Utilidad en el marketing de los árboles de decisiones

por Paloma Royo | Feb 10, 2021 | CDA

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

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

Únete

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Política de Calidad y Seguridad

Política de Privacidad y Cookies

Qué son las redes neuronales y cuál es su aplicación en el marketing

por Paloma Royo | Feb 1, 2021 | CDA

Qué son las redes neuronales y cuál es su aplicación en el marketing

Las redes neuronales son una amplia familia de algoritmos de machine learning que han formado la base de la rama de Data Science e Inteligencia Artificial llamada Deep Learning, la cual ha obtenido grandes resultados en distintas áreas como la clasificación de objetos en imágenes, predicción del comportamiento de usuarios, reconocimiento de voz, etc. Día a día está teniendo cada vez más trascendencia en la industria del marketing, ¿quieres saber más sobre ello? Aquí te lo cuento.

Las redes neuronales y el Deep learning se hicieron muy populares en 2015 cuando AlphaGo, un algoritmo creado en base a tecnología de redes neuronales y aprendizaje profundo ganaba al actual campeón del juego de mesa japonés, Go.

Pero técnicamente, ¿qué es una red neuronal? Una red neuronal, es un algoritmo que consiste en simular el comportamiento de un cerebro biológico mediante miles de neuronas artificiales interconectadas que se almacenan en filas llamadas capas, formando miles de conexiones.

Existen varios tipos de redes neuronales, como son las monocapa o perceptrón simple, perceptrón multicapa (MLP), convolucionales (CNN), redes neuronales recurrentes (RNN), de retroalimentación o redes de base radial (RBF).

Además, según el método que tengan de aprendizaje también se pueden clasificar como aprendizaje supervisado, aprendizaje por corrección de error, estocástico, aprendizaje autosupervisado, hebbiano, competitivo y comparativo, o por último, aprendizaje por refuerzo.

Las redes neuronales se utilizan por ejemplo para:

Para problemas de clasificación, como, por ejemplo, obtener la probabilidad de que un cliente te compre frente a que no te compre).
Problemas de regresión, como, predecir el número de compradores que voy a tener de un producto.

Parecen un campo interesante, ¿verdad? Sin embargo, como todo, tienen sus ventajas y desventajas. Vamos a verlas.

Ventajas y desventajas del uso de las redes neuronales.

Todo en esta vida tiene su lado positivo y negativo. Las redes neuronales no son diferentes, así que es mejor conocer cuáles son los suyos. Si analizamos los pros y contras de las redes neuronales, tendríamos lo siguiente.

Ventajas principales:

Su principal ventaja está en que son modelos de vanguardia que capturan de una forma óptima y efectiva características complejas, obteniendo resultados con una alta precisión.
El procesado de la información es local, es decir que al estar compuesto por unidades individuales de procesamiento, dependiendo de sus entradas y pesos, y de que todas las neuronas de una capa trabajan en forma paralela, proporcionan una respuesta al mismo tiempo.
Los pesos son ajustados basándose en la experiencia, lo que significa que se le tiene que enseñar a la red lo que necesita saber antes de ponerla en funcionamiento.
Las neuronas son tolerantes a fallos, si parte de la red no trabaja, solo dejará de funcionar la parte para que dicha neurona sea significativa, el resto tendrá su comportamiento normal.
Las neuronas pueden reconocer patrones que no han sido aprendidos, sólo deben tener cierto parecido con el conocimiento previo que tenga la red. Dicho de otra forma: si la entrada presenta alguna alteración la red podrá identificarla siempre y cuando se mantenga cierto grado de similitud entre lo aprendido y lo mostrado en la entrada de la red.

Desventajas principales:

Las redes neuronales necesitan un mayor preprocesamiento de los datos, siendo bastante sensibles a las distintas escalas de las variables. Suelen necesitar mayor volumen de datos para el entrenamiento del modelo y requieren de alta capacidad de recursos computacionales.
Complejidad de aprendizaje para grandes tareas, cuanto más se necesite que aprenda una red, más complicado será enseñarle.
Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si se incrementa la cantidad de patrones a identificar o clasificar, y segundo, si se requiere mayor flexibilidad o capacidad de adaptación de la red neuronal para reconocer patrones que sean sumamente parecidos, se deberá invertir más tiempo en lograr que la red converja a valores de pesos que representen lo que se quiera enseñar.
No son fácilmente explicables. Conocer las reglas o motivos por los que la red devuelve esos resultados no suele ser fácil y precisa de otras analíticas.

Una vez que tenemos las ventajas y desventajas, vamos a ver su aplicación real en el marketing.

Aplicación de las redes neuronales en el campo del marketing.

Las redes neuronales se aplican en diversas áreas desde hace ya muchos años, como es el caso de la biología, que la usa principalmente para aprender más acerca del cerebro. Otra área en el que es habitualmente utilizada, es en el campo del medio ambiente, donde se analiza la tendencia y patrones o la predicción del tiempo. En medicina, está funcionando excelentemente para la predicción de tumores o anomalías, así como para elaborar diagnósticos y tratamientos complejos a seguir, en función de unos síntomas.

En el campo de las finanzas, se utiliza habitualmente en todo lo relacionado con la previsión de la evolución de precios, valoración de riesgo de créditos o identificación y falsificaciones.

Como puedes comprobar, tiene una aplicación directa en muchas áreas, y como no, en el del marketing también.

En el ámbito de la empresa y más concretamente en el del marketing, tiene diversos usos:

Predicción de ventas.
Identificar patrones de comportamiento.
Reconocimiento de caracteres escritos.
Predicción del comportamiento del consumidor.
Personalización de estrategias de marketing.
Crear y entender segmentos de compradores más sofisticados.
Automatizar actividades de marketing.
Creación de contenido.

De todos sus usos, el mayor se encuentra en la analítica predictiva, ayudando a los profesionales del marketing a poder realizar predicciones sobre el resultado de una campaña, reconociendo las tendencias de campañas anteriores.

Actualmente, con la aparición del Big Data, ha hecho que esta tecnología sea realmente útil para el marketing, ya que podemos disponer de muchos más datos que hagan mucho más precisas esas predicciones. Al disponer de predicciones más precisas, los responsables de marketing podrán afinar mucho más a la hora de determinar cómo invierten su presupuesto de marketing

Como has podido ver, las redes neuronales son algoritmos complejos que tienen cada vez más propensión de futuro en distintas aplicaciones, otorgando a la humanidad grandes beneficios en el ámbito de la Inteligencia artificial.

En artyco utilizamos este tipo de predicciones con el objetivo de aportar a nuestros clientes un marketing cada vez más inteligente, que les permita optimizar cada día más sus presupuestos. ¿Quieres que te ayudemos con el tuyo?