Modernización de los procesos Cross-selling y Up-selling

machine learning cross selling upsetting

Las técnicas de cross-selling y up-selling se llevan utilizando desde hace mucho tiempo en diversas industrias. Diversos estudios muestran que cuando estas técnicas son implementadas correctamente se pueden lograr ratios de conversión de hasta el 70%. Generalmente se suele utilizar técnicas multicanal como: ofrecer productos cuando el cliente llama para soporte al call center (oferta pasiva), SMS dirigidos a los clientes, llamadas desde nuestros call centers a nuestros clientes (activa) y/o ofertas enviadas directamente por correo electrónico o tradicional. En la mayoría de estas campañas el principal driver para elegir un tipo de canal u otro suele ser el coste; por ejemplo, enviar miles de SMS es muy barato, sin embargo, muchas veces no se toma en cuenta la efectividad que ha tenido la campaña cuando por el excesivo bombardeo de mensajes que hacen que los potenciales clientes, estos ignoran absolutamente todas las formas de contacto.

Es importante ser capaces de elegir adecuadamente el grupo objetivo, aquellos con la mayor propensión a comprar los productos que se le ofrecen. Aquí es donde entran las nuevas técnicas y tecnologías de aprendizaje automático (machine learning) como los sistemas de recomendación, ampliamente utilizados en el cross-selling para buscar perfiles similares a nuestros clientes y encontrar nuevos productos en los que puedan estar interesados.

Técnicas de Machine Learning actuales: Redes bayesianas y clasificadores

En los últimos diez años se han utilizado estas dos técnicas con un buen grado de éxito. Las redes bayesianas se basan en la construcción de una ontología (o conocimiento de Negocio) en forma de una red la cual es refinada hasta poder hacer recomendaciones para clientes. Los clasificadores comúnmente utilizados son Support Vector Machine, clasificadores bayesianos ingenuos y árboles de decisiones. Sin embargo, todos estos modelos actualmente se consideran anticuados por no tomar en cuenta mucha información oculta dentro de los datos, actualmente la técnica utilizada con mejores resultados es el filtrado colaborativo basado en contenidos.

machine learning classifiers

Nuevas técnicas de Machine Learning: Filtrado colaborativo y filtrado basado en contenido

El filtrado colaborativo se basa en encontrar a un grupo de clientes con gustos similares. Para cada uno de nuestros clientes, una de las formas de resolver el filtrado colaborativo es utilizando una factorización matricial de una matriz donde tengamos a los clientes (X) y los productos que han comprado (Y). Las dos matrices resultantes de la factorización suelen mantener la información más relevante de las preferencias de nuestros clientes pero con menos dimensiones. Finalmente, estas dos matrices se multiplican entre ellas para generar una nueva matriz donde los espacios que antes estaban vacíos ahora nos darán un valor que sugiere la preferencia o propensión a productos similares de un grupo de usuarios con preferencias parecidas de consumo.

El filtrado colaborativo basado en contenidos es la técnica de recomendación que ofrece mejores resultados #machinelearning Clic para tuitear

Otra técnica es el filtrado basado en contenido, donde la idea principal es recomendar productos similares a los que previamente ha comprado el cliente o a los cuales les ha puesto una valoración alta. Esto parece algo obvio, pero cuando nuestro catálogo de productos es enorme no es una tarea sencilla. Lo primero que se debe de hacer es generar un perfil de cada uno de nuestro productos, este perfil puede ser representado, por ejemplo, en forma de un vector donde las diferentes características se definen como un valor booleano, entero o real. Todos los “vectores” o perfiles de nuestros productos deberán de tener todas las características (columnas) que existan en nuestro catálogo.

Una vez construidos los perfiles de los productos, se debe calcular el perfil de cada cliente. Esto se puede hacer obteniendo una media de los perfiles de productos comprados o valorados positivamente por nuestro cliente. Finalmente podríamos comparar el perfil del cliente con todos los perfiles de nuestros productos para encontrar recomendaciones.

Todas estas técnicas para sistemas recomendaciones con cross-selling y up-selling pueden implantarse fácil y eficientemente en la nube pública, ya que podemos ajustar la demanda de GPU o CPU dependiendo de nuestros procesos batch para el cálculo de las recomendaciones.

como funciona el filtrado colaborativo

La nube pública y ajustar la demanda #GPU o #CPU permite implementar sistemas de recomendación eficientes #machinelearning Clic para tuitear
Luis González Abundes

Principal Architect en Keepler. "Me gusta trabajar en infraestructuras y aplicaciones back-end creando y diseñando la arquitectura de sistemas. Me siento más cómodo en el departamento de I+D ya que mi espíritu curioso y aventurero siempre encuentra la manera de solucionar los problemas y retos a los que me enfrento."

Port Relacionados

¿Qué opinas?

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.