miércoles, 24 de septiembre de 2014

Predecir Perdida de Clientes con Arbol de Decision

Para predecir clientes propensos a desafilarse (también llamado churn o attrition) en una empresa de telecomunicaciones, podría usarse el algoritmo de árbol de decision (decision tree) como clasificador.

Teniendo datos históricos de clientes activos y clientes desafilados, podrian aplicarse los siguientes pasos:

PASO 1: Cargar Datos y crear set de Entrenamiento y Test
El package C50 contiene datos de 5000 clientes, de los cuales se usan 3333 clientes para entrenar el Arbol de Decision (set de Entrenamiento) y 1667 para medir la precisión de la predicción (set de TEST). El resultado de esto sería algo como:



















sábado, 20 de septiembre de 2014

Determinar numero de Cluster con SSE

Si se quiere segmentar clientes, es necesario identificar previamente cuál es la cantidad ideal de grupos, teniendo algo como:


















viernes, 19 de septiembre de 2014

Segmentar Clientes con KMeans

Si se tienen datos de clientes, y se quiere agrupar los individuos más parecidos según sus atributos o variables, teniendo algo como:















domingo, 14 de septiembre de 2014

Predecir Clientes con Naive Bayes

Una empresa quiere llamar a sus clientes para ofrecerles un nuevo producto, pero quiere contactar unicamente a los clientes con mayor probabilidad de compra, para ahorrar en el costo por llamada.

Si se tienen DATOS HISTÓRICOS (de campañas anteriores o pruebas pilotos) de clientes que SI aceptaron y clientes que NO aceptaron comprar un producto cuando fueron contactados, y también se tienen registros de NUEVOS CLIENTES a los que se le quiere calcular la probabilidad de compra, teniendo algo como: