Introducción. Growing on the CRM industry during Significant. decrease 4% Ns/nc 2% Slight decrease 4% Remains 5% Significant.

Transcripción

1 Introducción During next decade the number of Data Mining projects will increase dramatically (more than 300%) to improve the relationship with the customer and help companies to listen to their customers (GartnerGroup, 1999) After the fall of more than millions of dollars in 2002, the market of CRM will grow more than the 11% annual, to reach million of dollar in the year 2007 (Forrester Research, 2002)

2 Introducción Growing on the CRM industry during 2001 Slight decrease 4% Remains 5% Significant decrease 4% Ns/nc 2% Slight Increase 32% Significant Increase 53%

3 CRM CRM (Customer Relationship Management): Gestión de la relación con los clientes Conjunto global de procesos tecnológicos, humanos, y funcionales cuyo propósito \es proporcionar a las compañías el conjunto integral de servicios personalizados en cada caso para: Mejorar la relación con los clientes Asegurar el ROI Mitigar los riesgos

4 Por que ahora? Mas competencia Clientes: mas informados con mas posibilidades mas exigentes Mas canales Product- centric Customer- centric

5 Business Intelligence Reto: información necesaria para tomar decisiones fluya de manera ágil y controlada entre los distintos niveles organizativos Solucion: Business Intelligence: Técnicas que permiten transformar cantidades de información del entorno en conocimiento útil para la organización para que se puedan tomar las mejores decisiones posibles

6 Fact Gap Fact Gap : diferencia entre la información disponible y la capacidad para tomar decisiones basándose en dicha información. (Gartner Group)

7 Por qué? La compañias necesitan aprender de sus datos operacionales para construir una relación one-toone con sus clientes. Las compañías almacenan datos de todos sus procesos operacionales. Los datos almacenados se tiene que analizar y comprender para transformarlos en conocimiento. Este conocimiento ayudará a la empresa a actuar en el futuro y ahí es donde Data Mining juega su papel.

8 Data Mining proporciona la inteligencia Las bases de datos proporcionan los datos. Se requiere de inteligencia para explorar los datos y poder encontrar los patrones, las reglas y las ideas que explican lo que está pasando y poder predecir que pasará Se requieren técnicas y herramientas para añadir inteligencia a los datos y poder extraer el máximo beneficio de los datos.

9 Cómo nos ayuda? quiénes son nuestros clientes leales? Clientes que dejarán la compañía. dónde localizo la próxima sucursal? cuáles son mis productos más beneficiosos?... Las respuestas a todas estas preguntas y a muchas más están enterradas en los datos. Las técnicas de data mining nos pueden ayudar a encontrarlas

10 Definición Intuitiva Data Mining is the analysis and exploration by automatic or semi automatic ways of huge volume of data to discover significant patterns (useful) and rules. The goal is to make it possible to the organization to improve sellings, marketing campaigns results and customer support operations by a better understanding of the customers.

11 Definición What is Data Mining? It is one of the main activities associated with the comprehension, navigation and exploration of data in the digital world It automates the process to identify, and discover useful structures in the data.

12 Por qué ahora? Las técnicas que se usan existen desde hace tiempo ahora se da la convergencia de una serie de factores: Cantidad de datos Datos integrados (data warehouse) Mas capacidad de cómputo Competencia feroz

13 Importante La promesa de Data Minig es encontrar los patrones Pero el solo hallazgo no es suficiente Los patrones se tienen que entender y valorar El entendimiento de los patrones hace que sea posible actuar de acuerdo al conocimiento que encierran y de esta manera se transforman en valor para la compañía

14 Ciclo de un proyecto de Datamining Identify the problem Measure the results Use data mining to transform data into information Act based on the information

15 Data Mining es un proceso Data Mining es un proceso orientado a las acciones que se derivan del hallazgo de los patrones Aunque los algoritmos son importantes, la solución al problema es mucho mas compleja que un conjunto de técnicas y algoritmos Las técnicas se han de aplicar a los datos apropiados en el momento apropiado Los datos operacionales solo son apropiados después de un preproceso.

16 Data Mining Standard : Crisp-DM Problem Understanding Data Understanding Deployment Data Preparation Evaluation Modeling

17 Esfuerzo asociado Business understanding Data Unders & preparation Modelling Evaluation & deployment

18 Tipos de problemas de Data Mining Marta Millan

19 Principales tareas de Data Mining Los distintos problemas de los procesos de negocio se pueden expresar en términos de las siguientes tareas: Clasificación Estimación Asociación Clustering

20 Clasificación Examinar las características de un nuevo objeto y asignarlo a una clase dentro de un conjunto de clases predefinido. Clasificar personas que piden créditos como alto medio o bajo riesgo, Determinar el patrón de las quejas de seguros fraudulentas Patrón de los clientes que nos dejarán en los próximos 6 meses

