Вы находитесь на странице: 1из 6

UNIVERSIDAD ESAN

PROGRAMA: PAE EN BUSINESS INTELLIGENCE 2016-1


CASO
CASO 3: QUIN COMPRA LA CARNE EN LA TIENDA DE ALIMENTOS DE
SALUD?

CURSO: Minera de Datos en la Gestin Empresarial

PROFESORES: Jorge Aguinaga Alvites

GRUPO: 02

INTEGRANTES:
Daz Ruiz Christian Eduardo
Garca Saravia Fabiola Geraldine
Melndez Alfaro Natividad
Urbina Garca Giovanna Martina
Muchaypia Gutirrez Jorge
Tineo Nieves Anthony Kevin

Noviembre 2016
CASO 3: QUIN COMPRA LA CARNE EN LA TIENDA DE ALIMENTOS DE
SALUD?
El caso emplea como herramientas de Data Mining reglas de Asociacin de Anlisis
de Cesta de Mercado, Clustering de clientes y Arboles de Decisin, para ayudar a
determinar quin compra carne en la tienda de alimentos saludables y comprender el
comportamiento del cliente.

I. ANLISIS DE CESTA DE MERCADO

Usa informacin de lo que compran los clientes para intentar descubrir


Quin? Y Por qu? Se compran esos productos. Se puede determinar dos
tipos de anlisis:

a. Anlisis de clientes: El Anlisis de Cesta de Mercado utiliza la


informacin sobre lo que compra un cliente para darnos una idea de
quines son y por qu realizan ciertas compras.

b. Anlisis de productos: El Anlisis de Cesta de Mercado nos da una idea


de la mercanca dicindonos qu productos tienden a ser comprados
juntos y que son ms susceptibles de compra.

Se pretende encontrar todas las reglas X Y que correlacionan la presencia


de un conjunto de elementos X con otro conjunto de elementos Y. Ejemplo:
Cuando un cliente compra pan y mantequilla, compran leche el 85% del
tiempo.

II. MEDIDAS PARA EL ANLISIS DE CESTA DE MERCADO

Las relaciones entre productos se miden por:

Importancia Relativa: indica el porcentaje de transacciones que llevan el


antecedente y el consecuente, con respecto al total de transacciones
analizadas. Ejemplo: {arroz, pur, cerveza}, {arroz, helado, pan}, {arroz,
bebida, cerveza}

Importancia Relativa (arroz cerveza) = 2/3 = 66%

Este indicador seala que tan frecuente es la relacin entre productos con
respecto al universo de boletas. Pero no indica si existe vnculo entre
ambos productos.

Confiabilidad: indica el porcentaje de transacciones que llevan el


antecedente y el consecuente juntos, con respecto al total de transacciones
que llevan el antecedente. Ejemplo: {arroz, pur, cerveza}, {arroz, helado,
pan}, {arroz, bebida, cerveza}

Confianza (cerveza pur) = = 50%

Esta relacin seala el vnculo o sinergia entre ambos productos


(probabilidad condicional).
Ganancia: puntaje que representa el aumento en la probabilidad de
seleccin del consecuente, al ser comprado en conjunto con el
antecedente.

Ganancia (AB) = Confianza(AB) / Importancia Relativa (B)

Ejemplo: {arroz, pur, cerveza}, {arroz, helado, pan}, {arroz, bebida,


cerveza}

Ganancia (helado arroz) = 1/1 = 1


Ganancia (bebida pur) = 0,5/0,3 = 1,5

Con estos indicadores podemos entender las relaciones entre clientes

III. ALGORITMO APRIORI

Algoritmo de Bsqueda de Asociaciones de Productos (Agrawal, 1994).

Dado valores de confianza e importancias relativas, busca las relaciones


entre productos que cumplan esos requisitos.

Tiempos de solucin razonables.

Encuentra slo las relaciones ms fuertes entre productos y no las de un


producto en particular.

IV. BENEFICIOS EN SUPERMERCADOS

Identificacin de preferencias y gustos de los clientes

Reforzar esas preferencias


Incentivar a otros clientes a tomar estas preferencias
Conocimiento encontrado:
Identificacin de la canasta tpica de los clientes de la cadena.
Los clientes compran habitualmente productos sustitutos por
ejemplo:
- Omo y Drive
- 1+1 y yogurt batido
Se encuentran relaciones entre productos de distintas categoras
por ejemplo:
- Detergente con Yogurt
- Detergente con Leche
- Yogurt con Mayonesa

El sistema de Anlisis de Canasta permitir:

Conocer y entender el comportamiento de compra de los clientes


En base a las preferencias, ofrecer ofertas y promociones de
acuerdo a las asociaciones
- Campaas ms exitosas
- Campaas menos costosas
Anticipar cambios en las preferencias de los clientes y actuar
oportunamente
Aumento en las ventas de la cadena
Clientes ms satisfechos y leales

V. USOS Y APLICACIONES

Las relaciones entre productos permiten apoyar decisiones como:

Armado de Packs (Consulta de Canasta).

Entre 2 productos de alta rotacin de distintas categoras pero del mismo


proveedor + un producto de baja rotacin y alto margen.

Entre 2 productos de alta rotacin de categoras y proveedores distintos +


un producto de baja rotacin y alto margen.

Descuentos: Polticas agresivas para productos que se venden juntos, con


alta confiabilidad.

Distribucin en sala de Categoras Diseo de Layout.

Relaciones entre proveedores y sus productos.

Relaciones entre lneas y sub-lneas de productos.

VI. EJEMPLOS DE APLICACIN DE DATA MINING

Anlisis market basket: usado para determinar qu cosas van juntas en un


carro de compras en el supermercado. Este anlisis se usa comnmente
en las tiendas para determinar la ubicacin de los productos dentro de la
misma con el fin de potenciar o hacer uso de estas asociaciones, por
ejemplo si existe una asociacin muy fuerte entre el tem A y el B, se
pueden posicionar cercanamente para forzar la compra o lejanamente para
que el consumidor, que significativamente buscar el objeto B pase por
otros productos de la tienda antes de dar con el producto deseado.

Dentro de las diferentes aplicaciones que podemos atribuirle a esta


herramienta, se puede mencionar el anlisis realizado dentro de las
Pizzeras. Como ejemplo de anlisis, si una Pizzera quiere realizar
combos para impulsar sus ventas podra realizar lo siguiente:

*Tipos de pizzas que produce: pepperoni, queso y hongos.


*Clculo de medidas de asociacin

VII. POSIBLES USOS DE CLUSTERING EN EMPRESAS FINANCIERAS


Marketing

El crecimiento de la competencia en la tecnologa ha resaltado la importancia


de retener a los clientes actuales y obtener nuevos clientes, por lo que es
importante analizar el comportamiento del cliente. Para ello es necesario
segmentar nuestros clientes.

Se puede realizar segmentacin de clientes bancarios mediante tcnicas de


agrupacin con el objetivo de aplicar estrategias de marketing para cada grupo
de clientes. Hoy en da debido a la gran cantidad de clientes en el sector
bancario, se puede analizar los datos obtenidos para detectar patrones ocultos
en los datos y poder mejorar el nivel de servicios bancarios a cada grupo de
clientes. El anlisis de los datos se puede realizar utilizando varios algoritmos,
entre ellos el agrupamiento K-means e integrarla con el algoritmo de asociacin
de reglas A priori.

Riesgos

Los ejecutivos de bancos necesitan saber si los clientes con los que tienen una
relacin comercial son fiables o no. Ofrecer nuevas tarjetas de crdito a los
clientes, ampliar las lneas de crdito de los clientes existentes y aprobar los
prstamos pueden ser decisiones riesgosas para los bancos si no saben las
caractersticas de sus clientes. Sin embargo, Datamining puede reducir el
riesgo de que los bancos emitan tarjetas a clientes que no tienen las
caractersticas adecuadas. Un descubrimiento que se detect es que los
titulares de las tarjetas que usaron dinero en los casinos tenan ndices ms
altos de participar en delincuencias o est en la bancarrota.

Fraude

Ser capaz de detectar acciones fraudulentas es una preocupacin por muchas


empresas; Y con la ayuda de datamining de estn detectando ms acciones
fraudulentas. Dos enfoques diferentes han sido desarrollados por Instituciones
financieras para detectar patrones de fraude. En el primero, un banco utiliza el
datwarehouse de un tercero (que potencialmente contiene informacin de
transacciones de muchas empresas) y utiliza programas de minera de datos
para identificar fraudes patrones. En el segundo, la identificacin del patrn de
fraude se basa estrictamente en la propia informacin interna del banco

Tiempo Real

Otros usos interesantes es la integracin del DataMining con el CRM Digital en


tiempo real para realizar las siguientes acciones:

VIII. CONCLUSIONES

Las reglas de asociacin de los modelos de data mining brinda soporte en


la toma de decisiones, diagnstico y prediccin y anlisis de informacin.

La minera de datos se puede utilizar para mejorar la decisin de colocacin


de estanteras.

La minera de datos se puede utilizar para identificar un grupo pequeo,


pero significativo.

IX. BIBLIOGRAFA

Berry, M., Linoff, G. (2000). Who is buying what? Getting to know supermarket
shoppers. En Mastering data mining: the art and science of customer
relationship management (pp.395-433) (494p.). New York: John Wiley & Sons

Похожие интересы