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.

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?