Modelos Aplicados a

Marketing y Finanzas

0
Los modelos analíticos son la base que tienen las empresas para realizar la
toma de decisiones. Es importante aterrizar cada una de las aplicaciones y
generar valor al negocio, de esta manera se construyen metodologías que
desde la Data Science pueden tener una aplicación a marketing y finanzas, 1

esto será objeto de estudio del presente módulo.

Tabla de contenido

1. Introducción a las aplicaciones de Big Data a Marketing y Finanzas ..... 2

2. Canasta de mercado............................................................................. 6
2.1. Soporte, Confianza y Lift ................................................................ 8
2.2. Modelo de canasta de mercado ................................................... 12
2.3. Aplicación de retail ...................................................................... 14
2.4. Aplicación a Text Analitycs ........................................................... 22
2.5. Otras aplicaciones ........................................................................ 24
3. Afinidad de producto ......................................................................... 25
3.1. Teoría de grafos ........................................................................... 27
3.2. Otras aplicaciones ........................................................................ 30
4. Modelos de precios ............................................................................ 31
4.1. Elasticidad de precios................................................................... 33
4.2. PSM: Price Sensitivy Meter .......................................................... 35
4.3. Garbor Granger ............................................................................ 37
4.4. Conjoint Analysis .......................................................................... 38
4.5. Utilidad ........................................................................................ 40
5. Modelo de lealtad del cliente ............................................................. 41
Referencias .............................................................................................. 43
Glosario .................................................................................................... 44
1.Introducción a las aplicaciones de Big Data a Marketing
y Finanzas
2
Para las compañías no solamente es interesante la realización de modelos
matemáticos, sino que también, exista una aplicación directa al caso de uso
específico que se tiene dentro de la misma.

Cuando una compañía desea realizar un análisis de los precios, es decir;

saber cómo va a tener un margen de ganancia más alto en la optimización
y uso del precio, es necesario combinar un modelo matemático con una
aplicación de marketing. De esta manera, la compañía va a tener un mejor
resultado por la combinación de estos mundos y puede generar un precio
estándar en el que puede ser competitivo y a su vez, tener un gap.

Las aplicaciones Data Science nacen de la necesidad de las compañías por

cuidar a sus clientes, por ende, es importante realizar un modelo de lealtad
a través del cual se puedan encontrar cuáles son las variables más
importantes para este a la hora de evaluar la eficacia y la calidad del servicio
o producto que se le está ofreciendo.
La combinación de un modelo matemático permitirá encontrar cuáles son
las variables más importantes para que al interior de una organización se
haga una optimización sobre ellas y se mejore su calidad, y por tanto, el KPI
de la calidad del cliente tenga una ganancia de manera importante.

3
Existen aplicaciones similares a las descritas anteriormente. A continuación,
se presentan algunas relacionadas con Marketing y Finanzas que debe
conocer:

Análisis de precios: este análisis busca una optimización desde el punto de

vista matemático sobre cuál debe ser el precio que mejor relación da a la
demanda con respecto al costo del producto que se tenga.

La empresa siempre debe tener en cuenta cuáles son las ventajas y

desventajas al incorporar un nuevo precio de un producto, así como
también, analizar cuál es su competencia, y cómo un pequeño movimiento
de precio puede impactar en la demanda del producto.

Imagen 1. Pricing.
Fuente: (Ixiade, s.f.)
¡Importante! El objetivo general es buscar una ecuación matemática:
 (𝑷𝒓𝒆𝒄𝒊𝒐=𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆+𝒅𝒆𝒎𝒂𝒏𝒅𝒂+𝒐𝒕𝒓𝒂𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔)

Esta debe permitir establecer una relación entre la demanda y el precio.

4
Puede darse un precio más alto y perder demanda, si sucede esto, lo que
financieramente se debe evaluar es la utilidad neta que deja el producto o
servicio.

Análisis de lealtad del cliente: los modelos de lealtad involucran variables

que contienen diferentes dimensiones de un servicio, las cuales impactan
sobre la decisión final de un usuario para creer en la compañía.

Ejemplo: En una compañía de telecomunicaciones las variables de mayor

impacto son calidad del servicio de voz, calidad de servicio de datos y la
facturación. Si los clientes empiezan a deteriorar su percepción frente a
alguno de estos tres aspectos, serán clientes vulnerables de retiro de
servicios de la compañía, por lo cual, se deberán tomar acciones para
mejorar y evitar su pérdida.

Análisis de sentimientos: determinar si un texto fue escrito con

sentimientos de ira, alegría o tristeza, es posible por medio de una técnica
de minería de datos la cual funciona con ayuda de un diccionario de
palabras previamente creado. Este diccionario permite identificar el uso de
palabras o frases relacionadas con los sentimientos.

De esta manera, se clasifican los escritores por patrones para saber cómo
se deben manejar las diferentes situaciones que se están analizando.

Ejemplo: en una noticia relacionada con el presupuesto estudiantil de un

país, se pueden derivar muchos comentarios sobre la propuesta del
gobierno. Para poder determinar si se tienen sentimientos a favor o en
contra, se puede realizar un análisis de textos para determinar cuál es el
sentimiento mayoritario entre las personas que han comentado.

5
Análisis de imágenes: dentro de los datos no estructurados se encuentran
imágenes que no son fáciles de clasificar cuando su volumen es alto. Es por
eso, que se hace necesario identificar formas para analizarlas y que
permitan resumir eventos como lugares, estaciones, tráfico, emociones,
colores y comida entre otros.

Las imágenes pueden transformarse en códigos que pueden ser utilizados

como datos numéricos que permiten ser analizados de una forma más
estructurada, para esto, estas deben tener una calidad y definición para así
llegar a ser más precisos en los análisis realizados

Ejemplo: en una granja de naranjas, estas se venden según su tamaño y

color. Es por ello, que todas se pasan por un escáner con el fin de crear un
algoritmo de fotografías que permita identificarlas y clasificarlas entre las
premium y las comunes.

Análisis de páginas web: una página web puede contener muchos caminos
pero no todos llegan a cumplir los objetivos esperados, razón por la cual, es
importante identificar cuál es las ruta más frecuente, más exitosa y menos
probable para realizar una compra.

