Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.

Miguel Monreal
HEAD OF BUSINESS TECH
@monrealista
#Flat101DS @SomosFlat101 info@ﬂat101.es

Machine Learning para deﬁnir
clusters de usuarios y acciones
28 de mayo de 2020

ML para definir clústers de usuarios y acciones
Indice:
01
Deﬁniciones:
AI vs ML vs DL
02
¿Cómo funciona ML?
03
ML: Casos de uso
reales y oportunidades
04
Activando ML en
negocios digitales
05
Wrap-up

01
Deﬁniciones:
AI vs ML vs DL

DEFINICIÓN: AI, ML, DL
ARTIFICIAL INTELLIGENCE (AI)
MACHINE LEARNING (ML)
DEEP LEARNING (DL)
La capacidad de una máquina
de imitar el comportamiento
inteligente de los humanos
Diccionario Merriam-Webster
El campo de estudio que da a los
ordenadores la capacidad de aprender sin
ser explícitamente programados
Arthur Samuel
Se trata de una forma de
aplicar machine learning
utilizando redes neuronales
con distintos niveles
jerárquicos.

AI, ML, DL a lo largo del tiempo
https://www.linkedin.com/pulse/biggest-confusion-cleared-ai-vs-ml-dl-ashwin-kumar/

Inteligencia
Artiﬁcial
01
Deﬁniciones
La capacidad de una máquina de imitar el
comportamiento inteligente de los humanos

¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO
M 2345- KT-
Z 5081- AZ-
Desde 1971:
Es una matricula de Madrid
Año 1990
Es una matricula de Zaragoza
Año 1996
Es una matricula de Navarra
Año 1991
NA 6620- BC-

2367 BSB-
Desde 2000:
????????

2367 BSB-
Desde 2000:
Un desarrollador añade una condición adicional
if ( matricula empieza por sello ) {
// Lee sello europeo
España
// Lee 4 dígitos
2367
// Lee 3 letras
BSB
// Se determina el año
2002
}
if ( matricula empieza por 1 ó 2 letras ) {
// leo matricula
M-2345-KT
}
Código existente
Sello europeo
con letra de país
4 letras de
matrícula
3 letras
(sin vocales)
Excluídas tb LL, CH, Ñ y Q

Machine
Learning
02
Deﬁniciones
El campo de estudio que da a los
ordenadores la capacidad de aprender sin ser
explícitamente programados

MACHINE LEARNING:
Entrada de datos Algoritmo genérico Predicción
En machine learning no se indican sentencias de
código rígidas para resolver un problema concreto.
Datos de matrículas:
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
• 2367 BSB
• Etc
Algoritmo apropiado de
machine learning entrenado
para resolver el problema
Matrícula válida
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
Matrícula inválida
• 2367 BSB
En su lugar se "enseña" a un ordenador para que pueda
solventarlo por su cuenta, utilizando un algoritmo de
aprendizaje genérico.

MACHINE LEARNING:
Entrada de datos Algoritmo genérico Predicción
Datos de matrículas:
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
• 2367 BSB
• Etc
Algoritmo apropiado de
machine learning entrenado
para resolver el problema
Matrícula válida
• M 2345 KT
• Z 5081 AZ
• NA 6620 BC
• LO 4512 RT
• 2367 BSB
Re-entreno del algoritmo

Deep
Learning
03
Deﬁniciones
Técnica avanzada de machine learning
utilizando redes neuronales con distintos
niveles jerárquicos.

DEEP LEARNING:
Deep Learning es una técnica avanzada de
aplicar Machine Learning utilizando redes
neuronales con distintos niveles jerárquicos.
El concepto se asemeja al funcionamiento del
cerebro humano, donde existe una entrada de
datos y una serie de nodos (neuronas)
interconectados entre sí en distintos niveles
que trabajan en conjunto para generar una
salida.

DEEP LEARNING:
En el nivel inicial, las neuronas realizan un trabajo simple que se traspasa
a la siguiente capa. Esta combina los datos de entrada y ejecuta una tarea
más compleja, haciéndola llegar a un tercer nivel, y así sucesivamente.
Este planteamiento permite abordar problemas abstractos, a través del
aprendizaje en sucesivas capas cada vez más complejas.

DEEP LEARNING: USOS
Algunos ejemplos de aplicación de Deep Learning:
• Clasificación avanzada de imágenes
• Reconocimiento de voz
• Conducción autónoma
• Asistentes de voz
• Etc.
Habitualmente se ejemplifica Deep Learning con el caso de
clasificación de imágenes, donde el proceso se divide en
diferentes etapas, comenzando con la detección de zonas
claras y oscuras, pasando a contornos con formas simples, que
posteriormente se combinan para identificar elementos, etc.

