91 640 41 50 hola@artyco.com
Utilidad en el marketing de los árboles de decisiones

Utilidad en el marketing de los árboles de decisiones

Utilidad en el marketing de los árboles de decisiones

Hace poco tiempo, publicamos en este mismo blog un post sobre “qué son los árboles de decisión y su importancia en el Data Driven”, con este post, lo que se pretende es subir de nivel y ofrecerte el conocimiento más a fondo de todo lo que puedes llegar a conseguir en el ámbito del marketing, con los árboles de decisión.

Los árboles de decisión son uno de los métodos más comunes en machine learning, ya que son fáciles de utilizar y comprender y en muchas ocasiones son un buen método de exploración de los datos para conocer cuáles son las variables más influyentes e importantes.

Pero técnicamente, ¿Qué es un árbol de decisión? Los árboles de decisiones son algoritmos que se basan en aprender una serie de reglas explícitas que dan como resultado una decisión que predice el valor objetivo.

Se construyen partiendo de un nodo raíz, dónde el modelo busca cuál es la característica que produce una mayor división de información de los datos, a partir de este nodo raíz se irán creando ramas y nodos hoja con el resto de las características que generen división. Aquellos nodos cuyo resultado es el mismo valor objetivo, se denominan puros, por el contrario, aquellos nodos con varios valores se denominan mixtos.

Los árboles de decisión son algoritmos de aprendizaje supervisado, es decir, se necesita entrenar el modelo con una muestra de registros de los que previamente conocemos la entrada y la salida. Además, este tipo de algoritmos se puede utilizar tanto en problemas de clasificación, por ejemplo, predecir si un cliente te va a comprar o no un producto, como en problemas de regresión, por ejemplo, predecir el número de visitas que va a tener una página web.

Cuáles son las ventajas y desventajas de los árboles de decisiones.

ventajas y desventajas de los árboles de decisiones

Como todo en la vida, existen ventajas y desventajas. Si analizamos en profundidad cuáles son los pros y los contras de este tipo de algoritmos, obtendríamos lo siguiente.

Como puntos positivos:

  • Son fácilmente interpretables debido a su visualización.
  • Trabajan bien tanto con características continuas, como categóricas, y no necesitan un gran tratamiento de los datos ya que son algoritmos que no se ven afectados por las distintas escalas de los datos.

Por el contrario, como puntos negativos:

  • Los árboles de decisión suelen tender a sobre ajustarse, lo cual es una problemática habitual en machine learning. Esto ocurre cuando un algoritmo aprende perfectamente el comportamiento de los datos de entrenamiento, pero cuando se replica el modelo en un conjunto de datos nuevo el resultado pierde precisión.

Usos de los árboles de decisión en el marketing

Usos de los árboles de decisión en el marketing

Estos suelen utilizarse en empresas con cultura Data Driven, sin embargo, no hay que dirigirse a momentos tan avanzados, ya que cualquier compañía puede echar mano de ellos para su ámbito dentro del marketing del negocio.

Unos de los usos más frecuentes son:

  • Mejorar los esfuerzos de outbound marketing.

    Los árboles de decisión se pueden utilizar para analizar los datos de los clientes y responder preguntas de marketing como por ejemplo qué acciones de outbound marketing deberíamos hacer más. También, mediante árboles de decisión, los responsables de marketing podrían predecir qué clientes tienen más probabilidades de responder favorablemente cuando reciben un email promocional o un catálogo de ventas por correo.

  • Incrementar la fidelidad de los clientes.

    Los árboles de decisiones se pueden utilizar para determinar qué clientes tienen más probabilidades de gastar más dinero en una marca, cuando se les entrega una tarjeta de fidelización por puntos. El modelo podría generar un valor objetivo que predice la probabilidad de que cada cliente gaste más con la tarjeta. Por ejemplo, un valor de «1» significaría que es probable que el cliente gaste más y un valor de «0» significaría que es poco probable que el cliente gaste más.

  • Conocer la probabilidad de abandono de un cliente.

    Gracias a los árboles de decisiones, podemos conocer con anterioridad qué probabilidad de abandono tiene un cliente o lo que también es conocido como churn. Para ello es necesario disponer de datos históricos de clientes activos y clientes perdidos.

  • Predecir el volumen de visitas en una página web.

    Gracias a los árboles de decisiones, podemos establecer diferentes escenarios ante diversas acciones que incidan en el tráfico de nuestra página web o eCommerce y hacer una predicción de en función de qué acción o acciones obtendremos más visitas.

  • Predecir el volumen de ventas de un producto.

    Al igual que los casos anteriores, gracias al análisis anterior del histórico de datos relacionados con las ventas y acciones relacionadas con cada venta, podremos utilizar los árboles de decisión para predecir cuáles serían nuestras ventas en función de qué acciones de marketing pongamos en marcha.

  • Probabilidad de que un lead se convierta a cliente.

    Dentro del lead management hay una fase en la cual se debe de dar un scoring a ese lead, el cual nos permita cualificarlo y darle una temperatura que nos sirva para saber cuáles debemos pasar al equipo de ventas. Gracias a los árboles de decisiones, podemos conocer la probabilidad de que ese lead compre, otorgando así un scoring más alto al lead.

