Análisis de Modelos para la Mezcla de Marketing desde la Perspectiva de Regresión Múltiple para una E-Wallet entre los Años 2019 y 2022

Pinzón Camacho, Cristian Camilo

Análisis de Modelos para la Mezcla de Marketing desde la Perspectiva de Regresión Múltiple para una E-Wallet entre los Años 2019 y 2022

dc.contributor.advisor	Pacheco Lopéz, Mario José
dc.contributor.author	Pinzón Camacho, Cristian Camilo
dc.contributor.corporatename	Universidad Santo Tomás	spa
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000775479
dc.contributor.googlescholar	https://scholar.google.com/citations?hl=es&user=a5SEoPgAAAAJ
dc.contributor.orcid	https://orcid.org/0000-0003-4752-703X
dc.date.accessioned	2023-02-06T21:58:59Z
dc.date.available	2023-02-06T21:58:59Z
dc.date.issued	2023-02-05
dc.description	En el marketing, la asignación adecuada de los recursos en las distintas formas de darse a conocer a los usuarios finales, se ha convertido en un cálculo en ocasiones difícil de trabajar y entender. Aún más, en los últimos tiempos, con la aparición de nuevas dinámicas a través de canales digitales que aumentan la complejidad del problema. La estadística ha generado diversos mecanismos para abordar este tipo de problemas analíticos, intentando dar explicación al comportamiento real de la variable de interés. El modelo de mezcla de marketing tiene procedimientos adecuados para exponer las combinaciones que aumentan el rendimiento de los esfuerzos realizados por un Anunciante consignados en diversas variables. Este trabajo implementa una estrategia que ayuda a definir cuáles son las variables, transformaciones y el modelo, basado en regresión, que permiten encontrar la mejor combinación, dando resultados óptimos del modelo que sean suficientes para predecir la mezcla de marketing más conveniente.	spa
dc.description.abstract	In marketing, the appropriate allocation of resources in the different ways of making yourself known to end users has become a difficult calculation to work out and understand. Even more so, in recent times, with the emergence of new dynamics through digital channels that increase the complexity of the problem. Statistics has generated several mechanisms to address this type of analytical problems, trying to explain the real behavior of the variable of interest. The marketing mix model has adequate procedures to expose the combinations that increase the performance of the efforts made by an advertiser consigned in several variables. This work attempts a strategy that helps to define which variables, transformations and model, based on regression, allow to find the best combination, giving optimal results of the model that are sufficient to predict the most convenient marketing mix.	eng
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Profesional en estadística	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	Pinzón Camacho, C. C. (2023). Análisis de Modelos para la Mezcla de Marketing desde la Perspectiva de Regresión Múltiple para una E-Wallet entre los Años 2019 y 2022. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.	spa
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/49387
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bogotá	spa
dc.publisher.faculty	Facultad de estadística	spa
dc.publisher.program	Rregrado estadística	spa
dc.relation.references	Armstrong, G., y cols. (2013). Fundamentos de marketing.	spa
dc.relation.references	Bartlett, P. L., Long, P. M., Lugosi, G., y Tsigler, A. (2020). Benign over- fitting in linear regression. Proceedings of the National Academy of Sciences, 117 (48), 30063–30070	spa
dc.relation.references	Carmona, F. (2005). Modelos lineales. Pub. Univ. de Barcelona, Barcelona	spa
dc.relation.references	De Mol, C., De Vito, E., y Rosasco, L. (2009). Elastic-net regularization in learning theory. Journal of Complexity, 25 (2), 201–230	spa
dc.relation.references	GitHub. (s.f.). Facebookexperimental/robyn, github. Available at: https://github.com/facebookexperimental/Robyn Accessed: November 23, 2022	spa
dc.relation.references	Joseph, J. V. (2006). Understanding advertising adstock transformations. Available at SSRN 924128	spa
dc.relation.references	McDonald, G. C. (2009). Ridge regression. Wiley Interdisciplinary Reviews: Computational Statistics, 1 (1), 93–100	spa
dc.relation.references	Mejuto Vázquez, S. (s.f.). Modelos de regresión con penalizacións	spa
dc.relation.references	Mhitarean-Cuvsinov, E. (2017). Marketing mix modelling from multiple regression perspective (Tesis Doctoral no publicada). MA thesis. KTH Royal institute of technology	spa
dc.relation.references	Neubig, R. R., Spedding, M., Kenakin, T., y Christopoulos, A. (2003). Inter- national union of pharmacology committee on receptor nomenclature and drug classification. xxxviii. update on terms and symbols in quan- titative pharmacology. Pharmacological reviews, 55 (4), 597–606	spa
dc.relation.references	ORTÍZ, D. E. G. (s.f.). Teoria del consumidor y teoria de la empresa	spa
dc.relation.references	Pandey, S., Gupta, S., y Chhajed, S. (2021). Marketing mix modeling (mmm)-concepts and model interpretation. Sandeep Pandey, Snigdha Gupta, Shubham Chhajed.	spa
dc.relation.references	Parast, L., McCaffrey, D. F., Burgette, L. F., de la Guardia, F. H., Golinelli, D., Miles, J. N., y Griffin, B. A. (2017). Optimizing variance-bias trade- off in the twang package for estimation of propensity scores. Health Services and Outcomes Research Methodology, 17 (3), 175–197	spa
dc.relation.references	Peñaloza, M. (2005). El mix de marketing: Una herramienta para servir al cliente. Actualidad contable faces, 8 (10), 71–81	spa
dc.relation.references	Ramos Castillo, L. (2018). Regresión lasso.	spa
dc.relation.references	Thompson, I. (2005). La mezcla de mercadotecnia. I. Thompson, La mezcla de mercadotecnia, 2	spa
dc.relation.references	Tucker, I. B. (2002). Fundamentos de economía y microeconomía. Interna- tional Thompson, Tercera edición, México.	spa
dc.relation.references	Wolfe Sr, M. J., y Crotts, J. C. (2011). Marketing mix modeling for the tourism industry: A best practices approach. International Journal of Tourism Sciences, 11 (1), 1–15.	spa
dc.relation.references	Zou, H., y Hastie, T. (2003). Regression shrinkage and selection via the elastic net, with applications to microarrays. JR Stat Soc Ser B, 67 , 301–20. 29	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keyword	Models	eng
dc.subject.keyword	Marketing	eng
dc.subject.keyword	Lasso	eng
dc.subject.keyword	Elastic Net	eng
dc.subject.keyword	Ridge	eng
dc.subject.keyword	Regression	eng
dc.subject.lemb	Estadística	spa
dc.subject.lemb	Marketing	spa
dc.subject.lemb	Usuarios	spa
dc.subject.proposal	Modelos	spa
dc.subject.proposal	Marketing	spa
dc.subject.proposal	Regresión	spa
dc.subject.proposal	Lasso	spa
dc.subject.proposal	Elastic Net	spa
dc.subject.proposal	Ridge	spa
dc.title	Análisis de Modelos para la Mezcla de Marketing desde la Perspectiva de Regresión Múltiple para una E-Wallet entre los Años 2019 y 2022	spa
dc.type	bachelor thesis
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.local	Tesis de pregrado	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion