Machine learning para la segmentación y optimización de los costos de adquisición de clientes
dc.contributor.advisor | González Veloza, José John Fredy | |
dc.contributor.author | Forero González, Álvaro Antonio | |
dc.creator.email | aaforerog01@libertadores.edu.co | spa |
dc.date.accessioned | 2022-08-22T19:05:24Z | |
dc.date.available | 2022-08-22T19:05:24Z | |
dc.date.created | 2021 | |
dc.description | Este trabajo desarrolla un avance importante en la clasificación, predicción y segmentación de los afiliados a Casur, como parte de sus objetivos estratégicos facilitando la planeación de la entidad. Para ello, se adoptaron modelos básicos, de reglas, y posteriormente modelos machine learning de clasificación y clustering. De los cuales los primeros se utilizaron como base de comparación y los últimos dos se utilizaron como insumo en el resto del análisis. No obstante, debido a que los modelos tienen asociados error, se utilizó el modelo de distribución de probabilidad binomial para hallar el número de acercamientos comerciales necesarios para tener, como mínimo, una venta con una probabilidad del 99%; y optimizar, por esta vía, el modelo de adquisición de clientes, con lo que también se pudo comparar el mejor modelo, de acuerdo con la actualidad de la entidad. | spa |
dc.description.abstract | This work develops an important advance in the classification, prediction and segmentation of Casur affiliates, as part of its strategic objectives, facilitating the entity's planning. To do this, basic rule models were adopted, followed by machine learning classification and clustering models. Of which the first were used as a basis for comparison and the last two were used as input in the rest of the analysis. However, since the models have associated errors, the binomial probability distribution model was used to find the number of commercial approaches necessary to have, at least, one sale with a probability of 99%; and optimize, in this way, the customer acquisition model, with which it was also possible to compare the best model, according to the current state of the entity. | spa |
dc.format | spa | |
dc.identifier.uri | http://hdl.handle.net/11371/4971 | |
dc.language.iso | spa | spa |
dc.publisher | Fundación Universitaria Los Libertadores. Sede Bogotá. | spa |
dc.rights.acceso | Abierto (Texto Completo) | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.lemb | Machine learning | spa |
dc.subject.lemb | Análisis de costos | spa |
dc.subject.lemb | Estadística | spa |
dc.subject.lemb | Administración financiera | spa |
dc.subject.proposal | Clasificación | spa |
dc.subject.proposal | Costo de adquisicion de clientes | spa |
dc.subject.proposal | Aprendizaje automático | spa |
dc.subject.proposal | Agrupamiento | spa |
dc.subject.subjectenglish | Machine learning | spa |
dc.subject.subjectenglish | Clasificación | spa |
dc.subject.subjectenglish | Clustering | spa |
dc.subject.subjectenglish | Customer acquisition cost | spa |
dc.title | Machine learning para la segmentación y optimización de los costos de adquisición de clientes | spa |
dc.type | info:eu-repo/semantics/bachelorThesis | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- ÁLVARO_ANTONIO_FORERO_GONZÁLEZ_2021.pdf
- Tamaño:
- 451.71 KB
- Formato:
- Adobe Portable Document Format
- Descripción: