Descubrir grupos de consumidores cuyos comportamientos y hábitos de consumo sean similares, con el objeto de desarrollar estrategias específicas para cada segmento
3. Segmentación clientes
Datos de partida:
Datos sintéticos de clientes. Dataset de 10000 registros.
Trabajamos con los datos de clientes, tratandolos como
vectores, donde las columnas del vector son los productos que
ha comprado el cliente: P1, P2…..P10.
Los productos de cada columna toman el valor 1 (ha
comprado el producto) y 0 (no ha comprado). Orden de las
columnas en base a similitud entre productos.
Consideramos para el estudio los clientes que tienen una
longitud mínima (suma de elementos mayor o igual que 3),de
forma que tengan un comportamiento de compra mínimo para
caracterizar.
4. Segmentación clientes
Proceso de comparación y agrupamiento:
Consideramos que dos clientes sin similares cuando tienen
en el espacio vectorial un dirección similar.
Obtenemos el ángulo de los vectores con respecto a una
serie de vectores de referencia.
Realizamos un agrupación utilizando el algoritmo k-means
utilizando como valores de agrupación los ángulos obtenidos.
Opción de ejecución con Hadoop para volúmenes de
clientes muy altos. La ejecución de este algoritmo no es un
problema big data para una compañía de millones de clientes
(casi todas las del IBEX español),pero si es un problema big
data para un red social (linkedin, facebook..)
5. Segmentación clientes
Acciones comerciales en base a este agrupamiento:
Una vez realizado el agrupamiento podemos realizar
acciones comerciales dirigidas a cada grupo. Es una valiosa
información de entrada para los gestores de campañas de
Marketing.
La pertenencia a un grupo puede marcar los siguientes
productos que es susceptible de comprar un cliente
determinado.
Mediante técnicas de Machine Learning podemos intentar
predecir la tasa de respuesta a las campaña de Marketing
6. GRACIAS POR SU ATENCIÓN
Juan Vidal – cursos de verano UCM.