Estrategias de modelos de recomendación para selección de ofertas en el sector Retail
Este trabajo busca implementar una metodología híbrida de recomendación a partir de filtros colaborativos basados en modelos predictivos, para identificar las líneas de producto de mayor afinidad a cada cliente dentro de una ventana definida de tiempo, con el fin de personalizar la oferta mensual de...
- Autores:
-
Peña Trujillo, Roberto
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/55840
- Acceso en línea:
- http://hdl.handle.net/1992/55840
- Palabra clave:
- Sistemas de recomendación
Sistemas híbridos
Filtros colaborativos
Analítica avanzada
Machine learning
Ensemble models
Xtreme Gradient Boosting
Light Gradient Boosting
Arboles de decisión
Banca
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| Summary: | Este trabajo busca implementar una metodología híbrida de recomendación a partir de filtros colaborativos basados en modelos predictivos, para identificar las líneas de producto de mayor afinidad a cada cliente dentro de una ventana definida de tiempo, con el fin de personalizar la oferta mensual de promociones especiales, realizada de manera colaborativa entre entidades bancarias y retailers. Para esto, se utilizan metodologías de modelos predictivos de Machine Learning, optimizado hacia la minimización de la pérdida logarítmica de la función de verosimilitud de distribución binaria. Para el sistema global, se analizan las métricas de AUC de la curva ROC, Hit Ratio, cobertura y porcentaje de recomendaciones (Top 5 rankings) para distintos posicionamientos en los rankings de los ítems. En cuanto a la información utilizada, se aprovechan, como información endógena, las ventanas de tiempo más recientes de las compras de los clientes para favorecer la venta cruzada y las ventanas de tiempos pasadas para encontrar estacionalidad de compra; como información exógena, se utiliza la información bancaria de los clientes, tanto de productos, como de medios de pago, además de información del sector financiero. En específico, se comparan los algoritmos de Extreme Gradient Boosting y Light Gradient Boosting, en términos de precisión y eficiencia de recursos. |
|---|