Show simple item record

dc.contributor.advisorCruz Castro, Daniel Leonardo
dc.contributor.authorJiménez Quintero, Paula Andrea
dc.date.accessioned2017-06-29T14:42:32Z
dc.date.available2017-06-29T14:42:32Z
dc.date.issued2016-07-16
dc.identifier.citationJiménez, P. (2016). Comparación de modelos predictivos para propensión de compra y su caracterización mediante análisis de datos textuales. (Trabajo de pregrado). Universidad Santo Tomás. Bogotá, Colombia
dc.identifier.urihttp://hdl.handle.net/11634/3849
dc.descriptionRecientemente las aplicaciones de CRM (customer relationship management) y los planes de lealtad se han masi ficado, permitiendo a las empresas obtener mayor información de sus clientes y monitorear sus transacciones. Está información además de mostrar cómo está el cliente actualmente, puede permitir conocerlo a profundidad y con ello poder por ejemplo marcar a los clientes m as valiosos, segmentar la población para crear productos llamativos, predecir algunos comportamientos futuros como la deserción, establecer la próxima mejor oferta, defi nir las oportunidades de venta cruzada y el perfi l del cliente más propenso en una determinada campa~na comercial. En este articulo se presenta el tema de la comparación de modelos predictivos de la posibilidad de compra para un individuo en las campañas comerciales y su caracterización mediante análisis de datos textuales. Se aplicaron métodos predictivos de Redes Neuronales, Maquinas de Soporte Vectorial, Regresión Logística binomial, modelo Bayesiano y Árboles de Clasi ficación. Se realiza la selección del mejor modelo mediante validación cruzada, su acuraccy, precisión y el área bajo la curva ROC. Adicionalmente, se realizó un análisis de datos textuales para relacionar las opiniones de los clientes y su posibilidad de compra.spa
dc.description.abstractRecently CRM (customer relationship management) applications and loyalty schemes have become massive, allowing companies to get more information about their customers and monitor their transactions. It is information in addition to showing how is the current customer, you can allow to know in depth and thus can for example mark the most valuable customers, segment the population to create eye-catching products, predict some future behaviors such as desertion, set the next best deal , de ning cross-selling opportunities and customer pro le more prone in a given marketing year. In this article the issue of comparison of predictive models of the possibility of purchase for an individual in commercial campaigns and their characterization is presented by analysis of textual data. predictive methods Neural Networks, Support Vector Machines, Binomial Logistic Regression, Bayesian Model and Classi cation Trees were applied. selecting the best model by cross-validation, your acuraccy, accuracy and area under the ROC curve is performed. In addition, a textual data analysis was performed to relate the opinions of customers and their ability to purchase.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherUniversidad Santo Tomásspa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleComparación de modelos predictivos para propensión de compra y su caracterización mediante análisis de datos textualesspa
dc.typebachelor thesis
dc.description.degreenameProfesional en estadísticaspa
dc.publisher.programPregrado Estadísticaspa
dc.publisher.facultyFacultad de Estadísticaspa
dc.subject.keywordPredictive models
dc.subject.keywordSegmentation
dc.subject.keywordTextual data
dc.subject.lembModelos lineales (Estadística)
dc.subject.lembComportamiento del consumidor -- Métodos estadísticos
dc.subject.lembProbabilidades
dc.type.localTesis de pregradospa
dc.rights.localAbierto (Texto Completo)spa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.coverage.campusCRAI-USTA Bogotáspa
dc.description.domainhttp://unidadinvestigacion.usta.edu.co
dc.relation.referencesBaath, R. (2014), ‘Peter norvig’s spell checker in two lines of base r’. *http://www.sumsar.net/blog/2014/12/peter-norvigs-spell-checker-in-two-lines-of-r/
dc.relation.referencesBécue, M., Lebart, L. & Rajadell, N. (1992), ‘El análisis estadístico de datos textuales, la lectura según los escolares de enseñanza primaria.’, Anuario de Psicología . Facultad de Psicología U.B (55), 7–22.
dc.relation.referencesBetancourt, G. (2005.), ‘Las máquinas de soporte vectorial (svms)’, Scientia Et Technica pp. 67–72.
dc.relation.referencesEstadística Aplicada. Universidad de Salamanca., G. (2006), ‘Regresión y correlación. introducción a la estadística.’. *http://biplot.usal.es/problemas/libro/index.html
dc.relation.referencesFagerland, M., Hosmer, D. & Bofin, A. (2008), ‘Multinomial goodness-of-fit tests for logistic regression models.’, Statist Med. 27, 38–53.
dc.relation.referencesFlórez, A., Gutiérrez, A. & Zea, J. (2015), ‘Estimación por muestreo del índice de Gini para las localidades de Bogotá D.C. usando funciones en r’, Comunicaciones en Estadística 8(1), 59–79.
dc.relation.referencesGarcía, J. (2006), ‘Efectos de la colinealidad en el modelado de la regresión y su solución’, Cultura Científica y Tecnológica 16, 23–34.
dc.relation.referencesHosmer, DW, J. & Lemeshow, S. (1980), ‘Goodness-of-fit tests for the multiple logistic regression model.’, Communications in Statistics -Theory and Methods 9, 1043–1069.
dc.relation.referencesLebart, L., Salem, A. & Bécue, M. (2000), Análisis Estadístico de Textos, Vol. 2, ilustrada ed, Colección Educación. Serie Instrumentos.
dc.relation.referencesNorvig, P. (2007), ‘How to write a spelling corrector’. *http://norvig.com/spell-correct.html
dc.relation.referencesPardo, C. E., Ortíz, J. E. & Cruz, D. L. (2012), Análisis de datos textuales con dtmvic, in ‘XXII Simposio Internacional de Estadística, Bucaramanga.’
dc.relation.referencesVélez, M., Egurrola, J. & Barragán, F. (2012), ‘Uso de la puntuación de propensión (propensity score) en estudios no experimentales’.
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.subject.proposalModelos predictivosspa
dc.subject.proposalSegmentaciónspa
dc.subject.proposalDatos textualesspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.description.degreelevelPregradospa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia

Indexado por: