Aplicación de técnicas de machine learning en el desarrollo de un sistema de apoyo en la toma de decisiones para la segmentación de clientes en una cadena de cafeterías.

Abstract

El aprendizaje de máquina no supervisado es el campo de machine learning que demanda mayor esfuerzo para los científicos de datos y una amplia aplicación para distintas áreas de negocio. En la actual propuesta de desarrollo se analizan los algoritmos más utilizados para la segmentación de clientes desde un enfoque de negocio para los administradores de los departamentos de marketing en empresas de alimentos y bebidas en especial las cafeterías que poseen gran cantidad de clientes. El agrupamiento o clustering es la técnica de machine learning utilizada para este tipo de análisis. Esta técnica se basa en analizar los datos para encontrar similitudes y agruparlos en segmentos o cluster con características similares entre sí y diferentes con respecto a los otros segmentos. Siguiendo la metodología CRISP-DM para desarrollar el modelo de machine learning en base al análisis RFM (Recencia, Frecuencia, Monto de consumo), se aplicaron los algoritmos jerárquicos, mapas auto organizados basado en redes neuronales y k-means. En todas las etapas de desarrollo del Trabajo de Titulación se ha utilizado la herramienta RStudio de libre distribución. Para validar el resultado de los segmentos encontrados se ha aplicado los dos índices de validación de agrupamiento comúnmente utilizados: el ancho de la silueta y el índice Dunn.