Adicionalmente, es importante identificar opciones de mejora para

aquellos caminos que se tornan difíciles, ya que esto hace que se pierda la
oportunidad de compra en los clientes. Todo esto se realiza analizando la
URL que deja cada uno de ellos y combinando diferentes variables dentro
de la página web.
Ejemplo: los lunes por la mañana es el día que más se venden frutas y
verduras, por otro lado, el viernes en la tarde la venta de licores se dispara
en un 100%. De esta manera, la ubicación en cierto tipo de lugar geográfico
dentro de la tienda para algunos ítems específicos hace que se tenga más
probabilidad de hacer compras de licor los días viernes o de incrementar la
venta de frutas los días lunes. 6

Análisis y evolución de marca: estos análisis establecen la relación que

existe entre los atributos de una marca y el producto, o marca como tal. Es
por eso que se debe analizar cuáles son los atributos que un comprador
relaciona a la hora de tomar la decisión de compra.

2. Canasta de mercado

¿Sabía usted que los modelos de canasta de mercado establecen una

relación entre dos productos?

La pregunta realizada demuestra que existe una correlación entre comprar

pañales y llevar cervezas, es decir; es una correlación que no es causal, ya
que una investigación determinó que la mayoría de padres son quienes en
los primeros meses hacen las compras de productos, y por eso llevan
pañales, y a su vez, tienen gusto por comprar cerveza.

Imagen 2. Ejemplo de tickets de mercado.

En la imagen 2, se pueden ver tres ejemplos de ticket de un supermercado.
En el primero se muestra un cliente que ha comprado cervezas y papas; en
el segundo se muestra un cliente que ha comprado cerveza, jabón y queso, 7
y el tercero, un cliente que ha comprado gaseosa, arroz y queso. El principal
objetivo de la canasta de mercado, es analizar las compras que están
correlacionadas entre los tickets y entre cada uno de los clientes de la
siguiente manera:

• Los clientes 1 y 2 han comprado cerveza, mientras que los clientes 2

y 3 han comprado queso. La primera relación que se puede
establecer entre estos tickets es determinar cuál es la probabilidad
de comprar cerveza dado que un cliente compra queso, o calcular la
probabilidad de que un cliente compre queso dado que compró
cerveza.

Lo anterior representa los tickets de un supermercado. Ahora imagine un

retail real en el que puede haber más de diez mil ítems, o un gran almacén
mayorista el cual puede tener un millón de clientes.

Tenga presente que existen diferentes tipos de clientes. Encontramos

aquellos que hacen su principal compra al inicio del mes, otros, que son
muy específicos y compran ítems especiales, y finalmente, aquellos que
tienen una menor frecuencia de compra.

¡Información clave! Lo anterior quiere decir que se está generando una

Data de millones de registros donde hay millones de relaciones. Entonces,
lo que hace el algoritmo de canasta es depurar toda esta información y
entregar cuáles son las combinaciones más frecuentes y las que pueden ser
interesantes para el negocio.
Desde luego se va a descartar aquellas que son obvias, como es la compra
de pan con respecto a comprar huevos, pues no se necesita de analítica
para saber que estos productos se compran de una manera conjunta. Lo
que si será interesante es encontrar aquel producto con un margen de 8

ganancia determinado que impulsa la compra de otro ítem con una

ganancia superior.

2.1. Soporte, Confianza y Lift

Consideremos la siguiente canasta de mercado para la cual se establecen

las siguientes reglas de asociación:

Imagen 3. Ejemplo de canasta de mercado.

Fuente: (Berzal, s.f.)
De acuerdo a lo anterior podría deducir, ¿qué es una regla de asociación?

Una regla de asociación es encontrar para un producto a priori cuál es el

producto más probable a posteriori.

Ejemplo: para el ejemplo de las transacciones se desea establecer que si un

cliente compra pañales, entonces, ¿cuál es la probabilidad de comprar
cerveza?
Como segundo ejemplo, si un cliente compra leche y pan, ¿cuál es la
consecuencia de comprar huevos? También se pueden tener
combinaciones de productos o ítems en un tercer caso, tal como, que un 9

cliente compre cerveza y pan, entonces, ¿cuál es la consecuencia de

comprar leche y huevos? Cada uno de estos cuestionamientos serán
resueltos más adelante.

A continuación, se definen una serie de términos que dentro de la canasta

de mercado se deben tener en cuenta a la hora de analizar los productos.
Item set:

conjunto de uno o más ítems (artículos) contenidos en el ticket de compra,

un ejemplo de ello es:

{pan, huevos}

Regla de asociación:

Expresión de la forma
𝑥→𝑦

Donde X e Y son itemset, por ejemplo:

{𝑝𝑎ñ𝑎𝑙𝑒𝑠} → {𝑐𝑒𝑟𝑣𝑒𝑧𝑎}
{𝑐𝑒𝑟𝑣𝑒𝑧𝑎} → {𝑝𝑎ñ𝑎𝑙𝑒𝑠}
{𝑝𝑎𝑛, 𝑙𝑒𝑐ℎ𝑒} → {ℎ𝑢𝑒𝑣𝑜𝑠}
Soporte:

10
Es una fracción de las transacciones que contiene tanto a X como a Y, siendo
estos itemset.

La denotación es 𝑆𝑢 (𝑋 ∪𝑌) que consiste en buscar todas las parejas que

contengan el itemset X y el itemset Y.
3
𝑆𝑜𝑝𝑜𝑟𝑡𝑒({𝑝𝑎ñ𝑎𝑙𝑒𝑠}) = = 0.6
5
De todas las transacciones (5) existen 3 que compran pañales

4
𝑆𝑜𝑝𝑜𝑟𝑡𝑒({𝑐𝑒𝑟𝑣𝑒𝑧𝑎}) = = 0.8
5

De todas las transacciones (5) existen 4 que compran cerveza

3
𝑆𝑜𝑝𝑜𝑟𝑡𝑒({𝑐𝑒𝑟𝑣𝑒𝑧𝑎, 𝑝𝑎ñ𝑎𝑙𝑒𝑠}) = = 0.6
5

De todas las transacciones (5) existen 3 que compran cerveza y pañales

Confianza: Es una proporción o probabilidad, en donde en el denominador
están las transacciones de Y que están contenidas en las transacciones de
X. De otra manera es: cuántos clientes que compran Y sobre los clientes que
compran X y Y a la vez.

En términos matemáticos sería el soporte de X, Y sobre el soporte de X. Por

ejemplo:
 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎({𝑐𝑒𝑟𝑣𝑒𝑧𝑎} → {𝑝𝑎ñ𝑎𝑙𝑒𝑠})
= 𝑆𝑜𝑝𝑜𝑟𝑡𝑒({𝑐𝑒𝑟𝑣𝑒𝑧𝑎, 𝑝𝑎ñ𝑎𝑙𝑒𝑠})/𝑆𝑜𝑝𝑜𝑟𝑡𝑒({𝑐𝑒𝑟𝑣𝑒𝑧𝑎})

11
3
3
𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎({𝑐𝑒𝑟𝑣𝑒𝑧𝑎} → {𝑝𝑎ñ𝑎𝑙𝑒𝑠}) = 5 = = 0.75
4 4
5

¡Recuerde! La confianza se entiende como la probabilidad de comprar un

producto dado que ya se compró otro. En el ejemplo anterior se tiene un
75% de probabilidad de comprar pañales en clientes que ya compraron
cerveza.

