Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático
El departamento de mercadeo de los laboratorios PHARMADERM S.A. y SKINDRUG S.A., no cuenta con una herramienta que permita identificar clientes con necesidades simulares para hacer un marketing dirigido, con el propósito de desarrollar nuevas estrategias de mercadeo específicas, y así aumentar las c...
- Autores:
-
Díaz Alonso, John
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2022
- Institución:
- Pontificia Universidad Javeriana Cali
- Repositorio:
- Vitela
- Idioma:
- spa
- OAI Identifier:
- oai:vitela.javerianacali.edu.co:11522/2158
- Acceso en línea:
- https://vitela.javerianacali.edu.co/handle/11522/2158
- Palabra clave:
- Rights
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
id |
Vitela2_70178c00e0c777e6d1463900b9f04e24 |
---|---|
oai_identifier_str |
oai:vitela.javerianacali.edu.co:11522/2158 |
network_acronym_str |
Vitela2 |
network_name_str |
Vitela |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
title |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
spellingShingle |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
title_short |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
title_full |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
title_fullStr |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
title_full_unstemmed |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
title_sort |
Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático |
dc.creator.fl_str_mv |
Díaz Alonso, John |
dc.contributor.advisor.none.fl_str_mv |
Álvarez, Gloria Inés |
dc.contributor.author.none.fl_str_mv |
Díaz Alonso, John |
description |
El departamento de mercadeo de los laboratorios PHARMADERM S.A. y SKINDRUG S.A., no cuenta con una herramienta que permita identificar clientes con necesidades simulares para hacer un marketing dirigido, con el propósito de desarrollar nuevas estrategias de mercadeo específicas, y así aumentar las compras de los clientes. Por esta razón, el proyecto tiene como objetivo desarrollar un modelo de identificación de conglomerados de la base de datos de los clientes de los laboratorios, mediante la preparación de los datos, los modelos de agrupamiento de los clientes, la evaluación y recomendación del modelo seleccionado y un medio de visualización para los resultados obtenidos. En la preparación de los datos se unifico un dataset con 17 atributos y 852.448 registros, correspondientes a 683 clientes, y posteriormente se generaron 6 datasets (obsequios, tipo de cliente, demográfico, cosméticos, magistrales y medicamentos) de acuerdo con el enfoque de negocio que determino el departamento de mercadeo y ventas. Posteriormente, se seleccionaron los hiper-parámetros para los modelos de entrenamiento, k-means y jerárquico con el método del codo (elbow method), y el coeficiente de la silueta (silhouette coefficient), y para el modelo DBSCAN, el algoritmo k vecinos más cercanos (k-nearest neighbors algorithm). Finalmente, en la evaluación y selección del modelo se escoge el modelo de entrenamiento K-means, determinado con el índice de Davies Bouldin (Davies-Bouldin index), con mejores los índices más cercanos a cero (0), señalando clústeres más compactos, y con los centros de cada clúster bien separados. Adicional, se realiza un análisis de los modelos obtenidos con el gráfico del radar también conocido como gráfico de araña o grafico de estrella, |
publishDate |
2022 |
dc.date.issued.none.fl_str_mv |
2022 |
dc.date.accessioned.none.fl_str_mv |
2024-06-11T15:05:29Z |
dc.date.available.none.fl_str_mv |
2024-06-11T15:05:29Z |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
dc.type.local.none.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Maestría |
dc.type.redcol.none.fl_str_mv |
https://purl.org/redcol/resource_type/TM |
