Especialización en Big Data e Inteligencia de Negocios
Permanent URI for this collection
Browse
Browsing Especialización en Big Data e Inteligencia de Negocios by Subject "Cluster"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Modelo de machine learning enfocado en la retención de los clientes del sector retail de la moda(Universidad Catolica Luis Amigo, 2022) Chalarca Restrepo, Andrés F.; Gómez Martínez, Jonatan A.; Piedrahita Londoño, Lina M.; Giraldo Mejía, Juan C.Este trabajo de grado está enfocado en Proponer un modelo de machine learning enfocado a la retención de los clientes del sector retail de la moda y así generar las métricas necesarias para la toma de decisiones y el oportuno diseño de estrategias innovadoras, para la clasificación y retención de sus clientes. Para el desarrollo de este estudio se utilizaron 69768 registros de una empresa del sector retail. Para alcanzar los objetivos propuestos en este trabajo, se utilizará la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) La metodología CRISP-DM la cual es útil para el desarrollo de modelos analíticos a partir de datos, estos datos se originan dentro del negocio y con ellos pretende anticiparse a futuros riesgos de la compañía y así disponer de los recursos o medidas necesarias para solucionar las contingencias. De acuerdo con los resultados obtenidos mediante un análisis estadístico combinado con técnicas de machine learning se pudo comprender el comportamiento de los clientes de la marca Carrera en un periodo determinado, donde se entendió que el valor agregado de la marca radica fundamentalmente en los descuentos ofrecidos hacia los clientes.Item Modelo de Machine Learning para la prevención de fuga de clientes enfocado al sector de gases industriales(Universidad Católica Luis Amigó, 2022-05-20) Escobar Sánchez, Juan Camilo; Lopera Salazar, Luisa Fernanda; Pareja Fonnegra, Luisa Fernenda; Torres Pardo, Ingrid DurleyEl trabajo aborda el problema de retención de clientes en la empresa Air Products Colombia, utilizando herramientas de machine learning para identificar el comportamiento de compra de los clientes y segmentarlos en grupos con comportamientos similares (clusterización); se destaca la importancia de construir un modelo de machine learning que permita evitar la fuga de clientes, anticipar decisiones para retenerlos, mantener o incrementar ingresos, optimizar el costo de adquisición de nuevos clientes y ofrecer precios competitivos sin afectar la rentabilidad. Se realiza una descripción de la base de datos utilizada, que contiene más de 1.000 registros de ventas mensuales desde 2019 hasta la fecha y variables como tipo de cliente, productos comprados, fechas y valores de las compras, entre otros. Para la ejecución del modelo se trabajó con el lenguaje Python, utilizando diferentes técnicas de machine learning, como el método K-vecinos, método jerárquico y se evaluaron por medio del método del codo (KMeans) y el modelo silhouette; se realizó la comparación del mejor algoritmo, teniendo como ganador el de silhouette con valor de 0.69 para la asignación de 4 clústeres; teniendo en cuenta que el puntaje de silhouette se encuentra -1 y 1, siendo 1 el mejor valor, por lo tanto, entre más cercano sea el valor de la evaluación a 1, significa que los clusters están mejor segmentados. En conclusión, este trabajo proporciona un análisis detallado de la aplicación de machine learning para la retención de clientes, con el objetivo de ofrecer recomendaciones específicas que generen valor para la empresa Air Products Colombia.