Item Set Frecuente:

Item set con un soporte igual o superior a un valor predeterminado por el

analista, según la búsqueda que quiera realizar. Por ejemplo:

𝑠𝑢𝑝⁡(𝑋, 𝑌) ≥ 𝑀𝑖𝑛𝑆𝑢𝑝𝑝

Esto garantiza de alguna manera que se tengan item set frecuentes que
sean interesantes al negocio.
¡Importante! Dicho de otra manera, se puede encontrar una pareja con un
soporte bien bajo y una confianza bien alta. Entonces, de nada sirve para la
organización decirle a un supermercado que todos aquellos que compran
vino chileno Carmene Gran Reserva también compran queso holandés
Premium importado, pues seguramente, si se van a ver los resultados en el
supermercado, son muy pocos los clientes que realizan este tipo de
compras, razón por la cual, es muy difícil impulsar la compra de un ítem con
respecto al otro.
El tener un mínimo soporte hace que se tenga dentro de las transacciones
un set frecuente que pueda apalancar la venta de otro ítem.
12

Lift:

El lift establece la medida de apalancamiento entre un ítem con respecto a

otro. La interpretación es cuántas veces más se vende un ítem cuando está
acompañado de otro. El cálculo es:

sup(𝑥, 𝑦)
𝐿𝑖𝑓𝑡 =
𝑆𝑢𝑝(𝑥) ∗ 𝑆𝑢𝑝(𝑦)

¡Nota! Este valor puede tomar cualquier número real. Si el If es igual a 1

significa que no hay ningún efecto entre los dos ítems; es decir; que la venta
de uno es independiente a la venta del otro ítem. Pero si este indicador es
mayor a 1, se interpreta como que la venta del ítem consecuente se
incrementa por causa del ítem precedente.

2.2. Modelo de canasta de mercado

La canasta de mercado se establece en la medida en que se encuentra un

ítem precedente y un ítem consecuente, de tal manera, que tenga un
soporte interesante y una confianza alta.

Lo anterior en términos de negocios, es encontrar un par de parejas de

ítems a comprar en el supermercado de tal modo que tengan una
frecuencia que permita al negocio establecer alguna medida de ganancia, y
a su vez, permita establecer una serie de campañas para poder incrementar
la venta del ítem consecuente.

13
Una aplicación en general para un supermercado podría ser: encontrar que
las galletas de soda son el apalancador para vender modificadores de leche.
Entonces, es aquí donde el área de marketing establecerá una promoción,
una campaña o un precio especial en la combinación de la compra de estos
productos para que efectivamente haya un incremento en la venta de los
modificadores de leche. Aunque otra de las aplicaciones podría ser colocar
juntos los productos, de tal manera que todo aquel que esté comprando
galletas de soda tiene más probabilidad de comprar algún tipo de
modificador de leche.

Otro posible uso puede ser encontrar una pareja de ítems que se compran
frecuentemente; uno de ellos puede ser el papel higiénico y otro de ellos
puede ser el agua. La estrategia que se utilizará por parte del supermercado
será colocar los dos ítems lo más alejados posibles.

El resultado será que efectivamente un comprador que necesite alguno de

los productos o los dos, tenga que ir de un lado a otro generando que el
supermercado tenga tráfico, e incremente así, la posibilidad de que el
comprador en el camino pueda tomar un tercer ítem.
¡Información clave! El modelo es encontrar un ítem precedente (X) y un
ítem consecuente (Y). Es decir, se lee cuándo se compra X cuál es la
probabilidad de comprar Y.

𝒙→𝒚

Por lo tanto, con el soporte y la confianza, se establece el modelo de

canasta de mercado para encontrar items set frecuentes.
2.3. Aplicación de retail

14
A continuación, se muestra un ejercicio para que usted lo realice en R.
Cargue las siguientes librerías:

## Cargar los paquetes y las librerías

#install.packages(arules)
library(arules)
#install.packages(arulesViz)
library(arulesViz)
library(datasets)
## Cargar el conjunto de datosb
data(Groceries)

#detalles del set de datos

summary(Groceries)

El siguiente código da la salida:

summary(groceries)
En esta salida se puede observar el resumen de las transacciones. Por
ejemplo, se puede observar que 2159 clientes solo compran un producto,
1643 compran dos productos y, por último, hay un cliente que compra 32
productos. 15

Siguiendo con el ejemplo anterior, si le piden listar las primeras

transacciones de la data, ¿sabría cómo hacerlo?
Para resolver la pregunta anterior, siga los siguientes pasos:

1. Ingrese el siguiente comando:

inspect(groceries[1:5])

2. Con el comando anterior, usted podrá ver las siguientes

transacciones de la Data:

> inspect (groceries[1:5])

ítems
[1] {circuits fruit, margarine, ready soups, semi-finished bread}
[2] {coffe,tropical frui, yogurt}
[3] {whole milk}
[4] {cream cheese, meat spreads, pip fruit, yogurt
[5] {condensed milk, long life bakery product, other vegetables, whole
milk}

3. De la lista anterior se deduce que:

✓ El cliente 3 compró solamente leche entera.

✓ El cliente 5 hizo la compra de cuatro ítems, entre ellos, la leche
entera.
✓ Por lo cual se puede determinar que dos clientes tienen una
relación o congruencia en la compra de un ítem.
En ese orden de ideas, ¿cree que existe un código que muestra la relación
o la congruencia en la compra de un ítem o producto?

16
La respuesta es sí, para ello tenga presente lo siguiente:

1. Para conocer la relación o congruencia en la compra de un producto

se debe digitar el siguiente comando:
itemFrequency(groceries[, 1:3])

2. Tomando como referencia la siguiente lista, deseamos determinar la

relación o congruencia de la siguiente lista:

> inspect (groceries[1:5])

ítems
[1] {circuits fruit, margarine, ready soups, semi-finished bread}
[2] {coffe,tropical frui, yogurt}
[3] {whole milk}
[4] {cream cheese, meat spreads, pip fruit, yogurt
[5] {condensed milk, long life bakery product, other vegetables, whole milk}

Aplicando el comando anterior, escribimos lo siguiente:

> itemFrequency(groceries[, 1:5])

abrasive cleaner artif. Sweetener baby cosmetics baby food bag
0.035587189 0.0032536858 0.0006100661 0.0001016777 0.0004067107

3. El anterior comando identifica cuál es la frecuencia o soporte de cada

uno de los ítems. Mueva el valor que está en amarillo para
incrementar los ítems que quiere visualizar.

Por ejemplo, el producto comida para bebé tiene un soporte de

0.0001016 lo cual es bastante bajo.
 4. Con el siguiente código va a filtrar los suport que usted considere
interesantes. El resultado es la siguiente gráfica:

17
itemFrequencyPlot(groceries, support = 0.1)

Gráfico 1: Item set frecuentes.

Ejemplo: hagamos el ejercicio con un número de productos más frecuente;

con los primeros 15.

itemFrequencyPlot(groceries, topN = 15)

 18

Gráfico 2: Top 15 Item set frecuentes.

En la gráfica anterior, se observa cuáles son los productos más frecuentes
de mayor a menor. Aquí se establece que el segundo ítem más comprado
son otros vegetales.

Digite el siguiente código en R:

groceryrules <- apriori(groceries, parameter = list(support = 0.006, confidence = 0.25,

minlen = 2))

groceryrules

> Groceryrules
set of 463 rules

Para el ejemplo, la canasta de mercado de este Código R con la función a

priori, establece todas las posibles reglas que superan un soporte de 0.006
y una confidencia de 0.25, la longitud mínima de esa regla es 2. Esto quiere
decir que en el set de transacciones en el cual se está trabajando tiene 463
reglas que cumplen esta característica. Aquí se puede hacer una depuración
de esas reglas, a fin de encontrar un par de ítem set frecuentes que sean
interesantes para el negocio.
19

Teniendo en cuenta lo anterior, ¿cree que es posible realizar una

depuración de esas reglas?

¡Claro que sí! Es posible realizar una depuración a fin de encontrar un par
de ítem set frecuentes que sean interesantes para el negocio. Para ello siga
los siguientes pasos:

1. Escriba el siguiente código:

summary(groceryrules)

2. Al hacerlo, obtendrá el siguiente resultado:

> summary (groceryrules)

set of 463 rules
rule length distribution (1hs + rhs): sizes
2 3 4
150 297 16
Min. 1st Qu. Mean 3rd Qu. Max.
2.000 2.000 3.000 3.000 4.000
summary of quality measures:
support confidence lift count
Min. :0.006101 Min. :0.02500 Min. :0.9932 Min. :60.0
1st Qu.:0.007117 1st Qu.:0.2971 1st Qu.:1.6229 1st Qu.:70.0
Median :0.008744 Median :0.3554 Median:1.9332 Median :86.0
Mean :0.012303 Mean :0.3786 Mean :2.0351 Mean :113.5
3rd Qu.:0.012303 3rd Qu.:0. 3rd Qu.:2.3565 3rd Qu.:121.0
Max. :0.074835 Max. :0.6600 Max. :3.9565 Max. :736.0
mining info:
data ntransactions support confidence
groceries 9835 0.006 0.25
 3. Cuando se realiza el comando anterior, este arroja el resumen de las
reglas de asociación. Aquí establece que existen 150 reglas de
tamaño 2, 297 reglas de tamaño 3 y 16 reglas de tamaño 4.
20

rule length distribution (1hs + rhs):sizes

2 3 4
150 297 16

4. Ahora, el objetivo es ver cuáles son esas reglas. Aquí vamos a ver las
3 primeras reglas. Para ello, ingresamos el siguiente comando:

inspect(groceryrules[1:3])

El cual nos arroja:

> inspect(groceryrules[1:3])
1hs rhs support confidence lif count
[1]{potted plants} {whole milk} 0.006914082 0.4000000 1.565460 68
[2]{pasta} {whole milk} 0.006100661 0.4054054 1.586614 60
[3]{herbs} {root vegetables} 0.007015760 0.4312500 3.956477 69

5. La primera regla establece una relación entre comprar plantas de

macetas y leche entera. Es decir, quien compra plantas tiene un 40%
de probabilidad de comprar leche entera. Esta probabilidad se puede
leer en la confidence, de todo el universo de personas que compran
plantas que es el 0.69%, el 40% de ellos también compra leche
entera. El lift es de 1.565, lo que quiere decir que la compra de leche
entera es apalancada por la compra de plantas de maceta en 1.56
veces.
 > inspect(groceryrules[1:3])
1hs rhs support confidence lift
count
[1]{potted plants} {whole milk} 0.006914082 0.4000000 1.565460 68
[2]{pasta} {whole milk} 0.006100661 0.4054054 1.586614 60
[3]{herbs} {root vegetables} 0.007015760 0.4312500 3.956477 69
21

6. Con el siguiente código se establece traer un listado de reglas de

acuerdo a un criterio.

inspect(sort(groceryrules, by = "lift")[1:5])

7. El criterio que se está teniendo es que los ordene por el lift, de esta
manera la primera regla es que existen 69 clientes que compran
hierbas y compran vegetales de raíz, entonces el 43% de los clientes
que compra hierbas también compra vegetales de raíz. Esto quiere
decir que los vegetales de raíz son apalancados 4 veces a uno con
respecto a comprar hierbas; eso es lo que dice el lift. De 3.95 con los
vegetales de raíz incrementan sus ventas en los clientes que han
comprado hierbas.

> inspect(sort(groceryrules, by= “lift”)[1:5])

1hs rhs support confidence lift count
[1]{herbs} {root vegetables} 0.007015760 0.4312500 3.956477 69
[2]{berries} {whipped/sour cream} 0.009049314 0.2721713 3.796886 89
[3]{other vegetables,
tropical fruit,
whole milk} {root vegetables} 0.007015760 0.4107143 3.768074 69
[4]{beef,
other vegetables} {root vegetables} 0.0707930859 0.4020619 3.688692 78
[5]{other vegetables,
tropical fruit} {pip fruit} 0.009456024 0.2634561 3.482649 93

¡Síntesis! Usted puede ir depurando más las reglas de asociación,

cambiando el parámetro del soporte y la confianza según lo requiera.
Recuerde que el soporte es el grado de fuerza que tiene el ítem set
frecuente. En el ejemplo se están considerando soportes superiores al
0.6%. Esto da alrededor de 70 clientes dentro de 9800.

22
Esos valores se pueden modificar con el fin de tener un soporte más alto y
estar seguros de que la pareja que está hallando tiene más probabilidad de
encontrarse dentro de la tienda. De la misma manera, se puede mover la
confidencia para encontrar parejas que tengan más probabilidad de
comprarse una con respecto a la otra, y eso establece un lift mucho más
alto.