format |
http://purl.org/coar/resource_type/c_bdcc |
dc.identifier.uri.none.fl_str_mv |
https://vitela.javerianacali.edu.co/handle/11522/2158 |
url |
https://vitela.javerianacali.edu.co/handle/11522/2158 |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.creativecommons.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.accessrights.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
dc.format.extent.none.fl_str_mv |
96 p. |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Pontificia Universidad Javeriana Cali |
publisher.none.fl_str_mv |
Pontificia Universidad Javeriana Cali |
institution |
Pontificia Universidad Javeriana Cali |
bitstream.url.fl_str_mv |
https://vitela.javerianacali.edu.co/bitstreams/e9e90377-2475-40a5-8c14-1bf30327d627/download https://vitela.javerianacali.edu.co/bitstreams/17e2c989-1f6b-49ea-abec-de7b080b801b/download https://vitela.javerianacali.edu.co/bitstreams/aadf1256-c6e1-4d80-8d78-7575c8417cb7/download https://vitela.javerianacali.edu.co/bitstreams/b674bb0a-2b64-4bfd-b091-ef90293079a8/download https://vitela.javerianacali.edu.co/bitstreams/2c797d11-31ca-4251-9e34-6fc10c148021/download https://vitela.javerianacali.edu.co/bitstreams/d5a6c979-8689-4b40-a2a3-bef844470bff/download https://vitela.javerianacali.edu.co/bitstreams/2b993001-9348-47d9-97f3-ca73399d50ff/download |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 8cb081de910b729d47ffa8b22258f304 ad4377654bd74c05ab67f0e7fb6b1582 3589f982193c7f77bfd6c5ad30e4327d 34a9da1047eab422933816d98d191aee 8fffa2dfdc2e3db532ff33875ecb35a0 38082664f73ad383235a57fa4b5db118 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Vitela |
repository.mail.fl_str_mv |
vitela.mail@javerianacali.edu.co |
_version_ |
1812095045987205120 |
spelling |
Álvarez, Gloria InésDíaz Alonso, John2024-06-11T15:05:29Z2024-06-11T15:05:29Z2022https://vitela.javerianacali.edu.co/handle/11522/2158El departamento de mercadeo de los laboratorios PHARMADERM S.A. y SKINDRUG S.A., no cuenta con una herramienta que permita identificar clientes con necesidades simulares para hacer un marketing dirigido, con el propósito de desarrollar nuevas estrategias de mercadeo específicas, y así aumentar las compras de los clientes. Por esta razón, el proyecto tiene como objetivo desarrollar un modelo de identificación de conglomerados de la base de datos de los clientes de los laboratorios, mediante la preparación de los datos, los modelos de agrupamiento de los clientes, la evaluación y recomendación del modelo seleccionado y un medio de visualización para los resultados obtenidos. En la preparación de los datos se unifico un dataset con 17 atributos y 852.448 registros, correspondientes a 683 clientes, y posteriormente se generaron 6 datasets (obsequios, tipo de cliente, demográfico, cosméticos, magistrales y medicamentos) de acuerdo con el enfoque de negocio que determino el departamento de mercadeo y ventas. Posteriormente, se seleccionaron los hiper-parámetros para los modelos de entrenamiento, k-means y jerárquico con el método del codo (elbow method), y el coeficiente de la silueta (silhouette coefficient), y para el modelo DBSCAN, el algoritmo k vecinos más cercanos (k-nearest neighbors algorithm). Finalmente, en la evaluación y selección del modelo se escoge el modelo de entrenamiento K-means, determinado con el índice de Davies Bouldin (Davies-Bouldin index), con mejores los índices más cercanos a cero (0), señalando clústeres más compactos, y con los centros de cada clúster bien separados. Adicional, se realiza un análisis de los modelos obtenidos con el gráfico del radar también conocido como gráfico de araña o grafico de estrella,The marketing department of PHARMADERM S.A. and SKINDRUG S.A., does not have a tool to identify customers with similar needs to carry out targeted marketing, with the purpose of developing new specific marketing strategies, and thus increase customer purchases. For this reason, the project aims to develop a conglomerate identification model of the database of the laboratories' clients, through the preparation of the data, the models of grouping of the clients, the evaluation and recommendation of the selected model. and a display means for the results obtained. In the preparation of the data, a dataset with 17 attributes and 852,448 records, corresponding to 683 clients, was unified, and subsequently 6 datasets were generated (gifts, type of client, demographic, cosmetics, magistrals and medicines) according to the business approach. determined by the sales and marketing department. Subsequently, hyper-parameters were selected for the training models, k-means and hierarchical with the elbow method, and the silhouette coefficient, and for the DBSCAN model, the k neighbors’ algorithm closest neighbors (k-nearest neighbors’ algorithm). Finally, in the evaluation and selection of the model, the K-means training model is chosen, determined with the Davies-Bouldin index, with the indices closest to zero (0) being the best, indicating more compact clusters, and with the centers of each cluster well separated. Additionally, an analysis of the models obtained with the radar chart, also known as the spider chart or star chart, is carried out, accompanied by the marketing and sales department for their assessment.96 p.application/pdfspaPontificia Universidad Javeriana Calihttps://creativecommons.org/licenses/by-nc-nd/4.0/https://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automáticohttp://purl.org/coar/resource_type/c_bdccTesis/Trabajo de grado - Monografía - Maestríahttps://purl.org/redcol/resource_type/TMFacultad de Ingeniería y Ciencias. Maestría en Ingeniería de SoftwareMaestríaLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://vitela.javerianacali.edu.co/bitstreams/e9e90377-2475-40a5-8c14-1bf30327d627/download8a4605be74aa9ea9d79846c1fba20a33MD51ORIGINALProyecto Final-John Díaz Alonso-Maestría en Ing. de Software.pdfProyecto Final-John Díaz Alonso-Maestría en Ing. de Software.pdfapplication/pdf7813661https://vitela.javerianacali.edu.co/bitstreams/17e2c989-1f6b-49ea-abec-de7b080b801b/download8cb081de910b729d47ffa8b22258f304MD51A.LICENCIA DE USO - TG.pdfA.LICENCIA DE USO - TG.pdfapplication/pdf215729https://vitela.javerianacali.edu.co/bitstreams/aadf1256-c6e1-4d80-8d78-7575c8417cb7/downloadad4377654bd74c05ab67f0e7fb6b1582MD52TEXTProyecto Final-John Díaz Alonso-Maestría en Ing. de Software.pdf.txtProyecto Final-John Díaz Alonso-Maestría en Ing. de Software.pdf.txtExtracted texttext/plain102360https://vitela.javerianacali.edu.co/bitstreams/b674bb0a-2b64-4bfd-b091-ef90293079a8/download3589f982193c7f77bfd6c5ad30e4327dMD511A.LICENCIA DE USO - TG.pdf.txtA.LICENCIA DE USO - TG.pdf.txtExtracted texttext/plain4873https://vitela.javerianacali.edu.co/bitstreams/2c797d11-31ca-4251-9e34-6fc10c148021/download34a9da1047eab422933816d98d191aeeMD513THUMBNAILProyecto Final-John Díaz Alonso-Maestría en Ing. de Software.pdf.jpgProyecto Final-John Díaz Alonso-Maestría en Ing. de Software.pdf.jpgGenerated Thumbnailimage/jpeg3553https://vitela.javerianacali.edu.co/bitstreams/d5a6c979-8689-4b40-a2a3-bef844470bff/download8fffa2dfdc2e3db532ff33875ecb35a0MD512A.LICENCIA DE USO - TG.pdf.jpgA.LICENCIA DE USO - TG.pdf.jpgGenerated Thumbnailimage/jpeg5289https://vitela.javerianacali.edu.co/bitstreams/2b993001-9348-47d9-97f3-ca73399d50ff/download38082664f73ad383235a57fa4b5db118MD51411522/2158oai:vitela.javerianacali.edu.co:11522/21582024-06-25 05:13:58.977https://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://vitela.javerianacali.edu.coRepositorio Vitelavitela.mail@javerianacali.edu.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 |