Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional

En un entorno cambiante como el del mercado actual, la capacidad de las empresas de entender los deseos y necesidades de su público resulta crucial para su fidelización y la implementación de una estrategia de venta eficaz. Este trabajo final de máster explora la aplicación de técnicas de aprendizaj...

Descripción completa

Detalles Bibliográficos
Autor: Alcocer Gil, Marcos
Tipo de recurso: tesis de maestría
Fecha de publicación:2024
País:España
Institución:Universitat Oberta de Catalunya (UOC)
Repositorio:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/150790
Acceso en línea:http://hdl.handle.net/10609/150790
Access Level:acceso abierto
Palabra clave:segmentación
fidelización
machine learning
Machine learning -- TFM
Aprenentatge automàtic -- TFM
id ES_6474cd4e045dc866b50598af6d2c3313
oai_identifier_str oai:openaccess.uoc.edu:10609/150790
network_acronym_str ES
network_name_str España
repository_id_str
spelling Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacionalAlcocer Gil, Marcossegmentaciónfidelizaciónmachine learningMachine learning -- TFMAprenentatge automàtic -- TFMEn un entorno cambiante como el del mercado actual, la capacidad de las empresas de entender los deseos y necesidades de su público resulta crucial para su fidelización y la implementación de una estrategia de venta eficaz. Este trabajo final de máster explora la aplicación de técnicas de aprendizaje computacional, tanto supervisado como no supervisado, en la segmentación y retención de clientes. Además, se analiza la maximización del valor del tique con el objetivo de mejorar la identificación de oportunidades de venta y la personalización de las ofertas. Partiendo de un conjunto de datos de venta en línea de información comercial, de riesgo y financiera de empresas de Colombia, se analiza la relevancia de las diferentes variables para la segmentación empleando técnicas estadísticas y de aprendizaje automático, incluyendo algoritmos de agrupamiento jerárquicos y no jerárquico, y redes neuronales. A continuación, y a través del entrenamiento de modelos predictivos, se identifican posibilidades de compra y se definen estrategias de venta personalizadas. Los resultados obtenidos muestran cómo el empleo de técnicas basadas en datos permite identificar criterios óptimos de segmentación para mejorar la tasa de conversión y la retención. Este trabajo proporciona un sustento teórico de la aplicación del aprendizaje computacional a las técnicas de mercadotecnia, pero también pretende servir como guía práctica de aplicación de estas herramientas en un entorno real para toda clase de negocios.In the changing environment of the current market, the ability of companies to understand the desires and needs of their audience is crucial for customer loyalty and the implementation of an effective sales strategy. This master's thesis explores the application of machine learning techniques, both supervised and unsupervised, in customer segmentation and retention. Additionally, it analyzes the maximization of ticket value with the aim of improving the identification of sales opportunities and the personalization of offers. Using a dataset of online sales and commercial, risk, and financial information from companies in Colombia, the relevance of different variables for segmentation is analyzed using statistical and machine learning techniques, including hierarchical and non-hierarchical clustering algorithms, and neural networks. Subsequently, through the training of predictive models, purchasing possibilities are identified and personalized sales strategies are defined. The results obtained show how the use of data-driven techniques allows for the identification of optimal segmentation criteria to improve conversion rates and retention. This work provides a theoretical foundation for the application of machine learning to marketing techniques, but it also aims to serve as a practical guide for applying these tools in a real environment for all types of businesses.Universitat Oberta de Catalunya (UOC)Rojo Muñoz, Santiago202420242024info:eu-repo/semantics/masterThesisapplication/pdftext/htmlapplication/pdftext/htmlapplication/pdfhttp://hdl.handle.net/10609/150790reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)EspañolCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1507902026-05-28T12:42:01Z
dc.title.none.fl_str_mv Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
title Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
spellingShingle Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
Alcocer Gil, Marcos
segmentación
fidelización
machine learning
Machine learning -- TFM
Aprenentatge automàtic -- TFM
title_short Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
title_full Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
title_fullStr Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
title_full_unstemmed Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
title_sort Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional
dc.creator.none.fl_str_mv Alcocer Gil, Marcos
author Alcocer Gil, Marcos
author_facet Alcocer Gil, Marcos
author_role author
dc.contributor.none.fl_str_mv Rojo Muñoz, Santiago
dc.subject.none.fl_str_mv segmentación
fidelización
machine learning
Machine learning -- TFM
Aprenentatge automàtic -- TFM
topic segmentación
fidelización
machine learning
Machine learning -- TFM
Aprenentatge automàtic -- TFM
description En un entorno cambiante como el del mercado actual, la capacidad de las empresas de entender los deseos y necesidades de su público resulta crucial para su fidelización y la implementación de una estrategia de venta eficaz. Este trabajo final de máster explora la aplicación de técnicas de aprendizaje computacional, tanto supervisado como no supervisado, en la segmentación y retención de clientes. Además, se analiza la maximización del valor del tique con el objetivo de mejorar la identificación de oportunidades de venta y la personalización de las ofertas. Partiendo de un conjunto de datos de venta en línea de información comercial, de riesgo y financiera de empresas de Colombia, se analiza la relevancia de las diferentes variables para la segmentación empleando técnicas estadísticas y de aprendizaje automático, incluyendo algoritmos de agrupamiento jerárquicos y no jerárquico, y redes neuronales. A continuación, y a través del entrenamiento de modelos predictivos, se identifican posibilidades de compra y se definen estrategias de venta personalizadas. Los resultados obtenidos muestran cómo el empleo de técnicas basadas en datos permite identificar criterios óptimos de segmentación para mejorar la tasa de conversión y la retención. Este trabajo proporciona un sustento teórico de la aplicación del aprendizaje computacional a las técnicas de mercadotecnia, pero también pretende servir como guía práctica de aplicación de estas herramientas en un entorno real para toda clase de negocios.
publishDate 2024
dc.date.none.fl_str_mv 2024
2024
2024
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/150790
url http://hdl.handle.net/10609/150790
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
text/html
application/pdf
text/html
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869409647441477632
score 15,81155

Similares en LA Referencia