Si se desea conocer más información del código en R para la aplicación de

canasta de mercado continúe con los recursos o lecturas complementarias
del módulo.

2.4. Aplicación a Text Analitycs

El análisis de texto es una de las técnicas que dentro de Data Mining

establece el análisis de lo que está escrito en un texto. Dicho de otra
manera, existen técnicas analíticas para poder extraer la información que
está contenida dentro de un texto.
¡Ejemplo! Un ejemplo de lo anterior lo podemos observar en un tweet o en
una publicación de Facebook, ya que, desde el punto de vista de
programación se establecen técnicas para poder extraer la mayor
información de todos los tweets o de todos los mensajes que han sido
colocados en una red social.

El objetivo es poder interpretar toda la comunicación que se está

generando allí de manera inmediata y con la ayuda de algoritmos, tener una
clara interpretación de lo que están diciendo los usuarios.
Existen varias aplicaciones que nos permiten realizar un análisis de texto.
Una de ellas es el análisis de sentimientos que se explicó anteriormente, así
como verificación del autor, atribución y perfilación. Dichas aplicaciones se
muestran en la imagen. 23

Análisis de
texto

Perfilación de Análisis de
autor sentimientos

Atribución de Verificación
autor de autor

Imagen 4. Aplicaciones del Text Analytics

Ejemplo: como ejemplo podríamos tomar las múltiples noticias de

periódicos y leer los diferentes textos con el fin de pronosticar si la noticia
se atribuye a la oposición del gobierno o a su favor.
El análisis de canasta de mercado también puede ser extendido al Text
Analytics, es decir; en el análisis de asociación se relaciona un ítem
precedente y un ítem consecuente. A continuación, se ejemplifica a
profundidad loa anterior:

• Problema de análisis: de acuerdo a lo anterior, esa misma aplicación

se genera dentro del problema de análisis de texto, en donde
interesa experimentar y calcular cuál es la probabilidad de que
suceda una palabra consecuente antecedida de una palabra
precedente.
 • Grado de asociación: de una manera más simple, dentro de una
conversación de análisis de texto me interesa saber en gran medida
cuál es el grado de asociación que existe entre dos palabras. Por 24

ejemplo, si yo filtro todas las noticias que suceden a diario y me

interesa calcular cuál es la asociación de la palabra “gobierno” con
“desempleo”, entonces estoy en un caso de asociación.

• Asociación a Text Analytics: para el caso de asociación en Text

Analytics, se van a colocar todos los textos en una gran base de datos
y se van a buscar todas aquellas parejas que tengan un soporte
interesante para el análisis que se está realizando. Nuevamente el
algoritmo a priori ayuda a encontrar cuáles son las parejas de
palabras que están más frecuentemente dentro de toda la
conversación, y a su vez, encontrar una palabra con una confianza
bastante alta, donde se puedan relacionar las dos palabras: una
antecedente y una consecuente.

En un análisis de redes sociales (acerca de lo que publican las personas), se

puede experimentar el análisis de texto para encontrar cuáles son las
palabras que están utilizando en una conversación las diferentes personas,
por ejemplo; asociar dentro de miles de conversaciones cuándo las
personas hablan de la economía y cómo esto afecta a un indicador del país
como es el desempleo o el crecimiento del mismo.

2.5. Otras aplicaciones

Otras aplicaciones de la canasta de mercado están asociadas a múltiples

sectores de la economía. De la misma manera que se explicó que si un
cliente compra un producto entonces este tiene más probabilidad de
comprar otro, esto se puede dar debido a dos aspectos: Cross sell (venta
curzada) y Asociación temporal.

25
• Cross sell (venta cruzada): Es importante para la banca crecer en
diferentes tarjetas habientes y a su vez también hacer crecer sus
productos en cada uno de ellos. De esta manera, se pueden asociar
más productos al cliente que ya tiene el banco. Para alguien que ya
tiene tarjeta de crédito visa y MasterCard, se puede encontrar cuál
es el producto más benéfico que debería tener el cliente, así se hace
una venta cruzada para ofrecerle más productos.

• Asociación temporal: para un retail no solamente es importante

impulsar la venta de productos con ayuda de otros como se vio en la
canasta de mercado.

Es importante solucionar esta pregunta ¿Cuándo volverá el cliente a

comprar? La canasta de mercado tiene otra aplicación y es buscar
para cada uno de los clientes esa frecuencia de compra, es decir; si
su compra fue en febrero, entonces ¿cuál es la probabilidad de que
vuelva en marzo, abril o mayo? De esta manera se establece cuál es
el mes más asociado o el espacio temporal más conveniente para
este cliente con el fin de enviar publicidad para llevarlo a la tienda de
nuevo.

3. Afinidad de producto

La afinidad de un producto es interesante para una compañía, ya que le

permite realizar una mejor optimización en cuanto a su crecimiento.
Hoy día, muchas de las compañías ya tienen un crecimiento alto y para
seguir creciendo, deben empelar estrategias que les permitan crecer de
forma óptima. De esta manera, si un banco quiere salir a vender
adquiriencias a un comercio puede encontrar cuáles son los 26

establecimientos más frecuentes en donde sus tarjeta habientes hacen sus

compras.

Con el movimiento anterior, los bancos realizan una optimización ya que

ganan dinero por ser adquirientes del comercio, sumado a que no tienen
que pagar comisión por uso de sus tarjetas en el comercio. Las aplicaciones
de afinidad de productos permiten encontrar cuáles son las relaciones más
afines entre una variable o variables que tenga el producto, por ejemplo;
¿en cuáles establecimientos un cliente hace sus compras? Con lo anterior,
se puede determinar qué cliente va al supermercado y así ofrecerle una
tarjeta de crédito marca compartida.

Es importante estudiar las relaciones que se tienen entre los datos ya que
se pueden encontrar asociaciones que son útiles a la compañía. Por
ejemplo, en una red personal probablemente su hermano, su mejor amigo
o su pareja sean las personas más importantes dentro de su red., para una
compañía que desee lanzar una campaña que llegue a un número mayor de
usuarios basta con enviar dicha información a las personas más
importantes de su red, así ellas viralizarán la información y llegará a muchos
más usuarios.

Los grafos son herramientas interesantes para medir las relaciones que
existen entre los diferentes nodos de la información. Un caso muy aplicado
son las redes sociales, en donde todos los usuarios están conectados a
través de amigos formando relaciones entre cada uno de ellos. El objetivo
es estudiar cada una de las personas y cuál es el papel más importante que
genera sobre la red.
Para poder entender la forma en que se realiza la afinidad de mercado se
deben tener presente dos elementos: la teoría de grafos y otro tipo de
aplicaciones. 27

Para poder entender la forma en que se realiza la afinidad de mercado se

deben tener presente dos elementos: la teoría de grafos y otro tipo de
aplicaciones.

