M. Marin Martinez, J. M. del Río
Se presenta cómo el uso de estos modelos permite ofrecer el móvil adecuado a un determinado cliente post-pago con la finalidad de aumentar su consumo y, así, optimizar la compra de los terminales futuros por parte de la compañía. Qué problemas aparecen: a) Terminal: gran número de fabricantes y modelos, múltiples características por terminal (algunas futuras no existentes), diferentes sistemas operativos (Android, Qwerty, Táctil, Bluetooth, Cámara, \dots). b) Usuario: distintos usos que da al móvil (GPS, SMSs, Redes sociales, \dots). c) Dinamismo del negocio: abandono de clientes porque la competencia le ofrece otro terminal o tarifa. d) Volumen: millones de clientes. e) Predicción: si es difícil tomar decisiones con los terminales actuales, mucho más es realizarlo con terminales futuros. ¿A qué precio hay que adquirirlos? f) Ciclo de vida. Los modelos permiten extraer los datos de las múltiples fuentes y preprocerlos para aplicar data mining. Este proceso se realiza una vez y se automatiza para nuevos datos. Se obtienen mejoras de un 83\% al evaluar el terminal más eficaz.
Palabras clave: aprendizaje automático, data mining, predictive analytics, redes bayesianas, mgp
Programado
XA3 Métodos bayesianos 3
18 de abril de 2012 09:00
Sala Londres