Para obtener una mayor precisión en los estudios de predicción, a menudo se utilizan algoritmos de árboles de decisión ensamblados, como por ejemplo:

  • Random Forest.
  • Gradient Boosted Decision Trees.
  • XGBoost.

Este tipo de conjuntos utilizan múltiples árboles de decisión individuales y los combina para producir un modelo agregado que sea más poderoso que cualquiera de sus modelos individuales por sí solo.

Estos algoritmos aumentan considerablemente la precisión de los árboles de decisión y no son tan sensibles al overfitting, sin embargo, no son tan fáciles de visualizar e interpretar como lo son los árboles de decisión.

Como has podido ver, los árboles de decisiones permiten afinar mucho mejor en todo lo que realices en el campo del marketing. Sin embargo, estos no están al alcance de cualquier, ya que debes de tener conocimientos técnicos muy específicos. En artyco, los utilizamos de manera habitual en diferentes campos como el Lead Management o los análisis de fidelización churn, etc. ¿Quieres que te ayudemos a ser más eficaz?

Lorena Rodríguez

Head of Customer Data Analytics

“Actualmente hay una gran diferencia entre la IA y el negocio. El reto esta en reducirla.”

¿Te ha parecido interesante lo que has leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Qué es un árbol de decisión y su importancia en el Data Driven

Qué es un árbol de decisión y su importancia en el Data Driven

Qué es un árbol de decisión y su importancia en el Data Driven

Un árbol de decisión es un diagrama en forma de árbol que muestra la probabilidad estadística o determina un curso de acción. Muestra a los analistas y, a los que toman las decisiones, qué pasos deben tomar y cómo las diferentes elecciones podrían afectar todo el proceso. Todo ello soportado en datos. Como entenderás, es una herramienta muy útil en cualquier organización regida por los datos o Data Driven. En este post, te voy a contar cómo construirlo, sus principales símbolos, sus ventajas y desventajas, así como su importancia en el Data Driven. ¿Interesante verdad? Vamos a por ello.

Un árbol de decisión es una especie de mapa en que se muestra cada una de las opciones de decisión posibles y sus resultados. Este es tremendamente útil para aquellas personas que tienen que tomar decisiones en un negocio, ya que te permite comparar diferentes decisiones y acciones según sus costos, probabilidades y beneficios.

Este diagrama acaba teniendo una forma similar a la de un árbol, de ahí su nombre de “diagrama de árbol de decisión”.

Los árboles de decisión comienzan con un nodo, del cual salen otros en función de las opciones que se presenten, y de cada una de estas, otros. Existen tres tipos diferentes de nodos:

  • Nodos de decisión.
    Se le representa con un cuadrado y muestra una decisión que se tomará.
  • Nodos de probabilidad.
    Está representado por un círculo y muestra las probabilidades de ciertos resultados.
  • Nodos terminales.
    Son de forma triangular, y muestra el resultado definitivo de una ruta de decisión.

Una vez que ya sabes qué es un árbol de decisión y el significado de sus figuras, vamos a ver cómo dibujar uno.

Cómo dibujar un árbol de decisiones

dibujar árbol de decisiones
Para dibujar un árbol de decisión puedes optar por hacerlo manualmente o bien a través de una aplicación. De cualquiera de las formas, su desarrollo es el mismo.

  1. Empieza por la decisión principal. Dibuja un cuadrado pequeño y traza hacia la derecha, a través de líneas, las posibles soluciones o acciones. Estas deben de estar correctamente etiquetadas y ofrecer el coste que supone tomar un camino u otro.
    inicio árbol de decisiones
  2. Es el momento de añadir nodos de decisión y probabilidad, los cuales harán crecer el árbol. Para ello, debes de seguir el siguiente razonamiento:
    • Si otra decisión es necesaria, dibuja otro cuadrado.
    • Si el resultado es incierto, dibuja un círculo (los círculos representan nodos de probabilidad).
    • Si el problema está resuelto, déjalo en blanco (por ahora).
      ramificación de árbol de decisiones

    Como ves, desde cada nódulo de decisión, debes de poner soluciones posibles, mientras que desde cada nódulo de probabilidad, debes de incluir los resultados posibles. Para poder basarte en datos, lo ideal es que incluyas en cada línea de decisión, el coste de esa acción, o el ingreso. De igual forma, en cada nódulo de probabilidad, debes de incluir tus opciones de forma numérica, a través de la probabilidad.

  3.  Continúa expandiendo tu árbol hasta que no haya más decisiones que tomar, y este llegue a su fin. El final representa que no hay más decisiones posibles o resultados probables que considerar. Una vez hayas asignado un valor a cada resultado posible, bien a través de una puntuación abstracta o un valor financiero, agrega triángulos que determinen los extremos.

final árbol de decisiones
Ahora, con el árbol listo, ya estás preparado para analizar la decisión a la que te enfrentas.