3.1. Teoría de grafos

Desde un punto de vista práctico, los grafos permiten estudiar las

interrelaciones entre unidades que interactúan unas con otras. Es decir que
un grafo es la representación simbólica de los elementos constituidos de un
sistema o conjunto, mediante esquemas gráficos.

¿Qué es una red?

Una red es una estructura compuesta por individuos que están
relacionados de acuerdo con un fin. Los individuos de las redes son
representados mediante nodos, y las relaciones entre ellos, están
representadas mediante líneas tal y como se muestra en la imagen.

Imagen 5. Representación de una red social.

Es evidente que en una red social existe una persona que tiene muchos más
amigos que otros, ¿cómo cree que esto influye en la teoría de grafos? Pues
bien, existen diferentes formas de responder esta pregunta, pero veamos
algunas respuestas: 28

• Como se dijo, existe una persona en una red social que tiene muchos
más amigos que otra, y a su vez, esta persona tiene más amigos en
común con respecto a otras personas. Lo anterior configura todo este
espectro como el centro de una red.

• Por otra parte, también se pueden identificar grupos de redes;

probablemente dentro de su grupo de amigos usted tenga contactos
asociados a la universidad donde estudió, al trabajo donde usted está
y amigos asociados a la familia.

• Lo anterior dentro de la red se llama Cluster, es decir; la formación

de grupos de amigos, lo que técnicamente se llama subred.

Ejemplo: ¿Imagina cómo se representa gráficamente una subred? En la

siguiente imagen se muestra una representación de subred planteada por
Rozo (2012).

Imagen 6. Representación de subred.

 Fuente: (Rozo, 2012)

Los grafos o relaciones tienen algunos parámetros que ayudan a medir las
características de la red como son: 29

• Centrality: ¿Qué tantas conexiones tienen?

• Closeness: promedio de distancias más cortas de un nodo a todos los
demás.
• Betweenness: Intermediación, número de veces que un nodo actúa
como puente.

Observe atentamente las imágenes, ¿puede determinar a simple vista las

relaciones entre ellas?

Imagen 7. Representación de matriz de relaciones.

Fuente: (García, 2016)

La imagen del costado izquierdo muestra las relaciones que hay entre cada
uno de los individuos.

La imagen de la parte derecha muestra la matriz de relaciones. Para su

construcción basta con observar la red y notar que: A está relacionado con
B y con C. De esta manera se marca con 1 cuando existe la relación y 0
cuando no. En la primera columna de la matriz se puede observar el número
1 en B y C., y en cero, los demás vértices.
30

La matriz de relaciones es la forma estructurada de la forma en que se leen

los datos de una red. Con dicha matriz se hacen los cálculos necesarios con
el fin de describir la red.

3.2. Otras aplicaciones

Otra de las aplicaciones para la afinidad de producto o la teoría de los grafos

es la realización de segmentos a partir de las redes que se tienen acerca de
los individuos, con ello, se pueden formar ciertos tipos de grupos en donde
se toman decisiones a fin de tener una mejor optimización sobre los
clientes.

Imagen 8. Representación de relación de productos.

¡Para analizar! En la red se establecen diferentes grupos. La imagen

anterior muestra una red de usuarios en donde todas las líneas marcan la
relación entre ellos, observando que existen usuarios más importantes que
otros, esto se da, debido a que algunos usuarios tienen más relaciones que
otros.

31
En azul está resaltada cada una de las segmentaciones las cuales
establecen por el grado de centralidad que existe entre la red, es decir;
entre más cerca estén los usuarios se dice que pertenecen a un grupo, a su
vez, entre más lejanos estén de otros individuos hace que pertenezcan a
otros grupos.

La afinidad se establece en encontrar cuáles son las características que

mejor describen al grupo. Por ejemplo, puede darse que, en una misma red,
el grupo de la izquierda sean personas de una universidad, mientras que el
grupo pequeño de la parte derecha sean empresarios. De esta manera se
puede lanzar una campaña dirigida para cada grupo.

¡Información clave! Las aplicaciones que se pueden tener para diferentes

casos de uso son:

• Campañas
• Recomendación de productos
• Segmentos
• Fraude
• Comunidades

4. Modelos de precios

Los modelos de precios están establecidos con el fin de hacer una

optimización en el precio del producto o servicio que se brinda. Bajo esta
idea, la compañía hace una maximización de tal manera que puede
incrementar sus ventas y tener un precio que tenga una ganancia para la
compañía.

32
Existen técnicas a través de las cuales es posible establecer una medida
exacta para así determinar una optimización entre el precio ideal y la
ganancia del producto o servicio.

Una compañía que tenga un análisis de precios puede establecerse en el

mercado y generar sus utilidades no solamente con la incorporación de
nuevos productos o con campañas para consumirlos, sino que, si realiza un
análisis de precios adecuados, puede maximizar la ganancia.

Para tener un buen análisis de precios se deben tener presente las

siguientes consideraciones:

Every Day Pricing

• Asegúrese de que su precio día a día es “óptimo” estableciendo los

precios basados en reglas u optimización de funciones de destino.
• Apropiado para productos que se transportan por períodos
prolongados.

Markdown Pricing

• Mejor gestión de precios a través del ciclo de vida del producto.

• Apropiado para productos con una vida útil limitada, en particular,
cuando existe un plazo para que todo el producto se retire del
estante.

New Product Pricing

 • Precios de productos que no tienen historia del producto.
• Introducción del nuevo producto.
33

Promotional Pricing

• Establezca el precio adecuado para sus productos durante las

promociones.
• Adecuado para cambios temporales de precios vinculados a una
promoción.

Strategic Pricing

• Elija los productos adecuados para sus comunicaciones de precios.

• Optimice su estrategia de comunicación.

Para tener claridad del modelo de precios es necesario conocer los

siguientes aspectos:

4.1. Elasticidad de precios

Para realizar la estabilidad de precios se establece una serie de preguntas

como lo son:

• ¿Hasta cuánto estaría dispuesto a pagar por el producto X?

• ¿Comprarías el producto X al precio Y?

Para resolver la primera pregunta es necesario realizar una encuesta o

preguntarles a los clientes que harán con la compra del producto. La
respuesta a la segunda pregunta se limita a una escala de probabilidad de
compra, pero se hace con precios conocidos.

