El mundo de los datos: data science y machine learning

1

Aprende ciencia y análisis de datos para optimizar las estrategias de tu negocio

2

Retos para aprender ciencia de datos

3

¿Qué es ciencia de datos y big data? ¿Cómo afectan a mi negocio?

4

¿Qué tipo de información podemos analizar?

5

¿Cómo crear empresas y culturas data-driven?

6

¿Qué es inteligencia artificial y machine learning?

7

¿Qué es deep learning? Análisis de imagen, audio y video

Herramientas y roles de trabajo en ciencia de datos

8

Flujo de trabajo en ciencia de datos: fases, roles y oportunidades laborales

9

Herramientas para cada etapa del análisis de datos

10

¿Qué es y cómo usar una base de datos relacional con SQL?

11

Cómo estructurar queries en SQL

12

Conflictos y retos actuales sobre la ética y tratamiento de datos

Problema de negocio: análisis

13

Aplica técnicas de storytelling para convertir problemas de datos en historias

14

Cómo estructurar un caso de negocio

15

Análisis cuantitativo en un caso de negocio

16

Análisis cualitativo en un caso de negocio

17

Fusión cuanti-cualitativa en un caso de negocio

18

¿Qué es minería de texto? ¿Cómo usarla para obtener información adicional?

19

Variación de comportamientos a partir de la geolocalización

Problema de negocio: implementación

20

Acciones, algoritmos y toma de decisiones según los resultados del análisis

21

Apuntes y cursos para aprender ciencia de datos

22

Continúa aprendiendo ciencia y análisis de datos para ejecutar estrategias efectivas

23

👥🦾 Actividades de la comunidad de la Escuela de Data Science e Inteligencia Artificial

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Análisis cuantitativo en un caso de negocio

15/23
Recursos

Aportes 230

Preguntas 59

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

En uber pasaba algo similar
.
La mayoría de personas se quejaban por tener una mala experiencia con el conducto en el trayecto y buscaban una compensación económica o un bono de descuento en su siguiente viaje
.
Después de meses de consolidarse en el mercado dieron la directriz de acabar con las compensaciones económicas y vaya sorpresa, al inicio los top offenders estaban super indignados( y en su mayoría usaban el servicio 1 o 2 veces al mes) pero con el paso del tiempo, entendieron que esas épocas de recibir compensaciones económicas cada rato se acabaron y bajo el volumen de quejas por este tema drásticamente

1.- ¿Qué?

-¿Quienes pueden ser los top offenders?

Para identificarlos debemos descargar la información de la manera más genérica posible y después se clasifican. Para que sea genérico tenemos que encontrar cualquier cliente que por lo menos haya hecho una queja en un mes, al equipo de soporte. Hacer macros o variables adaptables por ciudad y por mes. Esto servirá para replicarlo.

2.- Identificación

Para identificar quiénes son debemos encontrar patrones de comportamiento y variables significativas estos van a ser las variables que nos ayuden a definir si alguien es ofender top offender.

Hipótesis de variables

  • Madurez. Experiencia del usuario utilizando la plataforma, lo evaluamos al verificar el número de comprar realizadas.
  • Quejas mensuales. Número de quejas que hizo un cliente o usuario.
  • Compras Mensuales. Evaluar el numero de compras y el número de quejas correspondientes a esas compras. Encontrar una relación de comportamiento.
  • Gasto mensual. Tomar en cuenta el tipo de producto y su complejidad, lo cuál va relacionado muchas veces con el precio del mismo.
  • Créditos y dinero devuelto. Identificar si es una persona que busca una compensación económica.
  • Margen operativo neto. Es el Rendimiento. Que te queda como empresa a partir del comportamiento del usuario o cliente.
    • (Lo que vendí x precio de lo que vendí)- recursos de soporte post venta - Dinero devuelto == Cuanto nos queda a la empresa.

3.- Fase de Definición

Objetivo = encontrar una segmentación con base en la rentabilidad.

Si un usuario es más rentable(compra más), le permito que se queje más.

Threshold(límite). Definir el límite entre una persona que sus quejas sean normales y otra que excede las quejas normales. Definir un Threshold para cada categoría.




Que poco claro este módulo.

Esta clase me atizó la imaginación.

Los números son maravillosos. Es increible lo que se puede explicar con ellos y las decisiones que podemos tomar con ellos.

En mi ejemplo abordamos a los top clients.

Ya con los clientes ordenados por lifetime value, a la empresa la interesa saber de estos, ¿Cuáles son el 20% que otorgan el 80% de las ventas?, obtener el perfil y buscar más clientes con esas características.

Aunado a eso, se quiere comprender de estos clientes , ¿Cuáles son los que en su mayoría compran los servicios más sencillos de llevar a acabo para la empresa? De esta forma se obtiene un indicador para tener la mayor eficiencia en cuestión de costo/utilidad por cliente.

