Herramientas de Machine Learning aplicadas

Metriplica es conocida por sus grandes implementaciones y la extracción de los datos webs. Gracias a esos datos intentamos conseguir información e insights interesantes para la mejora del comercio electrónico de nuestros clientes. Aquí os presentamos algunas herramientas de Machine Learning que utilizamos en el día a día.

Audience Score

Contexto

Se tiene una gran diversidad de usuarios, cuyo comportamiento navegando es muy diverso. Seguramente, unos estén más cerca de la compra que otros. Entonces, ¿debemos utilizar la misma publicidad para todos? Probablemente unos usuarios sean más rentables que otros.

Objetivo

Este producto se centra en identificar aquellos usuarios más valiosos para comunicarnos con ellos de una forma eficiente y dirigida, mejorando el rendimiento de las campañas de remarketing y la conversión del sitio.

Metodología

Desarrollamos un modelo estadístico que, en base al comportamiento del usuario, lo clasifica en un score [0-10]. Una vez se tenga puntuado a cada usuario, se puede realizar un segmento para mejorar el remarketing y el real time bidding. Para ello se utiliza un modelo predictivo, en este caso de regresión logística, que predice la probabilidad de que un usuario acabe completando una transacción en base a su comportamiento en las distintas sesiones.

Product Advisor

Contexto

Cada cliente puede tener una lista de innumerables productos, puede saber cuáles son los más visitados o los que más ventas producen, pero esto no siempre quiere decir que sean los productos con mejor rendimiento.

Objetivo

El Product Advisor será una herramienta en la que los productos de un comercio electrónico se clasificarán en un determinado periodo dependiendo de su rendimiento y su stickness.

  • El rendimiento depende del número de vistas y compras.
  • El stickness depende del número de veces que se añade al carrito y las compras.

Se desea buscar el interés que genera un producto y la idea es valorar, en función de estas variables, el éxito que tiene en la web.

Metodología

Se clasifica cada producto en función de sus vistas y compras.

Modelo de atribución

Contexto

En el momento en que un usuario realiza una transacción por una web, se debe asociar esa compra a un canal. Si un usuario ha realizado una única sesión y ha comprado, no hay problema, pero ¿qué pasa con aquellos usuarios que han realizado varias sesiones?¿se debe premiar solamente al último canal que es por el que ha hecho la compra?

Objetivo

Aportar una visión omnicanal que incluya intención y contexto. Yendo mucho más allá de los canales de adquisición. Atribuir las conversiones y el revenue a los distintos canales teniéndolos a todos en cuenta y basándonos en los datos en lugar de en criterios arbitrarios.

Metodología

Para la elaboración del modelo se tienen en cuenta paths de canales tanto de conversión como de no conversión de cada usuario. Se utiliza una modelización estadística basada en modelos de Markov. El uso de cadenas de Markov nos permite cambiar de modelos heurísticos a probabilísticos. Podemos representar cada “path” del cliente como una cadena en un gráfico de Markov, donde cada vértice es un canal y los bordes representan la probabilidad de pasar de uno al otro. Una vez calculado el grafo, se calcula la atribución de cada canal por efecto de eliminación.

Minerva 2.0

Contexto

En este caso, se trata de llevar el aprendizaje automático al mundo offline. El objetivo es recomendar productos por pantallas inteligentes con el fin de aumentar las ventas y mejorar la experiencia del cliente. Ahora bien, seguramente una persona mayor no comprará lo mismo que un adolescente, o en un día de frío no se consumirá tanto helado como en verano, o incluso las ventas pueden variar dependiendo del momento horario.

Objetivo

Crear un recomendador de productos que para favorecer al marketing digital que ofrece una plataforma de señalización digital inteligente a las tiendas físicas. Minerva utiliza la inteligencia artificial para predecir qué contenido de señalización digital será más atractivo para los clientes potenciales.

Metodología

Minerva utiliza diferentes algoritmos para reducir la dimensionalidad y determinar la importancia de las variables conjuntamente y para construir rankings bajo diferentes criterios que mostrarán los anuncios con más potencial.

Customer Lifetime Value

Contexto

Cada vez son más las empresas que cuentan con una gran cantidad de datos de sus clientes. Pero ¿podemos identificar cómo de valiosos son estos clientes para la empresa?

Objetivo

El Customer Lifetime Value (CLV) mide el valor que nos puede proporcionar un cliente en el futuro basado en la relación que mantiene con nuestros productos. El CLV recoge lo que ha ocurrido con los clientes en el pasado para construir un modelo que nos ayuda a predecir qué aportarán los clientes en el futuro.

Metodología

Desarrollamos un modelo estadístico que, en base al comportamiento del usuario, lo clasifica en comprador o no comprador de un futuro cercano.  Además, para mejorar la precisión de nuestro modelo CLV, éste se aplica a diferentes segmentos de clientes, esperando encontrar diferentes patrones de comportamiento entre ellos.

Se utilizó un modelo de redes neuronales para predecir la probabilidad que un cliente haga un pedido en un periodo determinado y la estimación del gasto de un cliente. El CLV permite ver la evolución de los segmentos a lo largo del tiempo y la probabilidad de transición de los miembros entre segmentos.

Basket Market Analysis

Contexto

Para la mayoría de los comercios existen productos que se suelen vender juntos, es muy difícil que en un bar se sirva comida sin una bebida para acompañar. Ahora bien, cuando el número de productos aumenta, es muy difícil identificar las relaciones entre los artículos.

Objetivo

Market Basket Analysis es una técnica de modelado basada en la teoría de que, si un cliente compra un determinado grupo de artículos, es más probable (o menos) que compre otro grupo de artículos. El conjunto de artículos que un cliente compra se conoce como un conjunto de elementos, y este análisis busca encontrar relaciones entre las compras.

Metodología

Para calcular la relación entre los productos utilizamos una serie de reglas probabilísticas:

Support: Es una indicación de la frecuencia con la que el conjunto de productos aparece en el conjunto de compras.

Confidence: Muestra el porcentaje con el que el producto Y es comprado con X.

Lift: Muestra el porcentaje con el que ambos productos son comprados conjuntamente, teniendo en cuenta cuando se venden por separado.

Maria Mestres

Maria Mestres

Share on facebook
Share on twitter
Share on linkedin
Share on email
4 min
Suscríbete a nuestra newsletter

Los mejores artículos de analítica digital para potenciar tu negocio.

Dejar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Entradas relacionadas