para definir clústers de usuarios y acciones
Predicción
Suscripciones
ML para definir clústers de usuarios y acciones
Clusterización de
usuarios para
priorización de servicio
Aplicación de modelo de detección de
propensión en un servicio bancario
02
Casos de uso
ML para definir clústers de usuarios y acciones
Acerca del proyecto
Aplicación de modelo predictivo en producto hipotecario
para particulares en formulario presente en landing pages
así como en otros procesos críticos de contratación.
Una vez cumplimentado el formulario, se realizo scoring en
tiempo real para cálculo de propensión (alta | baja).
40%
LAS CIFRAS:
Enlace con simulador
automático
Cita con call center para
simulación de hipoteca asistida
BAJA PROPENSIÓN
ALTA
PROPENSIÓN
MODELO
+13%
Ahorro en
llamadas asistidas
En ratio de conversión de
agentes
ML para definir clústers de usuarios y acciones
Clusterización de
usuarios para cross-
selling y recurrencia
Aplicación de modelo en eCommerce
03
Casos de uso
ML para definir clústers de usuarios y acciones
Acerca del proyecto
eCommerce de venta de productos de beauty desea
desarrollar 2 modelos de Machine Learning:
Cross-selling: Predicción de la afinidad de cada
cliente para diferentes líneas de producto
Recurrencia: Modelo de recurrencia y predicción de
productos triggers (generan otra compra)
ML para definir clústers de usuarios y acciones
Cross-selling / Recomendación personalizada
Predicción de la afinidad de cada cliente para diferentes líneas
de productos en base a:
• Compras previas (collaborative filtering)
• Perfil de cliente (predictive model)
Parametrización analítica:
• Secuencialidad temporal
• Ponderación por recencia
• Diversificación
• Cuantificación
Aplicaciones:
• Campañas de cross-selling personalizadas
• Perfilado por afinidad a catálogo
Matriz de propensión de productos por usuario
ML para definir clústers de usuarios y acciones
Modelos de recurrencia
Detección y explotación de 2 tipos de recurrencia:
• Productos recurrentes con compra periódica
• Productos (triggers) que predisponen a la compra
de otros productos (targets)
Fases del modelo:
• Identificación de productos recurrentes y cruzados
mediante metodología analítica
• Identificación de los tiempos esperados para la
recurrencia (periodicidades)
• Creación de alertas cuando se sobrepasa el tiempo
esperado
ML para definir clústers de usuarios y acciones
04
Activando ML en
negocios digitales
ML para definir clústers de usuarios y acciones
Más datos, ¿más accionabilidad?
Cada vez las empresas consiguen generar un mayor
volumen de datos de clientes, siendo más difícil su
entendimiento y explotación a través de acciones
concretas.
La capacidad de hacer clasificación de clientes
permite centrarnos y dedicar recursos a aquellos
que dispongan de una alta probabilidad de
consecución de un objetivo. Para ello se utilizan los
modelos de datos.
Un modelo de datos persigue catalogar un set de
información en base a ciertos criterios para
conseguir un objetivo concreto, que debe estar
consensuado.
ML para definir clústers de usuarios y acciones
Oportunidades con Machine Learning
Ejemplo de nuestro trabajo en lead scoring:
El 3% de nuestros clientes generan el 35% de la facturación
Los 3 primeros segmentos suponen el 70% de la facturación
Algunos ejemplos de modelo de datos habituales:
• Upselling
• Cross-selling
• Clustering
• Scoring por LTV
• Segmentación por ROI
• Retención (volverían a comprar)
• Contactabilidad
• Etc
ML para definir clústers de usuarios y acciones
¿Por dónde comenzar?. Algunas ideas
¿Cómo captas a tus
potenciales clientes?:
- Utilizando tecnologías
como DMP para la
obtención de audiencias
lookalike
- Clusterización de
keywords en la captación
de tráfico SEO
Antes de la visita Durante la navegación Durante la compra Tras la compra
¿Cómo mantienes el interés
de tus potenciales clientes?:
- Personalización escaparate
- Ordenación en grids y
resultados de búsqueda en
función a propensión
- Priorización de productos en
función de su cluster.
- Recomendación de
productos
¿Cómo conviertes a tus
potenciales clientes?:
- Activación de mensajes
(triggers) en función de su
customer journey
- Acciones de up-selling en
productos trigger
- Ordenación de envío y
forma de pago
¿Cómo fidelizas y tienes
clientes recurrentes?:
- Mensajes en función en
probabilidad de compra
- Alineación de productos
ofrecidos con expectativa
de cliente
- Cadencia acorde con la
tipología de cliente
- CLV
- Churn rate
La aplicación de reglas para la personalización de
contenido puede ser un buen punto de comienzo
si no se disponen de medios o como fase previa a
un proyecto de Machine Learning
A través de geolocalización por IP se estableció
un sistema de personalización en la oferta en
escaparate
Érase una vez 2007…
ML para definir clústers de usuarios y acciones
Personalización con reglas
ML para definir clústers de usuarios y acciones
Inteligencia artificial basada en reglas
Versión fallback
Versión Euskadi
Versión Madrid
ML para definir clústers de usuarios y acciones
Un gran proyecto de
Machine Learning
puede fallar por una
mala usabilidad
Las matemáticas nos ayudan a localizar
oportunidades, pero en nuestro tejado está
encontrar la forma adecuada de transmitir el
mensaje
One more thing…
ML para definir clústers de usuarios y acciones
05
Wrap-up
ML para definir clústers de usuarios y acciones
La personalización se
está convirtiendo en
un must. En pocos
años se convertirá en
un higiénico
Atrás quedan los tiempos en los que la oferta y el
mensaje eran igual para todos.
En digital es posible y nuestros clientes no
entenderán que no lo hagamos. Simplemente
cambiarán de pestaña y se irán a la competencia.
ML para definir clústers de usuarios y acciones
Información para obtener contexto
bit.ly/estudio2019 flat101.es/conversion101/
ML para definir clústers de usuarios y acciones
¿En qué fase se encuentra tu negocio?
“Café para todos” "AI” basado en reglas Machine Learning Deep Learning
Ofrecemos la misma experiencia
a todo el mundo, perdiendo
grandes oportunidades
Approach efectivo y rápido
cuando se está empezando, pero
poco escalable y con cierto nivel
de sesgo
Conlleva una inversión pero nos
permite obtener información
muy valiosa, basada en
matemáticas y con capacidad de
accionabilidad
Permite resolver problemas muy
complejos, aunque también
conlleva un equipo
especializado/inversión en
herramientas
¡Gracias por la asistencia!
#Flat101DS @SomosFlat101 info@flat101.es