34

Willigness Pay: Willigness Pay hace referencia a la pregunta número 1, es

decir: ¿hasta cuánto estaría dispuesto a pagar por el producto X?

Como se dijo, para responder dicha pregunta, es necesario establecer una

encuesta o preguntarles a los clientes que harán con la compra. Una vez
hecho esto se obtiene una gráfica en la cual se pueden analizar una serie de
datos.

Imagen 9. Ejemplo de gráfica sobre elasticidad de precio.

Fuente: (Ime, 2013)

En la gráfica nueve se puede observar.

1. En el eje X se establece el valor del producto.

2. En el eje Y se establece el porcentaje de personas que están de
acuerdo con respecto a cada uno de los precios.
3. En esta línea (demanda), se establece el porcentaje de personas que
estarían de acuerdo en pagar ese valor del producto. De esta manera,
a 0 € se establece que el 100% de la población pagará ese valor y a
un valor por encima de 7 € se establece que el 0% de la población
pagaría este valor.
 4. La curva azul muestra los ingresos que tendría el producto con
respecto a cada uno de los precios, entonces, se presenta como un
máximo en la curva cuando el eje X está en 3 €.
5. La línea verde muestra los beneficios del producto, es decir, que en 35

el beneficio se tiene la parte neta del producto como tal en donde se

establece un precio óptimo entre 2 y 3 € que es donde se maximiza
el beneficio del producto.
6. La curva de beneficios se encuentra que entre 2 y 3 € existe una zona
óptima para colocar un valor al producto.

Test Monódica de precio: Hace referencia a la pregunta, ¿compraría el

producto X al precio Y?
Para responder a dicha pregunta, se realiza la misma interpretación del
ejercicio anterior. Aquí la ganancia se le sugiere al cliente, es decir; estoy
estableciendo una base entre qué valor y que valor debería estar el
producto que estoy ofreciendo. Esto permite tener una diferenciación
entre una respuesta que es dada por el cliente y una respuesta de precio a
lo que dice al producto.

4.2. PSM: Price Sensitivy Meter

El PSM es un método para encontrar un rango óptimo de precios para un

producto. El criterio está enfocado en la relación que existe entre “calidad
percibida”, “valor percibido” y el “precio del producto”. En un cuestionario
se realizan cuatro preguntas de precios y luego se evalúa la distribución
acumulativa para cada una de ellas. Dichas preguntas se muestran a
continuación:

• ¿Cuál es el precio que es demasiado barato y que usted no lo

compraría?
 • ¿Cuál es el precio que es demasiado caro y que usted no lo
compraría?
• ¿Cuál es el precio que es barato pero que usted lo compraría?
• ¿Cuál es el precio que para usted es caro, pero usted lo compraría? 36

Con las cuatro preguntas anteriores se establece una serie de curvas cuyo
objetivo es calcular proporcionalmente los siguientes datos:

• De los encuestados, ¿cuántos opinan con cada uno de los valores

asociados a las preguntas?
• Luego se acumulan sus valores proporcionalmente.
• Se realizan las curvas, “demasiado barato” y “no es caro” de manera
inversa, es decir se acumulan los porcentajes en forma descendente.

Con el cruce de las cuatro curvas se establece una zona. El cruce de la gráfica
10 “demasiado barato” y “no es barato” se llama punto “marginal barato”.
El cruce de la línea “demasiado caro “y “no es caro” es el punto “marginal
caro”. El cruce entre “demasiado caro” y “demasiado barato” es el punto
óptimo.

Existe una zona entre el “punto marginal barato” y el “punto marginal

caro”, allí es donde hay una optimización del precio. A partir de estos
valores es donde se puede llegar a establecer el rango aceptable de precios.
Para el caso de la gráfica, será 3.7 € hasta 5.1 euros en esta zona es donde
hay una optimización del valor de los productos.
 37

Imagen 10. Ejemplo de gráfica sobre PSM.

Fuente: (Ime, 2013)

4.3. Garbor Granger

Se parte de la pregunta: ¿comprarías el producto X al precio Y?

En si se pregunta sobre un precio en un punto y se incrementa su valor hasta

que se decline la respuesta. Garbor Granger establece una medida en el
cuello donde se puede combinar los precios con el revenue del producto.
La metodología para aplicar este análisis de precios es empezar
aleatoriamente por un precio sugerido y el encuestado deberá aceptar o
declinar para cada una de las preguntas que se haga sobre el precio,
siempre se debe ir incrementando el precio o de creciendo según sea el
caso.
 38

Imagen 11. Ejemplo de gráfica de Garbor Granger.

El objetivo es que para cada cliente siempre se pueda encontrar un punto

de corte y a qué precios definitivamente ya no lo compraría. Con esto se
establece la curva y se maximiza el precio en función del revenue.

El objetivo es encontrar un revenue mucho más alto a un precio más alto,

la combinación de las dos variables nos dará el precio óptimo sobre la
población a la cual llegaría este precio.

4.4. Conjoint Analysis

El Conjoint Analysis es una técnica que pertenece a la familia de los análisis

multivariados estadísticos. Principalmente la técnica sirve para poder crear
un producto en función de unas variables las cuales no son fáciles de medir
mediante técnicas tradicionales.

El objetivo principal se basa en que un cliente está escogiendo un tipo de

producto, cuando lo hac, evalúa una gran cantidad de variables como lo son
el tamaño, el sabor, marca y tipo de producto entre otros aspectos.
Otra de las características cuando se evalúa cierto tipo de productos es el
precio, y es aquí donde recobra gran importancia para el análisis de precios
el Conjoint Analysis puesto que determina una base primordial para poder 39

establecer un rango de precios o cuál es la importancia del precio con

respecto al producto que se está evaluando.

¿Pero cómo se realiza este análisis conjunto? Para dar respuesta a esta
pregunta se debe tener presente que en Conjoint Analysis establece una
serie de comparaciones a través de las cuales se crean cuatro pantallas en
donde se ofrece cuatro diferentes productos, luego, se le pide al
encuestado que seleccione el de mayor preferencia.

Se establecen las cuatro comparaciones. Cada una de las fotos va a

contener información acerca del producto, lo que varía entre foto y foto
puede ser la marca, el precio o el tamaño. Este ejercicio se le realiza al
encuestado cerca de 15 o 20 veces. Típicamente un Conjoint se realiza con
mínimo con 300 encuestas. El objetivo es recolectar las 15 o 20
interacciones por cada uno de los encuestados, con lo cual se tiene una gran
base de datos para evaluar cada una de las características o variables
descritas en el producto.

