Personalizar la oferta: Reglas de asociación

En cualquier negocio, los vendedores siempre han buscado maneras de poder incrementar sus ventas, desde acciones específicas de marketing tradicional a acciones referentes a posibles predicciones de la cesta de compra dependiendo de la tipología de los clientes.

Desde la perspectiva del cliente, los potenciales consumidores se han mostrado cada vez más receptivos al hecho que los vendedores les puedan indicar qué pueden querer comprar (en este punto, las recomendaciones realizadas por sitios web como Amazon ejemplifican perfectamente lo expuesto).

Todo ello se ha visto seriamente afectado por el avance de las nuevas tecnologías, que permite, actualmente, disponer de una cantidad muy elevada de datos referentes a aspectos como las transacciones realizadas por los clientes (elementos comprados, cantidad, método de pago, día de la transacción,…).

¿Cómo aprovechar el incremento de capacidad para capturar datos?

Tal como se ha mencionado en el punto anterior, el número de datos analizables para personalizar una oferta se ha incrementado significativamente. Por tal de sacar provecho, una de las posibles acciones a realizar se basa en una actividad fundamental de la minería de datos, concretamente en la búsqueda de asociaciones (entre tuplas o combinaciones de valores).

Dicha búsqueda de asociaciones será llevada a cabo mediante reglas de asociación. Simplificando el concepto de “regla de asociación” un ejemplo sería:

“Si nuestro cliente compra/contrata el bien o servicio A, probablemente también comprará/contratará el bien/servicio B”.

Las reglas de asociación, de manera simplificada, se basan en un esquema X a Y.

X”, la parte de la regla de asociación que se sitúa a la izquierda, hace referencia al antecedente. Es decir, la característica inicial que acontece (en el ejemplo inicial sería “la compra del bien o servicio A”).

Y” es la parte de la regla de asociación que se sitúa a la derecha, haciendo referencia a la consecuencia (en el ejemplo inicial sería “comprará/contratará el bien/servicio B”).

Como el lector puede imaginar, dichas reglas NO son perfectas. Es decir, la regla no siempre se cumple (de ahí el uso del término “probablemente” en el ejemplo).

Dado un juego de datos (dataset) objeto de estudio, se podrán ejecutar algoritmos (como el algoritmo “apriori” de R [software Open Source gratuito]) que permitan obtener reglas de asociación con indicadores que nos permitan evaluar la “probabilidad” que la regla se cumpla. Dichos indicadores son el soporte y la confianza.

Soporte: Es el porcentaje de transacciones (compras/contrataciones) que contienen X e Y respecto del total del dataset.

Esperanza: Indica la probabilidad que se dé X e Y, teniendo en cuenta la frecuencia de X.  Es decir, qué capacidad predictiva tiene X (compra de bien/servicio A) para predecir Y (compra bien/servicio B).

¿Casos de ejemplo?

Hay algunos modelos de negocio más propensos al uso de dichos algoritmos. El análisis de la cesta de la compra por tal de poder determinar posibles patrones de compra de elementos es una de las aplicaciones más comunes. Otra de las aplicaciones más comunes se basa en el conocimiento de las características de los clientes en un sector determinado, como el asegurador o el bancario.

Fuente fotografía: Lynda.com

Share this article

Cofundador de Markonomia. Licenciado en Administración y Dirección de Empresas por la Universitat de Barcelona (EUS) y master en Business Intelligence y Big Data en Universitat Oberta de Catalunya. Cerca de 5 años desarrollando proyectos de análisis de datos en el sector bancario. Fotógrafo freelance en eventos deportivos nacionales e internacionales.

Facebook Comments

Deja un comentario