Más contenido relacionado

La actualidad más candente

Taeq
TaeqTaeq
Neuromarketing
NeuromarketingNeuromarketing
Neuromarketing
Diego Carbonell
 
Neuromarketing P.I.pdf
Neuromarketing P.I.pdfNeuromarketing P.I.pdf
Neuromarketing P.I.pdf
renatabarajas1
 
Clase unidad 3 branding
Clase unidad 3 brandingClase unidad 3 branding
Clase unidad 3 branding
Maryfrancia Méndez Matheus
 
Características de los salones de belleza en lima
Características de los salones de belleza en limaCaracterísticas de los salones de belleza en lima
Características de los salones de belleza en lima
JeffOscar
 
Introducción al Marketing para niños y niñas (2011)
Introducción al Marketing para niños y niñas (2011)Introducción al Marketing para niños y niñas (2011)
Introducción al Marketing para niños y niñas (2011)
Miriam Ruiz
 
Enfoque al cliente fidelizacion
Enfoque al cliente fidelizacionEnfoque al cliente fidelizacion
Enfoque al cliente fidelizacion
Luis Forero
 
8. Marketing de Servicios
8. Marketing de Servicios8. Marketing de Servicios
8. Marketing de Servicios
Said Cazares
 
venta directa
venta directaventa directa
venta directa
kmiloplata
 
Endomarketing
EndomarketingEndomarketing
Endomarketing
Mauricio Lopez
 
Marketing y branding emocional
Marketing y branding emocionalMarketing y branding emocional
Marketing y branding emocional
F BENAVIDEZ
 
Full services marketing
Full services marketingFull services marketing
Full services marketing
Sudeep Maheshwari
 
Las 10 reglas de oro del marketing radical
Las 10 reglas de oro del marketing radicalLas 10 reglas de oro del marketing radical
Las 10 reglas de oro del marketing radical
Fernando Moreto
 
Productos, servicios y experiencias
Productos, servicios y experienciasProductos, servicios y experiencias
Productos, servicios y experiencias
AdrianaLamon
 
Del Servicio a la Experiencia del Cliente
Del Servicio a la Experiencia del ClienteDel Servicio a la Experiencia del Cliente
Del Servicio a la Experiencia del Cliente
Erick Alejandro García
 
Insights
Insights Insights
Atencion al cliente
Atencion al clienteAtencion al cliente
Atencion al cliente
Luis Diaz
 
Fidelizacion De Clientes
Fidelizacion De ClientesFidelizacion De Clientes
Fidelizacion De Clientes
guest866459
 
Sample integrated marketing packages (F&B Industry)
Sample integrated marketing packages (F&B Industry)Sample integrated marketing packages (F&B Industry)
Sample integrated marketing packages (F&B Industry)
iconmediagroup
 
Introduccion al Marketing de Servicios
Introduccion al Marketing de ServiciosIntroduccion al Marketing de Servicios
Introduccion al Marketing de Servicios
Lorena Zamora Lay
 

La actualidad más candente (20)

Taeq
TaeqTaeq
Taeq
 
Neuromarketing
NeuromarketingNeuromarketing
Neuromarketing
 
Neuromarketing P.I.pdf
Neuromarketing P.I.pdfNeuromarketing P.I.pdf
Neuromarketing P.I.pdf
 
Clase unidad 3 branding
Clase unidad 3 brandingClase unidad 3 branding
Clase unidad 3 branding
 
Características de los salones de belleza en lima
Características de los salones de belleza en limaCaracterísticas de los salones de belleza en lima
Características de los salones de belleza en lima
 
Introducción al Marketing para niños y niñas (2011)
Introducción al Marketing para niños y niñas (2011)Introducción al Marketing para niños y niñas (2011)
Introducción al Marketing para niños y niñas (2011)
 
Enfoque al cliente fidelizacion
Enfoque al cliente fidelizacionEnfoque al cliente fidelizacion
Enfoque al cliente fidelizacion
 
8. Marketing de Servicios
8. Marketing de Servicios8. Marketing de Servicios
8. Marketing de Servicios
 
venta directa
venta directaventa directa
venta directa
 
Endomarketing
EndomarketingEndomarketing
Endomarketing
 
Marketing y branding emocional
Marketing y branding emocionalMarketing y branding emocional
Marketing y branding emocional
 
Full services marketing
Full services marketingFull services marketing
Full services marketing
 
Las 10 reglas de oro del marketing radical
Las 10 reglas de oro del marketing radicalLas 10 reglas de oro del marketing radical
Las 10 reglas de oro del marketing radical
 
Productos, servicios y experiencias
Productos, servicios y experienciasProductos, servicios y experiencias
Productos, servicios y experiencias
 
Del Servicio a la Experiencia del Cliente
Del Servicio a la Experiencia del ClienteDel Servicio a la Experiencia del Cliente
Del Servicio a la Experiencia del Cliente
 
Insights
Insights Insights
Insights
 
Atencion al cliente
Atencion al clienteAtencion al cliente
Atencion al cliente
 
Fidelizacion De Clientes
Fidelizacion De ClientesFidelizacion De Clientes
Fidelizacion De Clientes
 
Sample integrated marketing packages (F&B Industry)
Sample integrated marketing packages (F&B Industry)Sample integrated marketing packages (F&B Industry)
Sample integrated marketing packages (F&B Industry)
 
Introduccion al Marketing de Servicios
Introduccion al Marketing de ServiciosIntroduccion al Marketing de Servicios
Introduccion al Marketing de Servicios
 

Similar a Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.

