- Konzultační služby
8-wk Implementacion de Modelo de Propension usando Azure Machine Learning
Implementación de un sistema de análisis de su base de clientes, utilizando Synapse Analytics, que le permita reconocer quienes pueden ser m ás propensos a contratar sus servicios
This application is available in Spanish.
¿Quiere conocer qué clientes son más propensos a adquirir un producto que usted vende? ¿Quiere identificar a clientes a quienes realizarle un up selling o cross selling? ¿Quiere colocar una tarjeta de crédito o un nuevo préstamo? En machine learning, un modelo de propensión (propensity model en inglés) es un tipo de modelo predictivo que se utiliza para estimar la probabilidad de que un evento ocurra en el futuro, dado un conjunto de características o atributos del individuo u objeto. Por lo general, se utiliza para predecir la probabilidad de que un individuo realice una determinada acción o comportamiento, como comprar un producto, responder a una oferta o participar en una encuesta.
El modelo de propensión es útil en muchas aplicaciones de marketing, publicidad y análisis de datos, ya que puede ayudar a las empresas a identificar a los individuos que tienen una mayor probabilidad de realizar una acción deseada y dirigir sus esfuerzos de marketing o publicidad de manera más efectiva.
Para crear un modelo de propensión, se utiliza un conjunto de datos históricos que contiene información sobre las características de los individuos y si realizaron o no la acción deseada en el pasado; todo ese histórico de datos se lleva a Azure Synapse Analytics, donde se exploran los datos y se limpian para dejarlos listos para analizar. A partir de tener los datos en un data lake en Synapse, se continúa desarrollando modelos de datos para explorar la información. Por medio del procesamiento de Spark que tiene Synapse, el modelo se entrena para aprender patrones en los datos históricos y luego se utiliza para predecir la probabilidad de que los nuevos individuos realicen la acción deseada en el futuro.
Los modelos de propensión pueden construirse utilizando una variedad de técnicas de machine learning, como regresión logística, árboles de decisión y redes neuronales. El resultando de la exploración de la información permite visualizar cuáles son los clientes más propensos a adquirir alguno de los bienes y/o servicios que tiene para ofrecerles. Toda la información analizada se visualiza en tableros de Power BI para ejecutar acciones comerciales hacia estos clientes más propensos.