21 Estimación La clasificación trata problemas de salida discreta (si o no, alto, medio o bajo riesgo, responderá o no responderá...) La estimación trata con problemas donde el valor a clasificar está en un rango continuo (ingresos, balance de la tarjeta de crédito, probabilidad de que sea jugador) Es una clasificación en la que se establece un score

22 Estimación (II) Ejemplos Estimar el número de hijos de una familia Estimar la probabilidad de que alguien conteste a un mailing Estimar el tiempo de vida de un cliente Estimar los ingresos totales de una familia

23 Asociación o cesta de la compra Determinar que cosas van juntas. Pañales y cerveza se compran juntos los fines de semana El ejemplo típico es observar qué productos suelen ir juntos en la cesta de la compra Se puede utilizar para establecer los almacenes, estanterias y estrategias de Cross-selling.

24 Clustering Segmentar una población heterogénea en un número de subgrupos homogéneos o clusters. No hay clases predefinidas Registros agrupados en base a su similitud. Se realiza a menudo antes de otras tareas de descubrimiento. Encontrar clientes con hábitos de compra similares

25 Técnicas y Tipos de Objetivos Las técnicas de Data Mining son uno de los pilares del proceso de descubrimiento. Es importante tener una visión de cómo trabajan (por dentro) para: Distinguir entre las diferentes técnicas y conocer sus ventajas y desventajas Entender que técnica es más apropiada para cada tipo de problema Familiarizarse con sus parámetros, entradas, salidas.

26 Técnicas y algoritmos Técnica: enfoque conceptual para extraer información Algoritmo: Una forma detallada paso a paso de implementar una técnica. Sin un entendimiento (de alto nivel) de los algoritmos nunca sabremos cuando una determinada técnica es más apropiada para un problema Entender los parámetros e interioridades para preparar los datos de análisis.

27 Distintas metas piden distintas técnicas Prescriptiva: Su meta es automatizar el proceso de toma de decisión por medio de la construcción de un modelo que sea capaz de realizar una predicción ya sea asignando un elemento a una clase o realizando una estimación de un valor Descriptiva: Obtener una mejor comprensión de lo que ocurre en los datos y como consecuencia del mundo que reflejan.

28 Distintos tipos de datos requieren distintos algoritmos Si la meta del problema es predecir un valor numérico como el valor de vida de un cliente o la carga de un vuelo, el algoritmo tendrá que ser capaz de producir un valor numérico. Si las variables son todas categóricas o se busca un algoritmo que las admita o se tendrán que transformar Tanto las variables de entrada como las de salida se tienen que tener en cuenta al elegir un algoritmo.

29 Tipos de Objetivos (I) Descubrimiento Indirecto Segmentación de bases de datos Clustering demográfico Algoritmo de las K-medias Mapas de Kohonen Análisis de asociaciones y /o Patrones secuenciales Matrices de co-ocurrencias Algoritmo Apriori

30 Tipos de Objetivos (II) Descubrimiento Directo Clasificación y Estimación Árboles de decisión: ID3, CART, C4.5, CHAID Redes neuronales Back Propagation RBF Regresión lineal

31 El reto de la web Marta Millan

32 Internet canal de comunicación Internet como canal de comunicación Ventajas: Rapidez Localización Bajo costo Inconvenientes: Pérdida de la relación 1 a 1 con el cliente

33 Web Mining Aplicar las técnicas de data mining en los datos disponibles de los usuarios web para poder inferir su comportamiento y recuperar la relación 1 a 1 Es la base del e-crm Es un reto nuevo los datos deben ser preprocesados dada su naturaleza

34 Tipos de Web Mining Web usage mining: Extracción de patrones de la utilización del sitio web Web content mining: Extracción de patrones del contenido de las páginas web de los sitios (buscadores) Web Structure mining: Extracción de patrones de la estructura de los sitios. (hubs, authorities,...)

35 Web Usage mining Encontrar patrones del comportamiento de los navegantes: La competencia está solo a un click de distancia Hay que personalizar el sitio al usuario Aumentar la satisfacción de los usuarios Aumentar los logros del sitio web

36 Eficacia del sitio web La eficacia de un sitio web puede medirse desde dos puntos de vista diferentes: Cantidad: numero de visitas del sitio Calidad: visitas vs. alcance de los objetivos Para alcanzar los objetivos y al mismo tiempo tener mas visitas: Satisfacción de los usuarios sin olvidar los logros del sitio web

37 Satisfacción de los usuarios Datos disponibles: Logs: clickstream Problema: Sesiones Identificación del usuario Datos de las transacciones: Problema: Solo en el caso en que sean clientes pasados Información de comportamiento Problema Hay que infererirlo de la navegación

38 Enfoques Que? Cálculo de páginas más visitadas Cálculo de caminos frecuentes Para qué? Construcción de sitios adaptativos Anticipación a los gustos Mayor eficiencia Problema Return on Investment