Cross-Selling

Predice las compras de tus clientes gracias al Big Data y Cross-Selling

#SICROMTeam Análisis Predictivo

Conoce las ventajas del Cross-Selling

¿Qué son las reglas de asociación?

Las reglas de asociación son técnicas estadísticas empleadas en minería de datos y aprendizaje automático para descubrir sucesos o hechos que ocurren en común dentro de un determinado conjunto de datos.

El caso más típico es el de la cesta de la compra en un supermercado, en el que se estudian las relaciones existentes entre los productos comprados por distintos clientes, con el objetivo de conocer qué producto comprará un cliente si anteriormente ha comprados otros tantos.

De forma resumida, tenemos que:

· Sea X un conjunto de productos comprados anteriormente X = (x1, x2, x3,… … , xn) denominados antecedentes.

· Sea Y el producto denominado consecuente, que es comprado debido a la compra de los productos consecuentes.

Resulta que: X => Y.

Si aplicamos lo dicho al caso de la cesta de la compra en el supermercado, tras analizar las relaciones existentes entre las compras de los clientes, tendríamos que, por ejemplo:

{Leche, Pan} => {Mantequilla}. Donde:

X = {Leche, Pan} son los Antecedentes

Y = {Mantequilla} es el Consecuente

Cabe destacar que las reglas de asociación son de aplicación en cualquier sector, como el sector asegurador, sector turístico o sector educación, entre otros.

Análisis predictivo para Cross-Selling con SPSS Modeler

Con la herramienta de tratamiento estadístico y análisis predictivo IBM SPSS Modeler, podemos aplicar técnicas de Cross-Selling para conocer qué producto debemos ofrecer a un cliente para que acepte nuestra propuesta.

A continuación se muestra un caso de uso de Cross Selling llevado a cabo con SPSS Modeler. Este caso de uso hace referencia a datos que describen los productos que compra un cliente en un supermercado.

En él se observan las fases o pasos seguidos tanto para desarrollar el modelo de reglas de asociación como para visualizar mediante un gráfico malla los enlaces entre los artículos comprados.

¿Quieres más información?
Déjanos tu teléfono y te llamamos:

Modelado Cross-Selling con SPSS Modeler paso a paso

Paso 1: Acceso a los datos

Mediante el nodo Origen podemos acceder y leer cualquier conjunto de datos en cualquier formato, como csv, txt o xlsx, entre otros. En este caso, hemos empleado un archivo de texto en columnas delimitadas.

Paso 2: Lectura de datos

Una vez que hemos obtenido el conjunto de datos, pasamos a su lectura mediante el nodo Resultado.

En el conjunto de datos podemos observar variables descriptivas del cliente cómo IdCliente, PrecioCompra, MétodoPago, Sexo, CasaPropia, Ingresos o Edad.

Pero nuestras variables objeto de estudio son las variables referentes a los productos comprados, en este caso, la variable Fruta, Carne, Lácteos, Pan, Carne enlatada, Mantequilla, Leche, Vino, Refresco, Pescado y Pasteles.

El resto de variables podrían ser usadas para otro de los muchos estudios predictivos que podemos realizar.

Paso 3: definición de los datos para el posterior modelado

Una vez leídos los datos, hay que definir el tipo de dato mediante el nodo Tipo. Recordamos que estamos ante un modelado de Cross Selling mediante reglas de asociación, por lo que sólo nos interesan las variables referentes a los productos del supermercado.

 

Paso 4: Gráfico malla para visualizar relaciones entre productos

Una vez definida la naturaleza de cada dato a estudiar, analizamos las relaciones entre productos de una forma visual. Esto lo hacemos mediante el nodo Gráfico de tipo Malla, obteniendo lo siguiente:

Cómo se puede observar en el gráfico, obtenemos las relaciones existentes entre los productos comprados por los clientes. Como ya introducimos anteriormente, los productos leche, mantequilla y pan se relacionan fuertemente, así como la fruta con el pescado y los pasteles con los refrescos.

Pero ¿podemos saber qué producto comprará un cliente sin tener que ir viendo uno a uno qué producto ha comprado anteriormente dicho cliente? La respuesta es sí, a continuación lo vemos.

¿Quieres más información?
Déjanos tu teléfono y te llamamos:

Paso 5: Modelado con reglas de asociación a priori para Cross-Selling

En el paso anterior obtenemos las relaciones entre los productos, pero no qué producto ofreceremos a un cliente con una alta probabilidad de compra. Esto lo conseguimos mediante un modelado de reglas de asociación.

Con el nodo Modelado y el algoritmo a priori, podemos obtener una lista con cada cliente y el producto que le debemos ofrecer para que éste acepte la propuesta.

En las opciones del nodo de algoritmo a priori, establecemos la configuración del modelo y lo ejecutamos.

Paso 6: Visualización de estadísticas mediante algoritmo a priori

A continuación vemos parte de la tabla de salida con las estadísticas de los productos comprados por los clientes. A mayor % de confianza de la regla mayor es la probabilidad de que se cumpla.

Paso 7: Tabla de salida para Cross-Selling

Lo que nos interesa es conocer qué producto nos va a comprar cada cliente según el histórico de ventas disponible. Una vez generados los modelos matemáticos y ya obtenidos los resultados, se exportan los mismos con un formato similar al que mostramos a continuación.

Habrá ocasiones en las que el modelo no será capaz de conocer qué producto puede comprar un cliente en función del análisis de los datos proporcionados, proporcionando un “null” en estos casos, y puede haber clientes que poseen una alta probabilidad de compra en más de 2 o 3 productos, mostrando la probabilidad de compra para dichos productos.

Tras realizar todo este proceso, podemos sacarle partido al análisis del dato para mejorar la toma de decisiones optimizando los recursos y ventas, respondiendo a las siguientes preguntas:

¿Qué relación existe entre los productos que ofrezco?

¿Qué producto debo ofrecer a un cliente para que éste lo compre?

¿Quieres más información?
Déjanos tu teléfono y te llamamos:

¿Quieres recibir más información?

Si deseas estar informado de las tendencias, recomendaciones y novedades del sectorinscríbete en nuestro boletín de noticias.

Si deseas ponerte en contacto con nosotros visita, por favor, el siguiente enlace.

Sicrom