CLOUD VISION DE GOOGLE

02
¿Cómo funciona ML?
(Machine Learning)

CICLO BÁSICO DE APRENDIZAJE EN MACHINE LEARNING
• Oportunidad de negocio: Como premisa, debe partirse de un
objetivo a conseguir (ej: "predecir la probabilidad de compra
de un usuario para ofrecer mensajes más persuasivos").
• Recopilación de datos: Identiﬁcación, extracción y limpieza
de la información clave, así como data governance integral.
• Selección de algoritmo: Elección de aproximación
matemática para resolver el challenge planteado.
• Entrenamiento: Training con datos del algoritmo
seleccionado para obtener un modelo de machine learning.
• Evaluación: Checking de la precisión del modelo generado.
• Despliegue: Deployment de modelo para que pueda ser
consultado en tiempo real o a través de procesos batch.
• Predicción: El modelo está listo para ser utilizado enviando
nuevos datos sobre los que realizar la predicción.

ALGUNOS APUNTES….
El modelo puede ser
reentrenado según nuevos
inputs (ej: resultado real de
conversión - “label”)
La recolección y data quality
comprende el 60-70% de
trabajo total
Habitualmente se hace un
split de datos para entrenar y
evaluar el modelo

CATEGORÍAS DE ALGORITMO EN MACHINE LEARNING: ¿CUÁL ELEGIR?
MACHINE
LEARNING
APRENDIZAJE SUPERVISADO (Supervised learning)
APRENDIZAJE NO SUPERVISADO (Unsupervised learning)
APRENDIZAJE REFORZADO (Reinforcement learning)

Algoritmo
supervisado
01
Cómo funciona ML
(Supervised learning)

APRENDIZAJE SUPERVISADO
Lo característico de esta aproximación es que
partimos de una serie de datos organizados y
estructurados sobre los que entrenar nuestro
algoritmo.
Es decir, tenemos un set de datos de entrada
etiquetados que dan semántica a la información.
Ej: Tenemos una colección de imágenes que sabemos que son de árboles,
con lo que podemos entrenar a nuestro algoritmo para que determine si
una imagen que nos llega es de un árbol o no.

APRENDIZAJE SUPERVISADO: EJEMPLO
Imaginemos que tenemos un concesionario de
coches de segunda mano y queremos, a través de
una aplicación, estimar el precio de venta de un
coche en función de ciertas características, como
su marca, modelo y kilometraje.
Para poder entrenar el algoritmo y predecir el
precio de venta, se guarda un histórico de todos los
coches que se han vendido en los últimos 4
meses, especiﬁcando las características arriba
mencionadas y sobretodo el precio en el que
ﬁnalmente se cerró la venta.

PROCESO DEBEMOS SEGUIR
• Marca: Ford
• Modelo: Kuga
• Kilómetros: 64.000
• Precio de venta: ???

APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR
• En primer lugar, es fundamental y necesario reunir un set de
datos válidos donde se localice toda la información relacionada
que consideremos de interés.
• Esto quiere decir incorporar toda aquella característica interna
o externa que pueda tener relación con el dato a predecir.
• Ej: INE (Instituto Nacional de Estadística) para obtener informes
de matriculaciones: https://www.ine.es/dyngs/IOE/es/
operacion.htm?numinv=70041

Relativo a la información a incorporar encontramos 2 tipos de datos:
- Característica (feature): Se trata de información que aportamos al
sistema como variables. Los modelos de predicción se basan en
estos datos para realizar predicciones.
Adicionalmente a estos datos aportados, puede realizarse un
enriquecimiento (o feature engineering) para completar
indirectamente información. Por ejemplo, a partir de la matrícula se
podría determinar la fecha de matriculación.
- Etiqueta (label): Es el dato ﬁnal de salida a partir de la información de
entrada (features).
En resumen, en el ejemplo son
features la "marca", el "modelo"
y los "kilómetros".
En cambio "precio de venta" es
el label a predecir, que en este
set de datos de prueba
conocemos.

Para realizar un predicción
numérica continua (ej: qué
facturación tendremos este
año) unos de los algoritmos
más usados es la regresión
lineal
• Regresión múltiple
• Bayesiano
• Redes neuronales
Para conocer la pertenencia o
no a una clase (ej: spam/no
spam, comprador/no
comprador) es frecuente utilizar
algoritmos de clasiﬁcación
• Regresión logística
• KNN (k-nearest neighbor)
• Árboles de decisión

• Es un modelo matemático que genera predicciones
encontrando patrones en tus datos. Fuente: Amazon (AWS)
• Un modelo es la relación entre características
(features) y etiquetas (labels). Fuente: TensorFlow
¿Qué es un modelo
en Machine Learning?

ENTRENO VALIDACIÓN
Datos de prueba
(contiene features + label)

Predicción
(features+label)
Solicitud
(features)

Algoritmo
NO supervisado
02
Cómo funciona ML
(Unsupervised learning)

Algoritmo NO supervisado
En el caso de aprendizaje NO supervisado, los datos a
utilizar están sin etiquetar.
Esto es, que no hay semántica en la información que
vamos a introducir en el sistema.
Por poner un símil, el paralelismo sería como si nos
dieran una serie de jeroglíﬁcos egipcios y tuviéramos
que encontrar patrones y/o potenciales agrupaciones
entre los distintos símbolos.

Este hecho, aunque supone un reto para el algoritmo
de entrenamiento, es una clara ventaja, ya que
ahorramos el costoso trabajo de etiquetado que
habitualmente tiene que ser realizado por una
persona en el enfoque de algoritmos supervisados.
Es decir, el proceso con respecto al aprendizaje
supervisado se simpliﬁca, ya que no es necesario
realizar una fase de etiquetado, sino que directamente
se produce la ingesta de datos a la espera del output

De acuerdo a los últimos estudios de Gartner, el
80% de la información existente hoy en día es NO
estructurada, con lo que las oportunidades
existentes son enormes.
80%Datos NO estructurados
https://www.forbes.com/sites/forbestechcouncil/2017/06/05/the-big-unstructured-data-problem/

Algoritmo NO supervisado: oportunidades

Clustering es una técnica de Machine Learning
que consiste en la agrupación de datos.
A partir de una serie de datos, el algoritmo
clasiﬁca cada punto en un grupo especíﬁco.
Los puntos que están en un mismo grupo
deberían tener propiedades/features, muy
similares.
Ej: Look-a-like en DMP
Algoritmo NO supervisado: clusterización

Algoritmo NO supervisado: clusterización - ejemplos
K-Mean Clustering Mean Shift Clustering EM with GMM
Expectation-Maximization using Gaussian
Mixture Models
https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68Fuente:

Ciertos autores consideran que el aprendizaje no supervisado
permite realizar una segmentación automática que permita
entender mejor la información. Incluso apuntan como paso
previo a un aprendizaje supervisado.
Por ejemplo, en el caso de detección de terremotos, un
algoritmo no supervisado puede realizar la búsqueda de
patrones en los datos, pudiendo obtener insights que permitan
la anticipación ante posibles catástrofes.
Algoritmo NO supervisado: dando semántica a los datos

Algoritmo NO supervisado: detección de anomalías

Algoritmo
Reforzado
03
Cómo funciona ML
(Reinforced learning)

ALGORITMO REFORZADO
La principal diferencia del aprendizaje reforzado es que NO se realiza un
entrenamiento previo basado en un set de datos, sino que el algoritmo
aprende dinámicamente en base al feedback que recibe.
En otras palabras, el aprendizaje reforzado es un modelo basado en el
comportamiento. Podría asemejarse a un enfoque prueba-error para la
búsqueda del resultado más óptimo.

ALGORITMO REFORZADO
Un ejemplo de aplicación clara es la inteligencia
artiﬁcial de los videojuegos.
Supongamos un juego de lucha. En base a los
movimientos que realicemos, la CPU actuará atacando
o defendiendo de una determinada manera.
Es decir, irá modiﬁcando su comportamiento en
sucesivas secuencias para conseguir ganar la batalla

ALGORITMO REFORZADO EN AB TESTING
Las herramientas de AB Testing plantean
el problema de no obtener un resultado
final hasta recopilar un volumen mínimo
de conversiones que proporciones una
significancia estadística suficiente
Esta aproximación tiene una clara
desventaja, ya que el experimento se
alarga y se pierde negocio mostrando
versiones con menos capacidad de
conversión
https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804

ALGORITMO REFORZADO EN AB TESTING: MULTI-ARMED BANDIT TEST
Los Multi-Armed Bandit Test permiten
bascular tráﬁco de forma anticipada a
combinaciones que se determinan
potencialmente ganadoras
http://conductrics.com/balancing-earning-with-learning-bandits-and-adaptive-optimization/
Fuente:

ALGORITMO REFORZADO EN AB TESTING
https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804
THOMPSON SAMPLING MONTECARLO SIMULATION

EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES

EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES
AUTO-TARGET
AUTOMATED-PERSONALIZATION
Con auto-target automáticamente determina la
mejor experiencia a nivel de journey para cada
visitante en función de su perﬁl e información
contextual
Muy útil en fase de testing para determinar los
contenidos más adecuados para los distintos
target de cliente
AUTOMATED-ALLOCATE
Sirve para optimizar el rendimiento del test,
obteniendo la versión ganadora en el menor
tiempo posible
• Multi-armed bandit
• Random Forest
• Thompson Sampling

UN POCO DE LITERATURA:

Resumen
04
Cómo funciona ML

MAPEO DE NECESIDADES DE MK CON PROBLEMAS DE ML
Problema a resolver Tipología ML
Lead scoring
CLV
Descuento ideal
Regression (valor continuo)
Click en un banner
Cliente de alto/medio/bajo valor
Classiﬁcation (opciones acotadas)
Qué producto mostrar
Qué contenido mostrar
Recommendation
Segmentación de clientes
Insights de negocios
Clustering
Detección de incidencias Anomaly detection
CRO / Orquestación de emails Reinforcement Learning
Supervised Learning
Unsupervised Learning
Reinforcement Learning

03
ML: Casos de éxito reales

Clusterización de
usuarios para
predicción de bajas
Aplicación de modelo de detección de
churn-rate en un servicio de suscripción
01
Casos de uso

Acerca del proyecto
Empresa que vende un servicio deportivo bajo suscripción
anual desea conocer con antelación el porcentaje de
usuarios que van a darse de baja.
Se requiere realizar este estudio intertemporada (antes del
nuevo año) e intratemporada(durante el año)
El objetivo es poder anticipar acciones de marketing
concretos para cada cluster para reducir estas cifras
Aplicación de algoritmo de Machine Learning
para clusterización de usuarios
• Identiﬁcación de variables relevantes
• Obtención, limpieza y enriquecimiento de datos
(feature engineering)
• Validación de datos
• Elección de algoritmo y entrenamiento del modelo
• Veriﬁcación de precisión de modelo, clusterizando
en 5 grupos según propensión a baja
• Despliegue del modelo en producción
PLAN DE TRABAJO:

Churn rate global
Suscripciones por año
Suscripciones
Año
1
Año
2
Año
3
Año
4
El estudio agrupa en distintos tipos de usuario:
•New: Nuevo clientes
•Loyal: Fidelizados (tuvo suscripción el pasado año)
•Winback: Recuperado (no fue suscriptor el año anterior)
•Lost: Perdido (no ha renovado suscripción)

Distribución de clientes por edad

Churn rate por edad

Análisis univariable

Análisis multivariante

Predicción
Suscripciones

Clusterización de
usuarios para
priorización de servicio
Aplicación de modelo de detección de
propensión en un servicio bancario
02
Casos de uso

Acerca del proyecto
Aplicación de modelo predictivo en producto hipotecario
para particulares en formulario presente en landing pages
así como en otros procesos críticos de contratación.
Una vez cumplimentado el formulario, se realizo scoring en
tiempo real para cálculo de propensión (alta | baja).
40%
LAS CIFRAS:
Enlace con simulador
automático
Cita con call center para
simulación de hipoteca asistida
BAJA PROPENSIÓN
ALTA
PROPENSIÓN
MODELO
+13%
Ahorro en
llamadas asistidas
En ratio de conversión de
agentes

Clusterización de
usuarios para cross-
selling y recurrencia
Aplicación de modelo en eCommerce
03
Casos de uso

Acerca del proyecto
eCommerce de venta de productos de beauty desea
desarrollar 2 modelos de Machine Learning:
Cross-selling: Predicción de la aﬁnidad de cada
cliente para diferentes líneas de producto
Recurrencia: Modelo de recurrencia y predicción de
productos triggers (generan otra compra)

Cross-selling / Recomendación personalizada
Predicción de la afinidad de cada cliente para diferentes líneas
de productos en base a:
• Compras previas (collaborative filtering)
• Perfil de cliente (predictive model)
Parametrización analítica:
• Secuencialidad temporal
• Ponderación por recencia
• Diversificación
• Cuantificación
Aplicaciones:
• Campañas de cross-selling personalizadas
• Perfilado por afinidad a catálogo
Matriz de propensión de productos por usuario

