Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Erick Barrios
Ejercicio 1:
Los datos se componen de 17 variables:
Si graficamos las variables discretas CES, STG, ST contra el promedio de PR_R, podemos encontrar
resultados interesantes:
Con estas visualizaciones, podemos empezar a obtener ideas de los datos: tanto el CES como el ST y el
STG tienen una correlación positiva con el promedio de PR_R, teniendo la mayor correlación STG (muy
cercana a 1)
A manera de resumen, tenemos este gráfico:
Analizando el efecto de las variables categóricas en PR_R a través de pruebas de hipótesis, obtenemos
qué:
• Hay evidencia suficiente (estadísticamente significativa) para decir que la variable CA influye en
el valor de PR_R. En específico, cuando la variable CA toma el valor de “Sí”, el valor de PR_R
aumenta.
• También hay evidencia suficiente (estadísticamente significativa) para decir que la variable RPC
influye en el valor de PR. Cuando RPC toma el valor de “Sí”, el valor de PR_R aumenta.
Conclusiones ejercicio 1:
En cuanto a las variables CES, ST y STG la variable que más tiene incidencia en PR_R es STG
En cuanto a las demás variables (las nominales) las que más tienen incidencia en PR_R son CA y RPC, los
valores que puedan tomar CA y RPC pueden afectar directamente a PR_R
Ejercicio 2:
Para demostrar la rentabilidad de mejorar la experiencia del cliente, juntaría fuentes de datos que
incluyan los siguientes datos:
• Ver si las personas que dijeron estar satisfechas con la atención dada regresaron a la sucursal,
volvieron a comprar el paquete, mejoraron sus servicios, renovaron o mejoraron su plan, etc.
Analizar todo lo que tenga que ver con retención del cliente.
• Identificar posibles causas de pérdida de clientes en un periodo de tiempo específico (churn rate
analysis). Es posible llegar a predecir este indicador, dando margen de acción para retener al
cliente.
• Identificar si las personas que son “Promotoras” consumen más los productos. Así mismo,
evaluar el posible impacto de fidelizar a la parte “Neutra” de los clientes.
Este análisis consiste en seleccionar aleatoriamente dos grupos (A y B). A uno de ellos se les
aplicará un cambio en el producto y al otro no. Por ejemplo, supongamos que queremos
implementar un modelo de recomendación de servicios en las aplicaciones de la empresa.