¡Hola, Comunidad! Cuando la profesora dice, podríamos tener un 8% si impactamos a un 2%, pero eso no nos interesa porque necesitamos impactar al menos número de usuarios que afectan al mayor número de usuarios. Esto cumple con el Principio de Pareto muy importante cuando se están analizando datos. Hay una clase en un curso de aquí mismo cuya introducción es una explicación a este principio:

¿Alguien podría explicarme el Analisis Cuantitativo: aplicación? de verdad que no me quedo muy claro lo del porcentaje limite y volumen de quejas

Una duda, entiendo que el porcentaje limite es el porcentaje de los usuarios que son top offenders, al menos en esa categoría no?

Pero si antes en la categoría regular eran 280k, de los cuales el 20% es top offender, entonces porque la cantidad de esos offender son 40k, si el 20% de 280k no son 40k?
Y así aplica para las demás categorías.
O estaré confundiendo algún concepto?

Les agradezco su ayuda

Mi hipótesis: Clasificar los tipos de jugadores por antigüedad, 0 a 2 años, 3 a 5 años, 6 o más años. Los jugadores con más tiempo en los videojuegos de la franquicia son los que más se quejan.
Mi estrategia: Identificar los tipos de mensajes relacionados con la antiguedad del jugador en la franquicia.
Mis usuarios: Si los usuarios que más se quejan son los que llevan más tiempo en la plataforma, entonces en realidad no se está brindando una buena atención al jugador.

Compañeras y compañeros
Podrían ayudarme a entender que significa el Total Activos ?
Muchas gracias por su ayuda

Análisis cuantitativo: Cuando hacemos referencia a este tipo de análisis, en síntesis nos referimos a hacer un estudio de los datos que hay en nuestra empresa. Algo que es de suma importancia para esto es identificar y analizar cuáles son las variables numéricas que tenemos a disposición, una vez hecho esto es importante determinar cuales son aquellas variables que nos aportan información importante a la solución del problema. Hay una estructura que se basa en 3 pasos para llevar a cabo este proceso, la cual es la siguiente:

Descargar información: Para esto es necesario que acudamos a nuestra base de datos, determinemos variables que probablemente nos muestran información importante, extraerlas y sintetizarlas para poder ser estudiadas más a detalle.
Identificar: Una vez con la información proveniente de la base de datos, debemos de hacer un análisis más riguroso, a través del cuál podamos identificar de una forma muy clara las variables que generan relevancia para nosotros.
Definir: Con esta nos referimos a encontrar una segmentación de los usuarios en función de la rentabilidad que nos genera cada uno de estos, es decir, clasificar a los usuarios en función de las utilidades que este nos genere.

Una vez que tengamos este esquema bien definido debemos de hacer un mapeo de los clientes, conocer la cantidad de clientes que tenemos según el valor que aporta a la empresa por sección y saber sus estadísticas de datos generales en una media, para de esta forma identificar aquellos que tienen un comportamiento inusual. Una vez a partir de esto debemos de sintetizar la información para que sea interpretable, como por ejemplo en tablas o gráficas. Con eso ya podemos sacar conclusiones. Es de suma importancia que podamos discernir en los datos que nos generan alto alcance en los datos con muy pequeños volúmenes de información.

La clave para generar un análisis cuantitativo exitoso está en definir un límite, con el cual podamos impactar a la menor cantidad de usuarios que generan algún problema y que a su vez nos permitan impactar en la mayor cantidad de quejas o problemas.

Problema: La empresa tiene montos de dinero sin aplicar de facturas pagadas por los clientes en toda latinoamérica:

  • Cantidad de clientes que tienen saldo sin aplicar a las facturas
  • Cantidad de clientes que hacen más de un pago al mes
  • Cantidad de facturas que cancelan en un pago

Es como dijo fredy en uno de sus videos, los que más se quejan de platzi y piden más cursos son personas que no están suscritas en la plataforma.
Un ejemplo claro de que la opinión popular puede jugarte en contra si no mides de donde vienen.

Problema: Los usuarios no recibieron su entrega.


Buscaría los usuarios que:

  • Mínimo hayan tenido 1 queja de ese problema.
  • Con 1 compra al menos.

Clasificaría a los usuarios según su:

  • Domicilio de entrega
  • Producto pedido
  • Compras realizadas
  • Veces que fue afectado por este problema en específico (no recibió la entrega)

Mi hipótesis:

  • Opciones:
    • El sistema marcó que el producto fue entregado a una hora fuera del horario laboral.
    • El sistema marcó que el producto se entregó cuando no ocurrió eso.
    • El camión de entregas no llegó a cubrir todas las entregas correspondientes a ese día.
    • La persona no estaba presente cuando el producto iba a ser entregado (cliente descartado).
    • La persona hizo su pedido desde un domicilio al que no tenemos alcance.

Mi estrategia:

  • Clasificaría todos los reportes de que su pedido no fue entregado en 4 categorías:
    • Sistema (hora): La entrega sucedió en un horario fuera del laboral.
    • Sistema (entrega): La entrega nunca ocurrió.
    • Cantidad de entregas: No se hicieron todas las entregas correspondientes al día.
    • Domicilio: No tenemos alcance al domicilio dónde se hizo el pedido.