Dentro del Conjoint es importante establecer una medida de precios a fin

de que en las pantallas que se le va rotando al encuestado, se le muestren
las diferentes opciones de precios., de tal manera, que se puede hacer un
modelo matemático para establecer entre qué y qué valores se va a tener
una optimización del valor del producto del cliente.

Es una técnica muy importante ya que establece qué relación tiene el

cliente con el precio y a la vez que se compara con otras variables. La idea
es que el cliente escoja una de las pantallas ya que están van rotando la
información del producto.

40

Ejemplo:

Imagen 12. Ejemplo de Conjoint Analysis.

Fuente: (Medina, 2014)

4.5. Utilidad

La utilidad hace referencia a la importancia de la variable dentro de todas

las variables y a las clases que tienen estas.

El resultado del modelo del Conjoint es la estimación de la importancia de

estas variables, así, por ejemplo, para la escogencia de un celular, puede
salir que lo más importante es la marca y en segundo lugar el procesador.

Si se hiciere un Conjoint para escoger auto, probablemente el color tendría

una utilidad interesante. Al interior de cada variable también se calculan
las utilidades de cada uno de los niveles de la variable tal y como se muestra
en la siguiente imagen.
 41

Imagen 13. Ejemplo de gráfica de utilidad.

De esta manera, la utilidad del color negro es la más alta. Esto quiere decir
que, entre todos los colores disponibles, la mayor preferencia está dada por
el color negro.

En el caso del análisis, se calculan las utilidades de cada una de las variables,
de esta manera se puede establecer cuál es la importancia del precio dentro
de la escogencia del producto.

5. Modelo de lealtad del cliente

El modelo de lealtad involucra variables que contienen diferentes

dimensiones de un servicio, las cuales impactan sobre la decisión final de
un usuario para mantenerse en la compañía y / o producto.

El objetivo general del modelo de lealtad de cliente es conocer cuáles son

las dimensiones que impactan de manera significativa la decisión de
satisfacción o no con el servicio y/o producto solicitado.
La satisfacción general en la mayoría de casos se mide con una escala de 1
a 10. Algunas medidas básicas son:

42

• TTB (Top Two Boxe: Porcentaje de clientes que califican con 9 o 10

en la escala de satisfacción). Este mide las calificaciones más altas.
• Promotores (Top Three Box, promoters): porcentaje de clientes que
califican con 8, 9, 10 en la escala de satisfacción.
• Detractores: (Detractors): porcentaje de clientes que califican con de
1 a 5 en la escala de satisfacción.
• Neutros: porcentaje de clientes que califican con de 6 o 7 en la escala
de satisfacción.
• Net promoter score (NPS): Promotores – Detractores.
• ¿Qué mide los NPS? El NPS mide que tanto se mueven los que
promueven el servicio contra los que son detractores.

Y luego de tener los valores y asociados a las medidas básicas, ¿qué hace
el área de analítica?

Para el área analítica sigue el modelamiento de la variable dependiente, el

NPS y de las variables independientes de todas las áreas que estén
involucradas con el NPS. Para una compañía es interesante analizar cada
una de las áreas de trabajo que se tienen y que están directamente
relacionadas con la calidad del cliente. Para determinado servicio es
importante evaluar el impacto en las áreas de la facturación, del call center,
del producto como tal y del seguimiento de la página web entre otros.

Para cumplir con lo anterior se establecen modelos para predecir cuál es el

impacto que se tienen en todas las variables con respecto a la satisfacción
general del producto o del servicio. Por ejemplo, modelos de regresión para
establecer variables importantes en el modelo de lealtad.
 𝑆𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 = 𝑣𝑎𝑟1 + 𝑣𝑎𝑟2 + 𝑣𝑎𝑟3 + ⋯ + 𝑣𝑎𝑟𝑛

43
Ejemplo: para una empresa de telecomunicaciones se podría evaluar cada
una de sus áreas como, por ejemplo: la página web, el call center, la señal
y todos los problemas asociados al servicio de telecomunicaciones. El
resultado del modelo dirá cuál es el área o cuáles son las variables más
importantes a la hora de evaluar la satisfacción general.

Para finalizar es necesario tener claridad en los siguientes

cuestionamientos:

• ¿Para qué sirven los modelos de regresión? Los modelos de

regresión establecen la relación de una variable dependiente con
respecto a las variables independientes.
• ¿Para qué sirven los modelos de lealtad? Sirven para establecer si el
Call Center, la facturación u otra área afecta de manera directa la
satisfacción general.

• ¿Qué se busca con los modelos de lealtad? Tomar correctivos dentro

de la organización a fin de hacer una optimización sobre la
satisfacción general. Un cliente que no esté contento con la
facturación podría querer marcharse de la compañía, generando
fugas no deseadas para la empresa.

Referencias

Berzal, F. (s.f.). Reglas de asociación. Recuperado de

http://elvex.ugr.es/decsai/intelligent/slides/dm/D2%20Association.pdf .
García, D. L. (2016). Teoría de grafos. Recuperado de
http://grafosmatdiscretas.blogspot.com/.
Ime. (2013). Análisis de precio (II): WTP y test monádico. Recuperado de
44
https://www.investigacionmercados.es/analisis-de-precio-ii-wtp-y-test-
monadico/.
Ime. (2013). Análisis de precios (III): Gabor-Granger y PSM. Recuperado de
https://www.investigacionmercados.es/analisis-de-precios-iii-gabor-
granger-y-psm/.
Medina, C. (2014). Cápsula 1: Qué es un estudio Conjoint y cómo utilizarlo.
Recuperado de https://www.netquest.com/blog/es/que-es-un-estudio-
conjoint-y-como-utilizarlo.
Rozo, D. (2012). Algoritmo matemático ayuda a identificar la fuente de
epidemias, crímenes y rumores. Recuperado de
https://hipertextual.com/2012/08/algoritmo-identifica-origenes.

Glosario

Data Mining: técnica estadística en el cual mediante procedimientos

matemáticos se encuentra una respuesta sobre una cantidad de datos que
no es evidente encontrar fácilmente.
Gap: valor referente a una ganancia de las empresas en términos de valor
o de indicadores de gestión. Siempre se habla de una ganancia o Gap en
términos de sobre saltar algún beneficio.
Pricing: técnica estadística para encontrar una optimización del precio más
considerable para el cliente.
Revenue: valor neto de la ganancia de un producto. Para las empresas es
importante maximizar el revenue de un producto o servicio.
 Módulo
Modelos Aplicados a Marketing y Finanzas
45

Autor
Oscar Ayala

Universidad de La Sabana
Forum e-Learning

Versión 1
Copyright 2019. Todos los derechos reservados