12/11/2016

1

Data-base decisions 4 value innovation

Diego VallarinoVP of Operations

dvallarino@overactiveinc.com@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…