1 of 25

Sesión 9 - Caso Marketing

Pedro Aarón Hernández Ávalos

Imagen: https://data-flair.training/blogs/clustering-in-machine-learning/

2 of 25

Propósito de aprendizaje:

Reforzar el proceso de Minería de Datos. Conocer la agrupación.

Perfil del cliente
Detección de anomalías

3 of 25

Contenido

CRISP-DM
Caso Marketing
Prácticas

4 of 25

Sesión 9 - Enlaces importantes:

Streaming/Video: https://youtu.be/mJOxvWpvZTA

Presentación 1: https://docs.google.com/presentation/d/1kOjG-Z2tnEYA9M_2mAx7lf14dzDCms14X1hdGbcelbY/edit?usp=sharing

Quizz 1 -> https://forms.gle/Hpk78d12NE7d1fQ19

Preguntas o dudas ->

https://forms.gle/nWjShJH3XQF3ieZu6

Las preguntas se seleccionarán aleatoriamente y al término de la sesión se responderán algunas

*https://www.google.com/search?q=random+number

5 of 25

Machine Learning

6 of 25

CRISP-DM

(CRoss

Industry

Standard

Process for

Data Mining)

https://en.wikipedia.org/wiki/Cross-industry_standard_process_for_data_mining

http://mlwiki.org/index.php/CRISP-DM

7 of 25

Espectro de operación

1

2

3

4

5

6

5

4

Usted está AQUÍ

Sesión 9

8 of 25

-Recapitulación-

Clasificación VS Regresión

Valores

Númerícos

Categorías

PEP

9 of 25

-Recapitulación-

BI - Business intelligence

Asociación

10 of 25

https://medium.com/datadriveninvestor/supervised-vs-unsupervised-machine-learning-732d49413986

11 of 25

Imagen de: https://www.mygreatlearning.com/blog/machine-learning-interview-questions/

Association rules

12 of 25

Agrupamiento

Análisis de grupos o agrupamiento es la tarea de agrupar un conjunto de instancias de tal manera que los miembros del mismo grupo (llamado clúster) sean más similares, en algún sentido u otro.

https://es.wikipedia.org/wiki/An%C3%A1lisis_de_grupos

Imagen: https://en.wikipedia.org/wiki/Expectation%E2%80%93maximization_algorithm

13 of 25

Organizar entidades del dataset en un número finito de subconjuntos o clústers.

Maximizar similaridad intra-cluster
Maximizar dis-similaridad inter-cluster

14 of 25

Quizz 1

15 of 25

Caso Marketing

Imagen: https://data-flair.training/blogs/r-data-science-project-customer-segmentation/

16 of 25

Recordemos la sesión 3 … el caso PEP

17 of 25

El departamento de marketing de una empresa financiera mantiene registros de los clientes, incluida la información demográfica y el tipo de cuentas.

Al lanzar un nuevo producto, como un "Plan de equidad personal" (PEP), se envía un correo directo, anunciando el producto a los clientes existentes, y se mantiene un registro de si ese cliente respondió y compró el producto.

Con base en esta reserva de experiencia previa, los gerentes deciden usar técnicas de minería de datos para construir modelos de perfil de clientes.

edad	edad del cliente en años (numérica)
sexo	MALE / FEMALE
region	inner_city/rural/suburban/town
ingreso	ingreso del cliente (numérico)
casado	es el cliente casado (YES/NO)
hijos	número de hijos (numeric)
automovil	el cliente es dueño de un automóvil (YES/NO)
cuenta_ahorros	tiene el cliente una cuenta de ahorro (YES/NO)
cuenta_corriente	tiene el cliente una cuenta corriente (YES/NO)
hipoteca	tiene el cliente una hipoteca (YES/NO)
pep	¿El cliente compró un PEP (Personal Equity Plan) después del último envío? (YES/NO)