Business Analytics

z
Machine learning
Modelaje supervisado y
no supervisado
z
 Modelos de Forecast

• ¿Qué son?
• ¿Dónde se usan?
• ¿Cuándo se
usan?
 Tipos de series temporales

Series temporales

Estacionaria Estacional no Estacionaria y

no estacional estacionaria estacional
 Tipos de series temporales

Serie de tiempo estacionaria

Los valores y los errores oscilan alrededor de una media
lineal pero no necesariamente existe una estacionalidad
definida.

Serie de tiempo estacional

Existe una frecuencia definida pero no necesariamente los
valores oscilan alrededor de una media lineal.
 Modelos de Forecast

Cuántos puntos en el futuro queremos

pronosticar

Cuántos puntos hacia atrás debemos ignorar para el

cálculo. Sirve para cuando el último dato pertenece a
un período que aún no ha finalizado
Banda de confianza. Tomar en cuenta que entre
más cercano a 100% más anchas serán las
bandas.

Estacionalidad. Esto es tomando en cuenta que

tenemos una serie de tiempo estacional. Si los datos
son mensuales (por ejemplo) usar Estacionalidad =
12, si no se está seguro de la estacionalidad, dejar
automático.
z
Clusterización
 z

Ingresos
Comenzamos modelando 2 o más
variables de la data

Edad
 z
Ahora definimos una cantidad de centroides o puntos que reúnan la
Ingresos mayor cantidad de datos a su alrededor y la máxima distancia
posible con los demás

Edad
 z
Ahora definimos una cantidad de centroides o puntos que reúnan la
Ingresos mayor cantidad de datos a su alrededor y la máxima distancia
posible con los demás

Edad
 z
Por lo que finalmente, cada individuo resulta perteneciendo a un
Ingresos cluster específico según sus características. Con base a esto, se
define un arquetipo para cada cluster.

Edad
z
¿Quién es mi buyer persona?

 Cluster 1: Jóvenes con ingresos altos

 Cluster 2: Jóvenes con ingresos medios y bajos

 Cluster 3: Adultos con ingresos medios

 Cluster 4: Adultos mayores con ingresos medios y altos

 z
¿Quién es mi buyer persona?
(Arquetipos)

 Cluster 1: Jóvenes con ingresos altos (los mimados)

 Cluster 2: Jóvenes con ingresos medios y bajos (los luchones)

 Cluster 3: Adultos con ingresos medios (los mediosos)

 Cluster 4: Adultos mayores con ingresos medios y altos (los sugar daddys)
z
Familias de Clustering

 No jerárquicos:
 –Forman particiones naturales de los datos en un número de grupos (clases) posiblemente
prefijado

 •No parámetricos: No se hace ninguna asunción sobre la forma matemática de las

densidades (sin una función asociada a las distancias) –Ejemplo K-Meansy Mean Shift

 •Paramétricos: Asumen que las densidades condicionales de los grupos tienen cierta forma
paramétrica conocida (Ejemplo: Gaussiana)

 Jerárquicos:
 –Asumen que los datos se pueden agrupar de forma natural mediante una estructura
jerárquica –Ejemplo Clustering Aglomerativo
 z
Modelo de Clusters
en Power BI

Se pueden colocar hasta 15 columnas

numéricas con datos que puedan servir
para separar a los clientes en grupos

 Importante a tener en cuenta para las

variables a utilizar:
 Tratar de no usar columnas que estén
correlacionadas entre sí o que expliquen Es requerida
lo mismo, por ejemplo: edad y una columna
que
generación.
identifique
cada cliente
 Tratar de usar la menor cantidad de
variables posibles, entre menos, más
valioso será el modelo.
 z
Modelo de
Clusters en Power
BI

 Paso 1: Crear una tabla con las variables

a utilizar. Tomar en cuenta que debe estar
la columna para identificar al cliente y que
esta, en caso de ser numérica, debe estar
en “No resumir”.

 Paso 2: Hacer clic en los tres puntos en la

esquina superior derecha y seleccionar la
opción “Buscar clusters automáticamente”.
 z
Modelo de Clusters en Power BI

 Se abrirá un cuadro como el que se

ve en la imagen.

 Paso 3: Rellenar los parámetros

superiores.

 Paso 4: Indicar si se desea que se

busquen los clusters automáticamente
o si uno desea ingresar una cantidad
exacta.
 z
Modelo de Clusters en Power BI
 Se creará una nueva columna
correspondiente al cluster
seleccionado para cada cliente.

 Ahora, esta puede utilizarse

como leyenda para otros
gráficos.

 RECOMENDACIÓN:
 Realizar algunos gráficos que
ayuden a entender qué
características componen a
cada cluster y así poder
segmentar y crear los
arquetipos.
z
¡Muchas gracias por todo!