Análisis descriptivo, diagnóstico, predictivo y prescriptivo en APS

1. Análisis descriptivo: ayuda a responder preguntas sobre lo que sucedió. Al desarrollar (KPI), estas estrategias pueden ayudar a rastrear los éxitos o fracasos.

2. Análisis diagnóstico: ayuda a responder preguntas sobre por qué sucedieron las cosas. Toman los hallazgos del análisis descriptivo y profundizan para encontrar la causa.

3. Análisis predictivo: ayuda a responder preguntas sobre lo que sucederá en el futuro. Estas técnicas utilizan datos históricos para identificar tendencias y determinar si es probable que se repitan.

4. Análisis prescriptivo: ayuda a responder preguntas sobre lo que se debe hacer. Esto permite a las empresas tomar decisiones informadas frente a la incertidumbre.

CASO DE USO EN APS: Tras realizar el análisis y evaluar qué opciones son las mejores, tenemos diferentes aplicaciones como:

Marketing: Campañas inteligentes dirigidas.
Provisión: Optimización de Procesos de Provisión.
Compras: Entender procesos de compras.
Gestión de stock: Optimización de Inventarios.
CUSTOMERCARE: Recomendaciones a los agentes.

Machine Learning

Aproximación iterativa basada en algoritmos con los que se construyen modelos estadísticos en función de los datos. Relación explicabilidad y precisión: (Relacionarlos 1 a 2):

Explicabilidad: basada en modelos descriptivos o diagnóstico. Descubre patrones de datos, entender comportamientos y tendencias de grupos, descubrir anomalías y causas.
Precisión: basada en modelos predictivos – predicción comportamiento futuros, hace recomendaciones, ayuda en la automatización.

Construcción y uso de modelos:

Preparación y limpieza de datos:
- Limpieza: eliminar registros o columnas con valores dañados, no válidos o con muchos valores vacíos.
- Transformaciones: Tratamiento especial de determinados atributos (cambio de tipo, escalado, normalización, binarización, tratamiento de missing values, tratamiento de valores atípicos, corrección de errores tipo gráficos…)
Selección de instancias: selección de muestras para construcción del data set (balanceo de valores de clase, undersampling, oversampling).
Selección de Atributos: segunda parte de la construcción de un modelo. Es una de las más importante y comprende entre el 70-80 % del tiempo. Es una actividad crucial del pre-procesamiento de datos cuando se desea realizar descubrimiento de conocimiento en bases de datos. Se divide en:
- Filtrado de atributos: Reducir el número de atributos, eliminando aquellos irrelevantes para separar la clase objetivo o aquellos de pendientes (mediante uso de correlación eso algoritmos específicos de filtrado).
- Creación de atributos: creación de atributos nuevos mediante funciones matemáticas, combinación de atributos, aplicación de reglas de negocio conocidas.
- Reducción de dimensionalidad: Reducir el número de atributos mediante creación de representaciones de datos más pequeñas, pero más potentes (PCA, LDA…).
Construcción del data set: Los mismos mecanismos de limpieza, transformación y selección de atributos se aplican a los data sets utilizados para construir los modelos y sobre todas las instancias nuevas a las que apliquemos el modelo resultante. Los modelos van a estar preparados para recibir la entrada siempre en el mismo formato y se construye el modelo.

Métodos de Aprendizaje

– Supervisado:

Optimización precios y su elasticidad (linear regression).
Predicción probabilidad compra (linear/quadrátic discriminant análisis).
Entendimiento atributos producto que mayor impacto tienen en los clientes (decisión tree)…
Predicción probabilidad clic en un anuncio online (support vector machine).

– No supervisado:

Clusterización clientes (K-means clustering / Gaussian mixture model).
Microsegmentación fidelización basada en actividad redes sociales (hierarchical clustering).
Recomendador contenidos (recommender systems).

– Refuerzo:

Optimización precio puja en gestión cuentas SEM o compra programática.
TEST A/B contenidos.