Cómo realizar un análisis en un árbol de decisión

analisis arbol de decisiones
Diseñar el árbol de decisión es útil sobre todo para plasmar sobre el papel las alternativas y para visualizar todas las opciones que tienes. Sin embargo, no está completo hasta que no realizas un análisis como tal.

Para ello, tienes que realizar el cálculo final esperado de cada decisión. Este cálculo te aportará una minimización del riesgo y una maximización de la probabilidad de obtener el resultado esperado.

Para sacar ese dato, sólo tienes que restar el costo de esa decisión a los beneficios esperados. Así de fácil. Ten en cuenta que los beneficios esperados son iguales al valor total de todos los resultados que puedan derivar de esa decisión, y cada valor se multiplica por la probabilidad de que ocurra. A continuación, te muestro cómo se calcularían estos valores para el ejemplo descrito anteriormente.
analisis árbol decisiones

Al identificar cuál es el resultado más deseable, es importante tener en cuenta las preferencias de utilidad del encargado de tomar la decisión. Por ejemplo, algunos prefieren opciones de bajo riesgo, mientras que otros están dispuestos a correr riesgos si el beneficio es mayor.

Al usar tu árbol de decisión acompañado por un modelo de probabilidad, puedes emplearlo para calcular la probabilidad condicional de un evento o la probabilidad de que suceda, en el caso de que otro evento ocurra. Para hacerlo, simplemente empieza con el evento inicial, luego sigue la ruta desde ese evento hasta el evento objetivo, y multiplica la probabilidad de cada uno de esos eventos juntos.

De este modo, un árbol de decisión se puede emplear como un diagrama de árbol tradicional, que traza las probabilidades de determinados eventos, como lanzar una moneda dos veces.

probabilidad evento árbol de decisiones

Como puedes suponer, los árboles de decisión ofrecen muchas ventajas, pero también alguna que otra desventaja. Vamos a verlas.

Ventajas y desventajas del uso del árbol de decisión

ventajas y desventajas árbol de decisiones
Las principales ventajas de utilizar en tu proceso de decisión, este tipo de diagrama, son evidentes y seguro que la mayoría de ellas ya se te han pasado por la cabeza:

  • Los árboles de decisión son simples de entender y de interpretar.
  • Si el diagrama no es demasiado grande, puede visualizarse de un vistazo y eso facilita mucho el entendimiento del proceso.
  • No requiere que prepares unos datos excesivamente complejos.
  • Es válido tanto para variables cuantitativas como para cualitativas.
  • Se pueden agregar nuevas opciones a los árboles existentes.
  • Son fácilmente combinables con otras herramientas de tomas de decisiones.
  • Utiliza un modelo de caja blanca: la respuesta del algoritmo es fácilmente justificable a partir de la lógica booleana implementada en él.

Por otro lado, hay una serie de desventajas, las cuales quizás no sean tan evidentes, aunque seguro que muchas de ellas se te hayan pasado por la cabeza. Principalmente son estas:

  • Son inestables: cualquier pequeño cambio en los datos de entrada puede suponer un árbol de decisión completamente diferente.
  • No se puede garantizar que el árbol generado sea el óptimo.
  • Hay conceptos que no son fácilmente aprendidos pues los árboles de decisión no son capaces de expresarlos con facilidad (como el operador XOR).
  • Los principiantes crean árboles sesgados, sobre todo si una de las personas que interviene es dominante respecto al resto.
  • Un árbol de decisión puede llegar a ser demasiado complejo con facilidad, perdiendo su utilidad.

Por lo que puedes suponer, esta herramienta es muy útil en las empresas Data Driven, las cuales, sólo toman decisiones en base a los datos. A continuación, paso a contarte por qué es tan útil para este tipo de empresas.

Los diagramas de árbol de decisión en el Data Driven

árbol de decisiones y data driven

Hoy día, las empresas más modernas están siendo regidas por los datos. Los años en los que se tomaban las decisiones en función de la experiencia personal del más veterano, o la intuición del empleado de más éxito, terminaron.

Gracias a los datos, una empresa Data Driven es capaz de multiplicar el número de ventas fácilmente, así como de fidelizar a sus clientes y de ahorrar costes, entre otras muchas cosas.

Para lograrlo, es necesario crear una cultura y una filosofía entorno al dato, pero también entorno a la mejor manera de tomar decisiones basadas en estos.

En este sentido, el diagrama de árbol de decisión es una excelente herramienta para lograr tomar decisiones basadas en datos.

Pero no sólo eso, los árboles de decisión son, además, potentes herramientas de visualización que ayudan a los responsables precisamente en esa toma de decisiones, realizando los movimientos correctos en el momento adecuado.

Cada vez más sectores los utilizan hoy en día con el fin de sacarles todo el provecho y aumentar su negocio, utilizándolos para optimizar estrategias, predecir los resultados o la probabilidad de eventos.

En próximos posts profundizaremos más en esta herramienta, hablando de árboles más avanzados como el de regresión o el de clasificación y cómo pueden entrar en juego en la Inteligencia artificial, a través del machine learning. No te lo pierdas.

¿Quieres convertir tu empresa en una compañía Data Driven?

Emilio Fernández Lastra

Chief Marketing Officer

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados