EP Estadística

Permanent URI for this communityhttps://hdl.handle.net/20.500.12672/5100

Browse

Browsing EP Estadística by Subject "Análisis cluster - Procesamiento de datos"

Filter results by typing the first few letters
Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Clustering de clientes de un grupo de e-Marketplaces del Perú
    (Universidad Nacional Mayor de San Marcos, 2021) Billadoni Villavicencio, Majorie Denisse; Pomalaya Verástegui, Ricardo Luis
    El crecimiento exponencial de los e-maketplaces en el Perú junto a la relevancia de los datos transaccionales que se generan con cada compra, hace que cada vez más profesionales de las áreas comerciales y de marketing estén interesados y se encuentren en la necesidad de descubrir los patrones ocultos tras los comportamientos de compra de los clientes, los cuales son utilizados posteriormente para fijar estrategias que sigan beneficiando al crecimiento de este sector. El presente trabajo presenta, en esencia, la aplicación del algoritmo de clusterización bietápica sobre un conjunto de datos que reúne las características de compra de clientes de cuatro emarketplaces del Perú que realizaron transacciones durante los meses de mayo, junio y julio de 2021. El dataset utilizado consistió de un total de 35,881 clientes y se consideró una variable cuantitativa: Recencia, y dos cualitativas: NombreDePago y Marketplace. Tras la aplicación se encontró una agrupación aceptable de la que resultaron dos clústeres: el primero conformado por el 31% de clientes y el segundo, por el 69% restante. Se describió el perfil del cliente tipo de cada uno de los clústeres y se propusieron estrategias comerciales y de marketing que serán de gran valor para impulsar el crecimiento de las ventas.
  • Thumbnail Image
    Item
    Segmentación de clientes activos de una entidad financiera empleando el algoritmo de K-means y árbol de decisión
    (Universidad Nacional Mayor de San Marcos, 2021) Cisterna Molloco, César Enrique; Roque Paredes, Ofelia
    Actualmente la Institución Financiera ha identificado a clientes según su interacción con los canales físicos y digitales, entre clientes activos (42%) y clientes inactivos (58%), por lo cual es fundamental poder realizar acciones comerciales diferenciadas sobre este universo de clientes. Se define como cliente activo a aquel cliente que realizó operaciones monetarias y no monetaria por canales digitales del banco dentro de los últimos seis meses o que realizan sus operaciones en canales físicos dentro de los últimos seis meses. Debido a ello las áreas de negocio encargadas de realizar las campañas, decidieron priorizar la acción comercial en los clientes activos, lo cuales son alrededor de un millón setecientos mil clientes de manera mensual. Sin embargo, se desea realizar diferentes acciones comerciales según el perfil de los clientes activos puesto no todos tienen el mismo perfil. Por lo cual, el presente trabajo consiste en la segmentación de clientes activos, el cual se desarrolló dentro del área de Business Analytics, área encargada del perfilamientos y segmentaciones de los clientes. Y mediante la segmentación, los responsables del negocio podrán realizar acciones comerciales que permitan gestionar los KPI’s establecidos, que son el cross, el uso de tarjetas de crédito o débito y el aumento del uso de los canales digitales. Esta segmentación permite conocer de manera acertada el perfil de los clientes activos, lo que permitirá ofrecer productos que calcen con las necesidades de los clientes activos, permitiendo incrementar sus KPI’s.
  • Thumbnail Image
    Item
    Segmentación de clientes de Corporación Lindley de la región Lima mediante el análisis cluster bietápico en octubre de 2016
    (Universidad Nacional Mayor de San Marcos, 2016) Manrique Pachas, Cesar Pedro; Navarro Huamaní, Luis Alberto
    Describe el método del análisis cluster bietápico y su aplicación para segmentar la cartera de clientes de Corporación Lindley de la región Lima en octubre de 2016. El método de análisis cluster bietápico es una herramienta de exploración diseñada para descubrir las agrupaciones naturales (o conglomerados) de un conjunto de datos. Este método combina los métodos jerárquicos y no jerárquicos (o de partición) permitiendo analizar a la vez variables de distinto tipo (categóricas y continuas) y puede ser utilizado en bases de datos grandes.
  • Thumbnail Image
    Item
    Segmentación de clientes en un supermercado según su comportamiento de compras
    (Universidad Nacional Mayor de San Marcos, 2021) Sánchez Rivera, Diana Guadalupe; Huamán Gutiérrez, Zoraida Judith
    El presente trabajo tiene como objetivo determinar grupos de clientes en la empresa para aplicar un marketing focalizado y programas de fidelización. Una adecuada segmentación proporciona un mejor entendimiento sobre cada grupo de clientes dando a la empresa una mejor visión para el otorgamiento de sus productos y que generen mayor valor. Para la realización del objetivo, se realizará el algoritmo de clasificación no supervisada de k-means siguiendo los pasos principales como estableciendo el valor de k, asignando los centroides más cercanos a los datos y actualizando hasta que los centroides se establezcan, junto a este método se analizó la técnica de RFM para estudiar el comportamiento del cliente con sus tres variables principales Recencia: Periodo desde la última compra, Frecuencia: Número de compras realizadas en el último periodo y Monetario: dinero gastado durante un cierto periodo. Los resultados ayudaran a crear segmentos de clientes efectivos a conocer mejor a los clientes mediante su comportamiento de compras y poder otorgarles mejores beneficios y ofertas de campañas.