Upload
overactive-inc
View
60
Download
0
Embed Size (px)
Citation preview
12/11/2016
1
Data-base decisions 4 value innovation
Diego VallarinoVP of Operations
[email protected]@diego_vallarino
Steve Tadelis (eBay)
Susan Athey (Microsoft)
Hal Varian (Google)
Preston McAfee (Yahoo)
12/11/2016
2
1 - #MiopíaDeProblemasProblemas vs Síntomas
12/11/2016
3
12/11/2016
4
2 - #InnovarEnSolucionesLa explicación está en otro lado
Video
12/11/2016
5
3 - #DataIsTheKing“Los datos son como los caballos salvajes,
bellos y con mucho potencial, pero salvajes no sirven de nada”
12/11/2016
6
“El objetivo de un Sistema de Recomendación es generar sugerencias denuevos ítems o predecir la utilidad de un ítem específico para un usuarioparticular.”
Recomendación
Predicción
Datos de contenido
Datos demográficos
RatingsBasado en contenido
Filtrado Colaborativo
Híbrido
EntradasSistema de Recomendación
Salidas
Película 1 Película 2 Similitud
Ghost Pretty Woman 0.3458
Ghost Sister Act 0.3364
Ghost Dirty Dancing 0.3226
Ghost Titanic 0.283
Ghost What Women Want 0.2751
Ghost Mrs. Doubtfire 0.2637
Película
Puntuación
real
Puntuación
estimada
Pretty Woman 5 4,08250
Sister Act 3 3,56380
Dirty Dancing 5 4,14410
Titanic 5 4,07080
What Women Want 3 3,48420
Mrs. Doubtfire 4 3,56380
Tabla I. Ghost y sus 6 películas más similares. Tabla II. Puntuaciones Reales vs. Estimadas.
Usemos la pelicula Ghost para probar la exactitud de los resultadosde la Matriz de Similitudes.
12/11/2016
7
12/11/2016
8
4 - #ChangeTheGameFunción continua de Data Value
Innovation
12/11/2016
9
¿Cómo trabajamos en Data Science?
12/11/2016
10
Precio vs Valor : vs = Disponibilidad a Pagar
FUENTE: Overactive Framework
12/11/2016
11
12/11/2016
12
Dashboards & Visualization
Dashboards & Visualization
12/11/2016
13
¿Cómo se comporta(rá) cada cliente?
Variable a explicar
Clientes que se dieron de baja en t / Clientes al inicio de t.
(Two-Class Logistic Regression)
Variables explicativas(Correlación o Causalidad)
• # Clientes perdidos en el periodo• # Clientes ganados en el periodo• Promedio de tiempo del cliente
en la empresa• Cantidad de garantías• Costo de garantías• Cantidad de Quejas• % Satisfacción de Cliente• Promedio de tiempo de entrega
del producto/servicio
12/11/2016
14
¿Esta persona es(será) sujeto de crédito?
Variable a explicar
Pagará el crédito contraído
Variables explicativas
(Correlación o Causalidad)
• Uso de tarjeta de crédito• Monto de pagos de facturas• Antigüedad como cliente• Antigüedad en empleo• Edad• Formación• Sexo• # Hijos
(Two-Class Boosted Decision Tree)
¿Qué de factor de aglutinamiento tiene(tendremos)?
Variable a explicar
Comportamiento que definan economía de
cercanía
(Cluster = k-means)
Variables explicativas
(Correlación o Causalidad)
• Compras
• Edad
• Sexo
• Momento de compra
• Lugar de compra
• Desempleo
• Inflación
12/11/2016
15
+ +
Muchas Gracias…