Documentos de Académico
Documentos de Profesional
Documentos de Cultura
para la toma
de decisiones
“La modelización
matemática es el arte de
aplicar la matemática a
situaciones de la vida real”
Niss,Mogens 1989
Ejemplos:
Segmentación -> Clustering, K-Means
Asociación -> Ofertas de productos venta cruzada
Otros Ejemplos:
• Recomendaciones de compra basado en historial de compras y navegación
• Agrupar artículos que se suelen vender juntos.
https://www.youtube.com/watch?v=PpqP3bFX1J4
© Profesores del Curso – Gestión para la Toma de Decisiones
6
Indicador:
Análisis de Canastas de Compra
https://www.youtube.com/watch?v=PpqP3bFX1J4
© Profesores del Curso – Gestión para la Toma de Decisiones
7
Segmentación (Clustering)
Objetivo: Organizar en grupos homogéneos
Poco valor
Valor Medio
Alto valor
Otros Ejemplos:
• Identificar áreas de similar topografía
• Buscar tipologías de clientes
p1
p3 p4
p2
p1 p2 p3 p4
Dendrograma Particional
Conglomerado Particional
p1
p3 p4
p2
p1 p2 p3 p4
Clonglomerado Jerarquico Dendograma Jerarquico
© Profesores del Curso – Gestión para la Toma de Decisiones
9
Algoritmos No Supervisados
𝑺(𝑪𝒆𝒓𝒗𝒆𝒛𝒂 ∪ 𝑷𝒖𝒓𝒆)
𝑪=
𝑺(𝑪𝒆𝒓𝒗𝒆𝒛𝒂) Confianza (Cerveza➔ Pure)= 1/2=50%
En este caso el denominador indica la cantidad de veces en las cuales se ha presentado el producto antecedente (en mi ejemplo es Cerveza),
ocurriendo Cerveza, en nuestro caso en 2 transacciones.
En el numerador, se coloca, en cuantas de esas veces, también se compró el producto consecuente de la relación (en este caso en cuantas
TAMBIEN hubo Pure (además de Cerveza) en esas veces). Esto saldría 1 sola vez.
Entonces la confiabilidad es 1/2 para Cerveza=> Pure, que se leería confianza de que se compre el producto Puré, habiéndose comprado también
el producto Cerveza.
© Profesores del Curso – Gestión para la Toma de Decisiones
14
Análisis de Canasta de Compras
• Ganancia (Lift): Es un valor o puntaje que representa que antecedente y consecuente aparecen muchas
veces juntos mas de lo esperado; esto significa que la ocurrencia del antecedente tiene positivo efecto
sobre la ocurrencia del consecuente o que el antecedente esta positivamente correlacionado.
• Ejemplo:
𝑺𝒖𝒑𝒑𝒑𝒐𝒓𝒕 (𝑿∪ 𝒀)
𝑳𝒊𝒇𝒕 =
𝑺𝒖𝒑𝒑𝒐𝒓𝒕 𝑿 .𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝒀)
#1 #2 #3
En el numerador va el # de veces que (Cerveza, Pure) se repite y observamos 1 vez, y dividido en el # de transacciones.
En el denominador va el # de veces que (Cerveza)aparece y observamos 2 veces y dividido en el # de transacciones.
En el denominador va el # de veces que (Pure) aparece y observamos 1 vez, y divido en el # de Transacciones.
Se realiza los cálculos y se obtiene el puntaje de Ganancia = 1.5
https://www.youtube.com/watch?v=PpqP3bFX1J4
ORANGE CANVAS
Modelos de
Asociación
Tabla de Datos
Tabla de Archivos
Modelo de Item
Frecuentes
© Profesores del Curso – Gestión para la Toma de Decisiones
21
Caso práctico: Modelo Reglas de Asociación
Tabla de
Datos