IN5602 – Marketing II

Introducción a
Modelos Probabilísticos
Marco Conceptual

Marcel Goic (mgoic@dii.uchile.cl)

El enfoque de modelos
Semestre Primavera 2011 probabilísticos

1 2

Lógica de los modelos probabilísticos Uso de modelos probabilísticos

• Muchos analistas tratan de describir y predecir el • Entender patrones de comportamiento a nivel
comportamiento de los consumidores usando variables
observables desagregado.
– regresión, arboles de decisión, etc.
• Hacer predicciones de comportamiento mas allá de los
• En esta primera parte consideraremos el comportamiento
como si fuera “aleatorio” datos que observamos.
– Enfoque alternativo: decisiones racionales.

• Generar benchmarks para la evaluación de estrategias

• Buscamos modelos que nos permitan tomar decisiones:
– Que nos permitan explicar elementos identificables del comerciales.
comportamiento del consumidor (contar una historia)
– Que nos permitan hacer inferencia a nivel del individuo
(o al menos al nivel de grupos de individuos).

3 4
 Metodología(1)
1) Determinar el problema de decisión de marketing y la
información requerida.
2) Identificar el comportamiento observable de interés a
nivel individual (típicamente denotamos esto como x).
3) Seleccionar una distribución de probabilidad que
caracterice este comportamiento a nivel individual.
– Típicamente denotamos esto como f (x|θ).
– Consideramos los parámetros de esta distribución
como características latentes de nivel individual.
5 6
Metodología(3)
7) Estimar los parámetros (de la distribución de mezcla)
ajustando la distribución agregada a los datos que
observamos.
8) Usar los resultados del modelos para resolver el
problema de marketing planteado.
7 8
Metodología(2)
4) Especificar una distribución para caracterizar la
distribución de la características latentes en la
población.
– Típicamente denotamos esto por g(θ) y le llamamos
la distribución de mezcla (o modelo de
heterogeneidad).
5) Derivar la distribución agregada o distribución
observable de del comportamiento de interés.
f ( x ) = ∫ f ( x θ ) g (θ ) dθ
Resumen
• Tres modelos básicos de comportamiento:
– Timing : cuando
• Tiempo Continuo / Tiempo Discreto.
– Conteo: cuantos
– Elección: cual
• Cada uno de estos modelos tiene múltiples
aplicaciones!
• Fenómenos de comportamiento mas complejos
pueden ser modelados combinando los modelos
básicos.
 Modelos a Considerar
• Modelo de duración en tiempo discreto
– Proyección de tasas de retención de clientes.

• Modelo de duración en tiempo continuo

– Predicción de adopción de nuevos productos
Problema 1
• Modelo de conteo
– Estimación de exposición publicitaria. Modelos de Duración en tiempo
Discreto
• Modelo de elección
– Respuesta a campaña de marketing directo.

9 10

Problema de duración en tiempo discreto Modelos

• Adquirimos un cliente: Por cuantos periodos va a este
• Geométrica Desplazada
cliente a estar afiliado a la compañía? > Pr (T = t θ ) = θ (1 − θ )t −1 t = 1, 2,3,...
– Un usuario baja una aplicación para el i-phone. Por > Pr (T > t θ ) = (1 − θ ) t = 1, 2,3,...
t
cuantos periodos la va a usar?
– Adquirimos un cliente en un banco. Por cuantos • Geométrica Desplazada con segmentos
periodos permanecerá con el banco?
> Pr (T = t θ , θ , π ) = θ (1 − θ )t −1 π + θ (1 − θ )t −1 (1 − π ) t = 1, 2,3,...
– Un cliente compra un teléfono / plan de internet / 1 2 1 1 2 2

consola de video juegos / sistema operativo. Por ( 1 2 )

> Pr T > t θ , θ , π = (1 − θ ) π + (1 − θ ) (1 − π )
1
t
2
t
t = 1, 2,3,...
cuantos periodos lo va a usar?
• Beta Geométrica Desplazada
• Estos problemas los han visto en alguna de las clases – Derivar formula recursiva
que ya han tomado con Probabilidad 1!

11 12
 Beta Geometrica Desplazada Formas de una Distribución Beta
( ) ∫ Pr (T = t θ ) Beta (θ α , β ) dθ
1
> Pr T = t α , β =
0

θ α −1 (1 − θ )
β −1

= ∫ θ (1 − θ )
1 t −1
dθ
0 B (α , β )
B (α + 1, β + t − 1) Notar que puede ser escrita como
=
B (α , β ) una formula recursiva.

( ) ∫ Pr (T > t θ ) Beta (θ α , β ) dθ
1
> Pr T > t α , β =
0

θ α −1 (1 − θ )
β −1

= ∫ (1 − θ )
1
dθ
t
0 B (α , β )
B (α , β + t ) Notar que puede ser escrita como
=
B (α , β ) una formula recursiva.

Recordar que B (α , β ) = ∫0 t α −1 (1 − t )
1 β −1
dt 13 14

Resultados: beta-geométrica Resultados: Proyección de Tasas de Retención

100%

100% 95%

90% 90%

80% 85%
El máximo de la log- 70% 80%

% Activo
verosimilitud es 60% 75%
% Activo

LL=−1680.27 que 50% 70%

ocurre en α=0.7041, 40% 65%

60%
y β=1.1820 30%

20% 55%

10% 50%

0% 1 2 3 4 5 6 7 8 9 10 11 12

0 1 2 3 4 5 6 7 8 9 10 11 12 Año
Real BG
Año
Real BG

15 16
Conceptos y Herramientas Introducidas
• Lógica y uso de modelos probabilísticos.
IN5602 – Marketing II

• Metodología para el uso de modelos probabilísticos. Introducción a

Modelos Probabilísticos
• Listado de modelos probabilísticos que estudiaremos.

• Modelo 1: Modelo de duración en tiempo discreto.

Marcel Goic (mgoic@dii.uchile.cl)
Semestre Primavera 2011

17 18