Machine learning for business
Machine learning for businessMachine learning for business
Machine learning for business
Fran Castillo
 
Machine learning
Machine learningMachine learning
Machine learning
Luis Beltran
 
Machine Learning Aplicado al Marketing: Mejorando tu Negocio.
Machine Learning Aplicado al Marketing: Mejorando tu Negocio.Machine Learning Aplicado al Marketing: Mejorando tu Negocio.
Machine Learning Aplicado al Marketing: Mejorando tu Negocio.
Good Rebels
 
slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...
slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...
slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...
elianatorales
 
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Luis775803
 
CIITEC Fundamentos de Deep Learning.pptx
CIITEC  Fundamentos de Deep Learning.pptxCIITEC  Fundamentos de Deep Learning.pptx
CIITEC Fundamentos de Deep Learning.pptx
icebeam7
 
Que es Azure Machine Learning 2015
Que es Azure Machine Learning 2015Que es Azure Machine Learning 2015
Que es Azure Machine Learning 2015
Eduardo Castro
 
Unidad 12
Unidad 12Unidad 12
Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...
Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...
Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...
JCarlos Gonzalez Joyé
 
6.modelado de los requerimientos escenarios y clases
6.modelado de los requerimientos  escenarios y clases6.modelado de los requerimientos  escenarios y clases
6.modelado de los requerimientos escenarios y clases
Ramiro Estigarribia Canese
 
Modelo informático
Modelo informáticoModelo informático
Modelo informático
David Rodríguez Gómez
 
Machine learning
Machine learningMachine learning
Machine learning
Enmer Genaro Leandro Ricra
 
Implementando machine learning con c# y .net
Implementando machine learning con c# y .netImplementando machine learning con c# y .net
Implementando machine learning con c# y .net
Luis Beltran
 
Mineria de datos
Mineria de datosMineria de datos
Mineria de datos
Departamento de Redes UNL
 
Machine learning conceptos y aplicaciones
Machine learning conceptos y aplicacionesMachine learning conceptos y aplicaciones
Machine learning conceptos y aplicaciones
Luis Beltran
 
UNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxUNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptx
Luis Beltran
 
Introducción a Azure Machine Learning
Introducción a Azure Machine LearningIntroducción a Azure Machine Learning
Introducción a Azure Machine Learning
SpanishPASSVC
 
Metric Video Analytics
Metric Video AnalyticsMetric Video Analytics
Metric Video Analytics
Inteligencia Artificial Chile
 
12 feb 2013 investigación (1)
12 feb 2013 investigación (1)12 feb 2013 investigación (1)
12 feb 2013 investigación (1)
heideryxiomara
 
Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!
Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!
Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!
Plain Concepts
 

Similar a Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos. (20)

Machine learning for business
Machine learning for businessMachine learning for business
Machine learning for business
 
Machine learning
Machine learningMachine learning
Machine learning
 
Machine Learning Aplicado al Marketing: Mejorando tu Negocio.
Machine Learning Aplicado al Marketing: Mejorando tu Negocio.Machine Learning Aplicado al Marketing: Mejorando tu Negocio.
Machine Learning Aplicado al Marketing: Mejorando tu Negocio.
 
slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...
slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...
slides-espanol-curso-introduccion-machine-learning-por-mindsdb_8c5ff985-0581-...
 
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
 
CIITEC Fundamentos de Deep Learning.pptx
CIITEC  Fundamentos de Deep Learning.pptxCIITEC  Fundamentos de Deep Learning.pptx
CIITEC Fundamentos de Deep Learning.pptx
 
Que es Azure Machine Learning 2015
Que es Azure Machine Learning 2015Que es Azure Machine Learning 2015
Que es Azure Machine Learning 2015
 
Unidad 12
Unidad 12Unidad 12
Unidad 12
 
Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...
Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...
Modelos predictivos para el sector asegurador usando datos masivos (Big Data ...
 
6.modelado de los requerimientos escenarios y clases
6.modelado de los requerimientos  escenarios y clases6.modelado de los requerimientos  escenarios y clases
6.modelado de los requerimientos escenarios y clases
 
Modelo informático
Modelo informáticoModelo informático
Modelo informático
 
Machine learning
Machine learningMachine learning
Machine learning
 
Implementando machine learning con c# y .net
Implementando machine learning con c# y .netImplementando machine learning con c# y .net
Implementando machine learning con c# y .net
 
Mineria de datos
Mineria de datosMineria de datos
Mineria de datos
 
Machine learning conceptos y aplicaciones
Machine learning conceptos y aplicacionesMachine learning conceptos y aplicaciones
Machine learning conceptos y aplicaciones
 
UNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxUNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptx
 
Introducción a Azure Machine Learning
Introducción a Azure Machine LearningIntroducción a Azure Machine Learning
Introducción a Azure Machine Learning
 
Metric Video Analytics
Metric Video AnalyticsMetric Video Analytics
Metric Video Analytics
 
12 feb 2013 investigación (1)
12 feb 2013 investigación (1)12 feb 2013 investigación (1)
12 feb 2013 investigación (1)
 
Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!
Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!
Sí yo he podido aprender algo de eso llamado IA... ¡Créeme, tú también puedes!
 

Más de Flat 101

SEO en e-commerce 2020: estrategia user-centric
SEO en e-commerce 2020: estrategia user-centricSEO en e-commerce 2020: estrategia user-centric
SEO en e-commerce 2020: estrategia user-centric
Flat 101
 
Personalización En E-commerce Con Adobe Target
Personalización En E-commerce Con Adobe TargetPersonalización En E-commerce Con Adobe Target
Personalización En E-commerce Con Adobe Target
Flat 101
 
Diferencias Y Similitudes Entre Google Analytics Y Adobe Analytics
Diferencias Y Similitudes Entre Google Analytics Y Adobe AnalyticsDiferencias Y Similitudes Entre Google Analytics Y Adobe Analytics
Diferencias Y Similitudes Entre Google Analytics Y Adobe Analytics
Flat 101
 
DATASTUDIO Vitaminado
DATASTUDIO VitaminadoDATASTUDIO Vitaminado
DATASTUDIO Vitaminado
Flat 101
 
El motor de la personalización: Dynamic Yield
El motor de la personalización: Dynamic YieldEl motor de la personalización: Dynamic Yield
El motor de la personalización: Dynamic Yield
Flat 101
 
Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...
Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...
Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...
Flat 101
 
Publicidad personalizada, ¿eres consciente?
Publicidad personalizada, ¿eres consciente?Publicidad personalizada, ¿eres consciente?
Publicidad personalizada, ¿eres consciente?
Flat 101
 
Sketch Tips & Tricks que optimizan la creatividad
Sketch Tips & Tricks que optimizan la creatividadSketch Tips & Tricks que optimizan la creatividad
Sketch Tips & Tricks que optimizan la creatividad
Flat 101
 
El futuro de las tecnologías frontend y su impacto en la conversión
WebAssembly
El futuro de las tecnologías frontend y su impacto en la conversión
WebAssemblyEl futuro de las tecnologías frontend y su impacto en la conversión
WebAssembly
El futuro de las tecnologías frontend y su impacto en la conversión
WebAssembly
Flat 101
 
Guideline técnico para implementar un A/B Test
Guideline técnico para implementar un A/B TestGuideline técnico para implementar un A/B Test
Guideline técnico para implementar un A/B Test
Flat 101
 
UX para mayores de 60 años
UX para mayores de 60 añosUX para mayores de 60 años
UX para mayores de 60 años
Flat 101
 
SEO Manager: guía de Supervivencia
SEO Manager: guía de SupervivenciaSEO Manager: guía de Supervivencia
SEO Manager: guía de Supervivencia
Flat 101
 
DAT-ART: Diseño de dashboards visualmente atractivos
DAT-ART: Diseño de dashboards visualmente atractivosDAT-ART: Diseño de dashboards visualmente atractivos
DAT-ART: Diseño de dashboards visualmente atractivos
Flat 101
 
Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...
Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...
Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...
Flat 101
 
Gestión De CRO En Moda
Gestión De CRO En ModaGestión De CRO En Moda
Gestión De CRO En Moda
Flat 101
 

Más de Flat 101 (15)

SEO en e-commerce 2020: estrategia user-centric
SEO en e-commerce 2020: estrategia user-centricSEO en e-commerce 2020: estrategia user-centric
SEO en e-commerce 2020: estrategia user-centric
 
Personalización En E-commerce Con Adobe Target
Personalización En E-commerce Con Adobe TargetPersonalización En E-commerce Con Adobe Target
Personalización En E-commerce Con Adobe Target
 
Diferencias Y Similitudes Entre Google Analytics Y Adobe Analytics
Diferencias Y Similitudes Entre Google Analytics Y Adobe AnalyticsDiferencias Y Similitudes Entre Google Analytics Y Adobe Analytics
Diferencias Y Similitudes Entre Google Analytics Y Adobe Analytics
 
DATASTUDIO Vitaminado
DATASTUDIO VitaminadoDATASTUDIO Vitaminado
DATASTUDIO Vitaminado
 
El motor de la personalización: Dynamic Yield
El motor de la personalización: Dynamic YieldEl motor de la personalización: Dynamic Yield
El motor de la personalización: Dynamic Yield
 
Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...
Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...
Prototipar en papel: Mi mejor herramienta para diseñar interfaces complejas e...
 
Publicidad personalizada, ¿eres consciente?
Publicidad personalizada, ¿eres consciente?Publicidad personalizada, ¿eres consciente?
Publicidad personalizada, ¿eres consciente?
 
Sketch Tips & Tricks que optimizan la creatividad
Sketch Tips & Tricks que optimizan la creatividadSketch Tips & Tricks que optimizan la creatividad
Sketch Tips & Tricks que optimizan la creatividad
 
El futuro de las tecnologías frontend y su impacto en la conversión
WebAssembly
El futuro de las tecnologías frontend y su impacto en la conversión
WebAssemblyEl futuro de las tecnologías frontend y su impacto en la conversión
WebAssembly
El futuro de las tecnologías frontend y su impacto en la conversión
WebAssembly
 
Guideline técnico para implementar un A/B Test
Guideline técnico para implementar un A/B TestGuideline técnico para implementar un A/B Test
Guideline técnico para implementar un A/B Test
 
UX para mayores de 60 años
UX para mayores de 60 añosUX para mayores de 60 años
UX para mayores de 60 años
 
SEO Manager: guía de Supervivencia
SEO Manager: guía de SupervivenciaSEO Manager: guía de Supervivencia
SEO Manager: guía de Supervivencia
 
DAT-ART: Diseño de dashboards visualmente atractivos
DAT-ART: Diseño de dashboards visualmente atractivosDAT-ART: Diseño de dashboards visualmente atractivos
DAT-ART: Diseño de dashboards visualmente atractivos
 
Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...
Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...
Diversidad funcional, accesibilidad e inclusión en el diseño de productos dig...
 
Gestión De CRO En Moda
Gestión De CRO En ModaGestión De CRO En Moda
Gestión De CRO En Moda
 

Último

INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2
INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2
INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2
DiegoTrujillo207720
 
558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx
558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx
558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx
MIGM3
 
RG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmh
RG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmhRG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmh
RG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmh
jesus781817
 
fundamentos fisicos de los rayos x y su historia
fundamentos fisicos de los rayos x  y su historiafundamentos fisicos de los rayos x  y su historia
fundamentos fisicos de los rayos x y su historia
sleykersparraga
 
Diseño de Estrategia ¿Cuáles serían los elementos que deberían considerarse ...
Diseño de Estrategia  ¿Cuáles serían los elementos que deberían considerarse ...Diseño de Estrategia  ¿Cuáles serían los elementos que deberían considerarse ...
Diseño de Estrategia ¿Cuáles serían los elementos que deberían considerarse ...
SamanthaEspinosaVarg
 
configuracionderedesinalambricaswlan.pptx
configuracionderedesinalambricaswlan.pptxconfiguracionderedesinalambricaswlan.pptx
configuracionderedesinalambricaswlan.pptx
csuarezaldana
 
GUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANA
GUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANAGUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANA
GUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANA
241577809
 
PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102
PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102
PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102
MARIADE90
 

Último (8)

INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2
INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2
INFORME TRIPTICO VIOLENCIA LABORAL.pdf 2
 
558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx
558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx
558318520-140995181-Breve-Resumen-de-Los-Libros-de-Macabeos-Convertido.pptx
 
RG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmh
RG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmhRG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmh
RG CONAMATA1 PISCO-22-06-24 .pdf hmhmhmh
 
fundamentos fisicos de los rayos x y su historia
fundamentos fisicos de los rayos x  y su historiafundamentos fisicos de los rayos x  y su historia
fundamentos fisicos de los rayos x y su historia
 
Diseño de Estrategia ¿Cuáles serían los elementos que deberían considerarse ...
Diseño de Estrategia  ¿Cuáles serían los elementos que deberían considerarse ...Diseño de Estrategia  ¿Cuáles serían los elementos que deberían considerarse ...
Diseño de Estrategia ¿Cuáles serían los elementos que deberían considerarse ...
 
configuracionderedesinalambricaswlan.pptx
configuracionderedesinalambricaswlan.pptxconfiguracionderedesinalambricaswlan.pptx
configuracionderedesinalambricaswlan.pptx
 
GUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANA
GUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANAGUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANA
GUZMANSORIANO_JIMENA_M1S3AI6.pptx LAS TIC EN LA VIDA COTIDIANA
 
PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102
PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102
PEREZ PALOMEQUE ANGEL M1S3AI6 M1C1G65102
 

Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.

  • 1. Miguel Monreal HEAD OF BUSINESS TECH @monrealista #Flat101DS @SomosFlat101 info@flat101.es
  • 2. Machine Learning para definir clusters de usuarios y acciones 28 de mayo de 2020 #Flat101DS @SomosFlat101 info@flat101.es
  • 3. ML para definir clústers de usuarios y acciones Indice: 01 Definiciones: AI vs ML vs DL 02 ¿Cómo funciona ML? 03 ML: Casos de uso reales y oportunidades 04 Activando ML en negocios digitales 05 Wrap-up
  • 4. ML para definir clústers de usuarios y acciones 01 Definiciones: AI vs ML vs DL
  • 5. ML para definir clústers de usuarios y acciones DEFINICIÓN: AI, ML, DL ARTIFICIAL INTELLIGENCE (AI) MACHINE LEARNING (ML) DEEP LEARNING (DL) La capacidad de una máquina de imitar el comportamiento inteligente de los humanos Diccionario Merriam-Webster El campo de estudio que da a los ordenadores la capacidad de aprender sin ser explícitamente programados Arthur Samuel Se trata de una forma de aplicar machine learning utilizando redes neuronales con distintos niveles jerárquicos.
  • 6. ML para definir clústers de usuarios y acciones AI, ML, DL a lo largo del tiempo https://www.linkedin.com/pulse/biggest-confusion-cleared-ai-vs-ml-dl-ashwin-kumar/
  • 7. ML para definir clústers de usuarios y acciones Inteligencia Artificial 01 Definiciones La capacidad de una máquina de imitar el comportamiento inteligente de los humanos
  • 8. ML para definir clústers de usuarios y acciones ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO M 2345- KT- Z 5081- AZ- Desde 1971: Es una matricula de Madrid Año 1990 Es una matricula de Zaragoza Año 1996 Es una matricula de Navarra Año 1991 NA 6620- BC-
  • 9. ML para definir clústers de usuarios y acciones ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO 2367 BSB- Desde 2000: ????????
  • 10. ML para definir clústers de usuarios y acciones 2367 BSB- Desde 2000: Un desarrollador añade una condición adicional if ( matricula empieza por sello ) { // Lee sello europeo España // Lee 4 dígitos 2367 // Lee 3 letras BSB // Se determina el año 2002 } if ( matricula empieza por 1 ó 2 letras ) { // leo matricula M-2345-KT } Código existente Sello europeo con letra de país 4 letras de matrícula 3 letras (sin vocales) Excluídas tb LL, CH, Ñ y Q ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO
  • 11. ML para definir clústers de usuarios y acciones Machine Learning 02 Definiciones El campo de estudio que da a los ordenadores la capacidad de aprender sin ser explícitamente programados
  • 12. ML para definir clústers de usuarios y acciones MACHINE LEARNING: Entrada de datos Algoritmo genérico Predicción En machine learning no se indican sentencias de código rígidas para resolver un problema concreto. Datos de matrículas: • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT • 2367 BSB • Etc Algoritmo apropiado de machine learning entrenado para resolver el problema Matrícula válida • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT Matrícula inválida • 2367 BSB En su lugar se "enseña" a un ordenador para que pueda solventarlo por su cuenta, utilizando un algoritmo de aprendizaje genérico.
  • 13. ML para definir clústers de usuarios y acciones MACHINE LEARNING: Entrada de datos Algoritmo genérico Predicción Datos de matrículas: • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT • 2367 BSB • Etc Algoritmo apropiado de machine learning entrenado para resolver el problema Matrícula válida • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT • 2367 BSB Re-entreno del algoritmo
  • 14. ML para definir clústers de usuarios y acciones Deep Learning 03 Definiciones Técnica avanzada de machine learning utilizando redes neuronales con distintos niveles jerárquicos.
  • 15. ML para definir clústers de usuarios y acciones DEEP LEARNING: Deep Learning es una técnica avanzada de aplicar Machine Learning utilizando redes neuronales con distintos niveles jerárquicos. El concepto se asemeja al funcionamiento del cerebro humano, donde existe una entrada de datos y una serie de nodos (neuronas) interconectados entre sí en distintos niveles que trabajan en conjunto para generar una salida.
  • 16. ML para definir clústers de usuarios y acciones DEEP LEARNING: En el nivel inicial, las neuronas realizan un trabajo simple que se traspasa a la siguiente capa. Esta combina los datos de entrada y ejecuta una tarea más compleja, haciéndola llegar a un tercer nivel, y así sucesivamente. Este planteamiento permite abordar problemas abstractos, a través del aprendizaje en sucesivas capas cada vez más complejas.
  • 17. ML para definir clústers de usuarios y acciones DEEP LEARNING: USOS Algunos ejemplos de aplicación de Deep Learning: • Clasificación avanzada de imágenes • Reconocimiento de voz • Conducción autónoma • Asistentes de voz • Etc. Habitualmente se ejemplifica Deep Learning con el caso de clasificación de imágenes, donde el proceso se divide en diferentes etapas, comenzando con la detección de zonas claras y oscuras, pasando a contornos con formas simples, que posteriormente se combinan para identificar elementos, etc.
  • 18. ML para definir clústers de usuarios y acciones
  • 19. ML para definir clústers de usuarios y acciones CLOUD VISION DE GOOGLE
  • 20. ML para definir clústers de usuarios y acciones 02 ¿Cómo funciona ML? (Machine Learning)
  • 21. ML para definir clústers de usuarios y acciones CICLO BÁSICO DE APRENDIZAJE EN MACHINE LEARNING • Oportunidad de negocio: Como premisa, debe partirse de un objetivo a conseguir (ej: "predecir la probabilidad de compra de un usuario para ofrecer mensajes más persuasivos"). • Recopilación de datos: Identificación, extracción y limpieza de la información clave, así como data governance integral. • Selección de algoritmo: Elección de aproximación matemática para resolver el challenge planteado. • Entrenamiento: Training con datos del algoritmo seleccionado para obtener un modelo de machine learning. • Evaluación: Checking de la precisión del modelo generado. • Despliegue: Deployment de modelo para que pueda ser consultado en tiempo real o a través de procesos batch. • Predicción: El modelo está listo para ser utilizado enviando nuevos datos sobre los que realizar la predicción.
  • 22. ML para definir clústers de usuarios y acciones ALGUNOS APUNTES…. El modelo puede ser reentrenado según nuevos inputs (ej: resultado real de conversión - “label”) La recolección y data quality comprende el 60-70% de trabajo total Habitualmente se hace un split de datos para entrenar y evaluar el modelo
  • 23. ML para definir clústers de usuarios y acciones CATEGORÍAS DE ALGORITMO EN MACHINE LEARNING: ¿CUÁL ELEGIR? MACHINE LEARNING APRENDIZAJE SUPERVISADO (Supervised learning) APRENDIZAJE NO SUPERVISADO (Unsupervised learning) APRENDIZAJE REFORZADO (Reinforcement learning)
  • 24. ML para definir clústers de usuarios y acciones Algoritmo supervisado 01 Cómo funciona ML (Supervised learning)
  • 25. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO Lo característico de esta aproximación es que partimos de una serie de datos organizados y estructurados sobre los que entrenar nuestro algoritmo. Es decir, tenemos un set de datos de entrada etiquetados que dan semántica a la información. Ej: Tenemos una colección de imágenes que sabemos que son de árboles, con lo que podemos entrenar a nuestro algoritmo para que determine si una imagen que nos llega es de un árbol o no.
  • 26. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: EJEMPLO Imaginemos que tenemos un concesionario de coches de segunda mano y queremos, a través de una aplicación, estimar el precio de venta de un coche en función de ciertas características, como su marca, modelo y kilometraje. Para poder entrenar el algoritmo y predecir el precio de venta, se guarda un histórico de todos los coches que se han vendido en los últimos 4 meses, especificando las características arriba mencionadas y sobretodo el precio en el que finalmente se cerró la venta.
  • 27. ML para definir clústers de usuarios y acciones PROCESO DEBEMOS SEGUIR • Marca: Ford • Modelo: Kuga • Kilómetros: 64.000 • Precio de venta: ???
  • 28. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR • En primer lugar, es fundamental y necesario reunir un set de datos válidos donde se localice toda la información relacionada que consideremos de interés. • Esto quiere decir incorporar toda aquella característica interna o externa que pueda tener relación con el dato a predecir. • Ej: INE (Instituto Nacional de Estadística) para obtener informes de matriculaciones: https://www.ine.es/dyngs/IOE/es/ operacion.htm?numinv=70041
  • 29. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR Relativo a la información a incorporar encontramos 2 tipos de datos: - Característica (feature): Se trata de información que aportamos al sistema como variables. Los modelos de predicción se basan en estos datos para realizar predicciones. Adicionalmente a estos datos aportados, puede realizarse un enriquecimiento (o feature engineering) para completar indirectamente información. Por ejemplo, a partir de la matrícula se podría determinar la fecha de matriculación. - Etiqueta (label): Es el dato final de salida a partir de la información de entrada (features). En resumen, en el ejemplo son features la "marca", el "modelo" y los "kilómetros". En cambio "precio de venta" es el label a predecir, que en este set de datos de prueba conocemos.
  • 30. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR Para realizar un predicción numérica continua (ej: qué facturación tendremos este año) unos de los algoritmos más usados es la regresión lineal • Regresión múltiple • Bayesiano • Redes neuronales Para conocer la pertenencia o no a una clase (ej: spam/no spam, comprador/no comprador) es frecuente utilizar algoritmos de clasificación • Regresión logística • KNN (k-nearest neighbor) • Árboles de decisión
  • 31. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR • Es un modelo matemático que genera predicciones encontrando patrones en tus datos. Fuente: Amazon (AWS) • Un modelo es la relación entre características (features) y etiquetas (labels). Fuente: TensorFlow ¿Qué es un modelo en Machine Learning?
  • 32. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
  • 33. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
  • 34. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR ENTRENO VALIDACIÓN Datos de prueba (contiene features + label)
  • 35. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR Predicción (features+label) Solicitud (features)
  • 36. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado 02 Cómo funciona ML (Unsupervised learning)
  • 37. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado En el caso de aprendizaje NO supervisado, los datos a utilizar están sin etiquetar. Esto es, que no hay semántica en la información que vamos a introducir en el sistema. Por poner un símil, el paralelismo sería como si nos dieran una serie de jeroglíficos egipcios y tuviéramos que encontrar patrones y/o potenciales agrupaciones entre los distintos símbolos.
  • 38. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado Este hecho, aunque supone un reto para el algoritmo de entrenamiento, es una clara ventaja, ya que ahorramos el costoso trabajo de etiquetado que habitualmente tiene que ser realizado por una persona en el enfoque de algoritmos supervisados. Es decir, el proceso con respecto al aprendizaje supervisado se simplifica, ya que no es necesario realizar una fase de etiquetado, sino que directamente se produce la ingesta de datos a la espera del output
  • 39. ML para definir clústers de usuarios y acciones De acuerdo a los últimos estudios de Gartner, el 80% de la información existente hoy en día es NO estructurada, con lo que las oportunidades existentes son enormes. 80%Datos NO estructurados Algoritmo NO supervisado https://www.forbes.com/sites/forbestechcouncil/2017/06/05/the-big-unstructured-data-problem/
  • 40. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: oportunidades
  • 41. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: oportunidades
  • 42. ML para definir clústers de usuarios y acciones Clustering es una técnica de Machine Learning que consiste en la agrupación de datos. A partir de una serie de datos, el algoritmo clasifica cada punto en un grupo específico. Los puntos que están en un mismo grupo deberían tener propiedades/features, muy similares. Ej: Look-a-like en DMP Algoritmo NO supervisado: clusterización
  • 43. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: clusterización - ejemplos K-Mean Clustering Mean Shift Clustering EM with GMM Expectation-Maximization using Gaussian Mixture Models https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68Fuente:
  • 44. ML para definir clústers de usuarios y acciones Ciertos autores consideran que el aprendizaje no supervisado permite realizar una segmentación automática que permita entender mejor la información. Incluso apuntan como paso previo a un aprendizaje supervisado. Por ejemplo, en el caso de detección de terremotos, un algoritmo no supervisado puede realizar la búsqueda de patrones en los datos, pudiendo obtener insights que permitan la anticipación ante posibles catástrofes. Algoritmo NO supervisado: dando semántica a los datos
  • 45. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: detección de anomalías
  • 46. ML para definir clústers de usuarios y acciones Algoritmo Reforzado 03 Cómo funciona ML (Reinforced learning)
  • 47. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO La principal diferencia del aprendizaje reforzado es que NO se realiza un entrenamiento previo basado en un set de datos, sino que el algoritmo aprende dinámicamente en base al feedback que recibe. En otras palabras, el aprendizaje reforzado es un modelo basado en el comportamiento. Podría asemejarse a un enfoque prueba-error para la búsqueda del resultado más óptimo.
  • 48. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO Un ejemplo de aplicación clara es la inteligencia artificial de los videojuegos. Supongamos un juego de lucha. En base a los movimientos que realicemos, la CPU actuará atacando o defendiendo de una determinada manera. Es decir, irá modificando su comportamiento en sucesivas secuencias para conseguir ganar la batalla
  • 49. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO EN AB TESTING Las herramientas de AB Testing plantean el problema de no obtener un resultado final hasta recopilar un volumen mínimo de conversiones que proporciones una significancia estadística suficiente Esta aproximación tiene una clara desventaja, ya que el experimento se alarga y se pierde negocio mostrando versiones con menos capacidad de conversión https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804
  • 50. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO EN AB TESTING: MULTI-ARMED BANDIT TEST Los Multi-Armed Bandit Test permiten bascular tráfico de forma anticipada a combinaciones que se determinan potencialmente ganadoras http://conductrics.com/balancing-earning-with-learning-bandits-and-adaptive-optimization/ Fuente:
  • 51. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO EN AB TESTING https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804 THOMPSON SAMPLING MONTECARLO SIMULATION
  • 52. ML para definir clústers de usuarios y acciones EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES
  • 53. ML para definir clústers de usuarios y acciones EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES AUTO-TARGET AUTOMATED-PERSONALIZATION Con auto-target automáticamente determina la mejor experiencia a nivel de journey para cada visitante en función de su perfil e información contextual Muy útil en fase de testing para determinar los contenidos más adecuados para los distintos target de cliente AUTOMATED-ALLOCATE Sirve para optimizar el rendimiento del test, obteniendo la versión ganadora en el menor tiempo posible • Multi-armed bandit • Random Forest • Thompson Sampling
  • 54. ML para definir clústers de usuarios y acciones EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES
  • 55. ML para definir clústers de usuarios y acciones UN POCO DE LITERATURA:
  • 56. ML para definir clústers de usuarios y acciones Resumen 04 Cómo funciona ML
  • 57. ML para definir clústers de usuarios y acciones MAPEO DE NECESIDADES DE MK CON PROBLEMAS DE ML Problema a resolver Tipología ML Lead scoring CLV Descuento ideal Regression (valor continuo) Click en un banner Cliente de alto/medio/bajo valor Classification (opciones acotadas) Qué producto mostrar Qué contenido mostrar Recommendation Segmentación de clientes Insights de negocios Clustering Detección de incidencias Anomaly detection CRO / Orquestación de emails Reinforcement Learning Supervised Learning Unsupervised Learning Reinforcement Learning
  • 58. ML para definir clústers de usuarios y acciones 03 ML: Casos de éxito reales
  • 59. ML para definir clústers de usuarios y acciones Clusterización de usuarios para predicción de bajas Aplicación de modelo de detección de churn-rate en un servicio de suscripción 01 Casos de uso
  • 60. ML para definir clústers de usuarios y acciones Acerca del proyecto Empresa que vende un servicio deportivo bajo suscripción anual desea conocer con antelación el porcentaje de usuarios que van a darse de baja. Se requiere realizar este estudio intertemporada (antes del nuevo año) e intratemporada(durante el año) El objetivo es poder anticipar acciones de marketing concretos para cada cluster para reducir estas cifras Aplicación de algoritmo de Machine Learning para clusterización de usuarios • Identificación de variables relevantes • Obtención, limpieza y enriquecimiento de datos (feature engineering) • Validación de datos • Elección de algoritmo y entrenamiento del modelo • Verificación de precisión de modelo, clusterizando en 5 grupos según propensión a baja • Despliegue del modelo en producción PLAN DE TRABAJO:
  • 61. ML para definir clústers de usuarios y acciones Churn rate global Suscripciones por año Suscripciones Año 1 Año 2 Año 3 Año 4 El estudio agrupa en distintos tipos de usuario: •New: Nuevo clientes •Loyal: Fidelizados (tuvo suscripción el pasado año) •Winback: Recuperado (no fue suscriptor el año anterior) •Lost: Perdido (no ha renovado suscripción)
  • 62. ML para definir clústers de usuarios y acciones Distribución de clientes por edad
  • 63. ML para definir clústers de usuarios y acciones Churn rate por edad
  • 64. ML para definir clústers de usuarios y acciones Análisis univariable
  • 65. ML para definir clústers de usuarios y acciones Análisis multivariante
  • 66. ML para definir clústers de usuarios y acciones Predicción Suscripciones
  • 67. ML para definir clústers de usuarios y acciones Clusterización de usuarios para priorización de servicio Aplicación de modelo de detección de propensión en un servicio bancario 02 Casos de uso
  • 68. ML para definir clústers de usuarios y acciones Acerca del proyecto Aplicación de modelo predictivo en producto hipotecario para particulares en formulario presente en landing pages así como en otros procesos críticos de contratación. Una vez cumplimentado el formulario, se realizo scoring en tiempo real para cálculo de propensión (alta | baja). 40% LAS CIFRAS: Enlace con simulador automático Cita con call center para simulación de hipoteca asistida BAJA PROPENSIÓN ALTA PROPENSIÓN MODELO +13% Ahorro en llamadas asistidas En ratio de conversión de agentes
  • 69. ML para definir clústers de usuarios y acciones Clusterización de usuarios para cross- selling y recurrencia Aplicación de modelo en eCommerce 03 Casos de uso
  • 70. ML para definir clústers de usuarios y acciones Acerca del proyecto eCommerce de venta de productos de beauty desea desarrollar 2 modelos de Machine Learning: Cross-selling: Predicción de la afinidad de cada cliente para diferentes líneas de producto Recurrencia: Modelo de recurrencia y predicción de productos triggers (generan otra compra)
  • 71. ML para definir clústers de usuarios y acciones Cross-selling / Recomendación personalizada Predicción de la afinidad de cada cliente para diferentes líneas de productos en base a: • Compras previas (collaborative filtering) • Perfil de cliente (predictive model) Parametrización analítica: • Secuencialidad temporal • Ponderación por recencia • Diversificación • Cuantificación Aplicaciones: • Campañas de cross-selling personalizadas • Perfilado por afinidad a catálogo Matriz de propensión de productos por usuario
  • 72. ML para definir clústers de usuarios y acciones Modelos de recurrencia Detección y explotación de 2 tipos de recurrencia: • Productos recurrentes con compra periódica • Productos (triggers) que predisponen a la compra de otros productos (targets) Fases del modelo: • Identificación de productos recurrentes y cruzados mediante metodología analítica • Identificación de los tiempos esperados para la recurrencia (periodicidades) • Creación de alertas cuando se sobrepasa el tiempo esperado
  • 73. ML para definir clústers de usuarios y acciones 04 Activando ML en negocios digitales
  • 74. ML para definir clústers de usuarios y acciones Más datos, ¿más accionabilidad? Cada vez las empresas consiguen generar un mayor volumen de datos de clientes, siendo más difícil su entendimiento y explotación a través de acciones concretas. La capacidad de hacer clasificación de clientes permite centrarnos y dedicar recursos a aquellos que dispongan de una alta probabilidad de consecución de un objetivo. Para ello se utilizan los modelos de datos. Un modelo de datos persigue catalogar un set de información en base a ciertos criterios para conseguir un objetivo concreto, que debe estar consensuado.
  • 75. ML para definir clústers de usuarios y acciones Oportunidades con Machine Learning Ejemplo de nuestro trabajo en lead scoring: El 3% de nuestros clientes generan el 35% de la facturación Los 3 primeros segmentos suponen el 70% de la facturación Algunos ejemplos de modelo de datos habituales: • Upselling • Cross-selling • Clustering • Scoring por LTV • Segmentación por ROI • Retención (volverían a comprar) • Contactabilidad • Etc
  • 76. ML para definir clústers de usuarios y acciones ¿Por dónde comenzar?. Algunas ideas ¿Cómo captas a tus potenciales clientes?: - Utilizando tecnologías como DMP para la obtención de audiencias lookalike - Clusterización de keywords en la captación de tráfico SEO Antes de la visita Durante la navegación Durante la compra Tras la compra ¿Cómo mantienes el interés de tus potenciales clientes?: - Personalización escaparate - Ordenación en grids y resultados de búsqueda en función a propensión - Priorización de productos en función de su cluster. - Recomendación de productos ¿Cómo conviertes a tus potenciales clientes?: - Activación de mensajes (triggers) en función de su customer journey - Acciones de up-selling en productos trigger - Ordenación de envío y forma de pago ¿Cómo fidelizas y tienes clientes recurrentes?: - Mensajes en función en probabilidad de compra - Alineación de productos ofrecidos con expectativa de cliente - Cadencia acorde con la tipología de cliente - CLV - Churn rate
  • 77. La aplicación de reglas para la personalización de contenido puede ser un buen punto de comienzo si no se disponen de medios o como fase previa a un proyecto de Machine Learning A través de geolocalización por IP se estableció un sistema de personalización en la oferta en escaparate Érase una vez 2007… ML para definir clústers de usuarios y acciones Personalización con reglas
  • 78. ML para definir clústers de usuarios y acciones Inteligencia artificial basada en reglas Versión fallback Versión Euskadi Versión Madrid
  • 79. ML para definir clústers de usuarios y acciones Un gran proyecto de Machine Learning puede fallar por una mala usabilidad Las matemáticas nos ayudan a localizar oportunidades, pero en nuestro tejado está encontrar la forma adecuada de transmitir el mensaje One more thing…
  • 80. ML para definir clústers de usuarios y acciones 05 Wrap-up
  • 81. ML para definir clústers de usuarios y acciones La personalización se está convirtiendo en un must. En pocos años se convertirá en un higiénico Atrás quedan los tiempos en los que la oferta y el mensaje eran igual para todos. En digital es posible y nuestros clientes no entenderán que no lo hagamos. Simplemente cambiarán de pestaña y se irán a la competencia.
  • 82. ML para definir clústers de usuarios y acciones Información para obtener contexto bit.ly/estudio2019 flat101.es/conversion101/
  • 83. ML para definir clústers de usuarios y acciones ¿En qué fase se encuentra tu negocio? “Café para todos” "AI” basado en reglas Machine Learning Deep Learning Ofrecemos la misma experiencia a todo el mundo, perdiendo grandes oportunidades Approach efectivo y rápido cuando se está empezando, pero poco escalable y con cierto nivel de sesgo Conlleva una inversión pero nos permite obtener información muy valiosa, basada en matemáticas y con capacidad de accionabilidad Permite resolver problemas muy complejos, aunque también conlleva un equipo especializado/inversión en herramientas
  • 84. ¡Gracias por la asistencia! #Flat101DS @SomosFlat101 info@flat101.es