Modelos de recurrencia
Detección y explotación de 2 tipos de recurrencia:
• Productos recurrentes con compra periódica
• Productos (triggers) que predisponen a la compra
de otros productos (targets)
Fases del modelo:
• Identiﬁcación de productos recurrentes y cruzados
mediante metodología analítica
• Identiﬁcación de los tiempos esperados para la
recurrencia (periodicidades)
• Creación de alertas cuando se sobrepasa el tiempo
esperado

04
Activando ML en
negocios digitales

Más datos, ¿más accionabilidad?
Cada vez las empresas consiguen generar un mayor
volumen de datos de clientes, siendo más difícil su
entendimiento y explotación a través de acciones
concretas.
La capacidad de hacer clasiﬁcación de clientes
permite centrarnos y dedicar recursos a aquellos
que dispongan de una alta probabilidad de
consecución de un objetivo. Para ello se utilizan los
modelos de datos.
Un modelo de datos persigue catalogar un set de
información en base a ciertos criterios para
conseguir un objetivo concreto, que debe estar
consensuado.

Oportunidades con Machine Learning
Ejemplo de nuestro trabajo en lead scoring:
El 3% de nuestros clientes generan el 35% de la facturación
Los 3 primeros segmentos suponen el 70% de la facturación
Algunos ejemplos de modelo de datos habituales:
• Upselling
• Cross-selling
• Clustering
• Scoring por LTV
• Segmentación por ROI
• Retención (volverían a comprar)
• Contactabilidad
• Etc

¿Por dónde comenzar?. Algunas ideas
¿Cómo captas a tus
potenciales clientes?:
- Utilizando tecnologías
como DMP para la
obtención de audiencias
lookalike
- Clusterización de
keywords en la captación
de tráﬁco SEO
Antes de la visita Durante la navegación Durante la compra Tras la compra
¿Cómo mantienes el interés
de tus potenciales clientes?:
- Personalización escaparate
- Ordenación en grids y
resultados de búsqueda en
función a propensión
- Priorización de productos en
función de su cluster.
- Recomendación de
productos
¿Cómo conviertes a tus
potenciales clientes?:
- Activación de mensajes
(triggers) en función de su
customer journey
- Acciones de up-selling en
productos trigger
- Ordenación de envío y
forma de pago
¿Cómo ﬁdelizas y tienes
clientes recurrentes?:
- Mensajes en función en
probabilidad de compra
- Alineación de productos
ofrecidos con expectativa
de cliente
- Cadencia acorde con la
tipología de cliente
- CLV
- Churn rate

La aplicación de reglas para la personalización de
contenido puede ser un buen punto de comienzo
si no se disponen de medios o como fase previa a
un proyecto de Machine Learning
A través de geolocalización por IP se estableció
un sistema de personalización en la oferta en
escaparate
Érase una vez 2007…
Personalización con reglas

Inteligencia artiﬁcial basada en reglas
Versión fallback
Versión Euskadi
Versión Madrid

Un gran proyecto de
Machine Learning
puede fallar por una
mala usabilidad
Las matemáticas nos ayudan a localizar
oportunidades, pero en nuestro tejado está
encontrar la forma adecuada de transmitir el
mensaje
One more thing…

05
Wrap-up

La personalización se
está convirtiendo en
un must. En pocos
años se convertirá en
un higiénico
Atrás quedan los tiempos en los que la oferta y el
mensaje eran igual para todos.
En digital es posible y nuestros clientes no
entenderán que no lo hagamos. Simplemente
cambiarán de pestaña y se irán a la competencia.

Información para obtener contexto
bit.ly/estudio2019 ﬂat101.es/conversion101/

¿En qué fase se encuentra tu negocio?
“Café para todos” "AI” basado en reglas Machine Learning Deep Learning
Ofrecemos la misma experiencia
a todo el mundo, perdiendo
grandes oportunidades
Approach efectivo y rápido
cuando se está empezando, pero
poco escalable y con cierto nivel
de sesgo
Conlleva una inversión pero nos
permite obtener información
muy valiosa, basada en
matemáticas y con capacidad de
accionabilidad
Permite resolver problemas muy
complejos, aunque también
conlleva un equipo
especializado/inversión en
herramientas

¡Gracias por la asistencia!

Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Semelhante a Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.

Semelhante a Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos. (20)

Mais de Flat 101

Mais de Flat 101 (15)

Último

Último (6)

Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.