Nuevos ecosistemas

Los datos de primera mano son los datos que recopilas directamente de tus clientes y clientes potenciales. Segundo: Los datos de terceros son los datos propios recopilados por una empresa «asociada», puestos a disposición para nuestro uso de alguna manera. Tercero: los datos de la parte son recopilados de los clientes por una empresa que no está directamente involucrada en la transacción. Una DPM es una herramienta tecnológica que recoge, agrega y centraliza diferentes tipos de datos de distintas fuentes y permite la gestión de estos datos (psicográficos, demográficos, y de comportamiento) en una misma plataforma, lo que nos sirve para crear segmentos de audiencia. Este tipo de software se ha convertido en una herramienta indispensable en marketing digital, y especialmente necesaria para llevar a cabo campañas de publicidad online.

1. Recogida de datos.

2. Procesamiento de datos. Toda la información recopilada se ordena para dar lugar a segmentos de audiencia coherentes y se asocia toda esa gran cantidad de información.

3. Transmisión de los datos a los servidores de anuncios. Cuando tenemos identificadas las audiencias a las que queremos impactar, la información se comparte con los DSPs (plataformas de los anunciantes).

DSP: Los Demand Side Platforms son las plataformas donde anunciantes y agencias compran inventario de forma automatizada, eficiente y optimizada. La plataforma que usan los demandantes de espacio publicitario, los anunciantes, para encontrar el inventario que más les interese. En estas plataformas, puedes usar la segmentación para llegar a la audiencia idónea, recibes resultados en tiempo real, por lo tanto, puedes modificar tus campañas según corresponda.

SPSS: es un programa estadístico informático que originalmente se usaba únicamente en las investigaciones de las ciencias sociales y en las ciencias aplicadas y también se aplica ahora en el ámbito de la investigación de mercado. Significa Sell Side Platforms que representan a los publishers, es decir, los vendedores de espacio publicitario. SP.

Plataformas en la nube

Los servicios en la nube son servicios que se utilizan a través de Internet. Es decir, no están físicamente instalados en tu ordenador. Se trata de un nuevo paradigma que surgió con el advenimiento de la World Wide Web.

1. Cloud Computing: Modelo de entrega y consumo de servicios:

Flexibilidad.
Acceso inmediato a recursos.
Pago por uso.

2. Impacto del cliente:

Importancia del contrato de servicios cloud.
Cloud conlleva industrialización y automatización.

3. Impacto para el presentador:

Fuerte inversión anticipada.
Automatización.
Gobernanza y control.

Hay varios tipos:

Software as a Service (SaaS): El más utilizado. El software está alojado en servidores de los proveedores y el cliente accede a ellos a través del navegador web. Todo lo relacionado con mantenimiento, soporte y disponibilidad es manejado por el proveedor.
Platform as a Service (PaaS): En este tipo de servicios en la nube el proveedor ofrece acceso a un entorno basado en cloud en el cual los usuarios pueden crear y distribuir sus propias aplicaciones. El proveedor proporciona la infraestructura subyacente.

Martech

El “Martech” es la unión del marketing y la tecnología, son un conjunto de metodologías, tecnologías y datos que permiten conseguir objetivos de marketing. Podemos afirmar que hoy es imposible gestionar una relación personalizada con el cliente sin tecnología. Nos podemos preguntar: cómo gestionamos una relación con 1 millón de clientes personalizada, relevante, bidireccional que permita gestionar campañas y programas. La respuesta es utilizando la tecnología y automatizando los procesos.

El “marketing automation”: es parte del Martech. En este momento las marcas disponen de la tecnología para desarrollar estrategias de marketing relacional avanzadas. El reto está en transformar el negocio, adaptarnos a las nuevas condiciones de mercado, atraer y mantener el talento. Las empresas necesitan profesionales formados en el uso de las nuevas herramientas y metodologías porque necesitan responder rápidamente a una nueva situación de mercado.