Mis usuarios

  • Platinium (100 compras)
  • Oro (60 compras)
  • Plata (30 compras)
  • Bronce (5 compras)
  • Nuevo (1 compra)

Creo que el éxito del analisis de datos al momento de validar una hipótesis es encontrar la categoría correcta en donde nos podamos acercar a un 80/20 donde el 80% del resultado lo realice el 20% de la categoría que estemos analizando

DESCARGAR INFORMACION

  • Limpieza de datos que servirán para el análisis

IDENTIFICAR

  • Patrones y ratios de comportamiento
  • Variables significativas
  • Tener en cuenta el rendimiento de la empresa

DEFINIR

  • Segmentar según la rentabilidad
  • Treshold -> Limitar clasificación de acuerdo al impacto
  • Treshold para cada categoría

Me quedó muy poco claro la sección, faltó explicar el calculo exacto de la cantidad de clientes top offenders

Para una empresa nueva que no conoce los clientes seria algo así:

  • Descarga de Información

    1. Clientes nuevos en el mes.

    2. Ventas NO Exitosas-Completadas

    3. Eficiencia de los canales de Información (Evaluación de CAC)

  • Identificación

  1. Tipo de cliente (Persona - Empresa)

  2. Por qué no sucedió la compra (Costos elevados - La información del producto no es clara)

  3. Satisfacción al primer contacto

  4. Canales menor CAC

  • Definir
  1. Clientes que contactaron (Nuevos - No Exitoso)

  2. Determinar las principales razones de las ventas NO exitosas

  3. Canales que presentan menor CAC y mas volumen de venta

Pues esto es lo que yo considero que debería ser para una empresa nueva que no tiene mucha información, pero le serviría a futuro para obtener mas clientes nuevos.
Gracias, espero retroalimentación de la comunidad 😃

Increíble clase, simplemente fascinante con la explicación de la profesora, sentía como si estuviera en un bote sobre un rió en donde todo fluye naturalmente y aprecio el paisaje que en este caso seria el ejemplo que nos dio y que se convirtió en conocimiento para nosotros.

Excelente profesora!!!

Los datos por si mismo siempre van a hablar y demostrar mas cosas que cualquier otra cosa. Transformarloss en informacion para poder tomar decisiones es lo mejor que puede suceder en un negocio.

´- Mi hipótesis: …Revisaría número de minutos de llamadas y cantidad de llamadas caídas por hora. Además estudiaría si las quejas son por llamadas caidas o porque alguno de los usuarios terminó las llamadas

  • Mi estrategia: …Hacer una tabla de Top Offenders. Establecer si el numero de llamadas terminadas por alguno de los usuarios es significativo para ver si es necesario contactarse con ellos. Esto con el fin de explicarles el funcionamiento del equipo. El otro grupo, el de llamadas caídas, revisarlas y ejecutar las acciones necesarias para que entren en KPI
  • Mis usuarios: …que estén dentro del primer grupo, los clasificaría como usuarios neofitos pero interesados en mejorar su relación con la tecnologia. Estos usuarios son potenciales consumidores de alto volumen de datos a futuro. El segundo grupo, es el grupo de satisfacción de uso de la red, a los cuales es necesario mejorar la experiencia de uso para evitar que se cambien a otra compañia de servicios de comunicación

Pienso que un análisis cualitativo puede realizarse como una fase inicial de todo un análisis más complejo y elaborado, pero también puede ser que los datos perse sean cuantitativos y tengan una naturaleza de venir en categóricas. La profesora y creo que todo el curso, está orientado a meros casos de negocio, pero cuando trabajas en el área de ciencias naturales (como es mi caso) hay muchas situaciones dónde los datos recolectados ya son categóricos y se requiere forsozamente un análisis cualitativo. Por ejemplo, en un proyecto que hice con peces, les podíamos medir a los peces el largo y el ancho y a partir de eso y otras características determinar en que etapa de su desarrollo se encontraban al ser recolectados: eran juveniles, adultos o maduros (adultos que ya se podían reproducir). Si esos peces, fueran atúnes, eso ya podría ser aplicado a un caso de negocios de una empresa pesquera. Entonces, con ese ejemplo de datos se hace un análisis a partir de esas categorías, y así pasa para varios conjuntos de datos. Para mí es interesante ahora ver el análisis de datos aplicado a casos de negocios y empresas, después de estarlos trabajando solo a objetos biológicos.

Hola, alguien me puede ayudar a entender el cálculo del ratio? parece simple pero no me da dividir #quejas/#compras ni viseversa. Gracias!!

La importancia del análisis de datos para poder clasificar y representar incluso gráficamente

Por experiencia propia y ajena me dió por pensar en las quejas asociadas a productos de bricolaje (ya saben … “hágalo usted mismo”).

Los pasos a seguir serían en mi opinión:
Recolectar información tal como el número de compras (lo cual me daría una idea del nivel de experiencia del cliente), el número de quejas que ha emitido y de que tipo ( me daría una idea de si el problema viene del cliente o del producto vendido), cuantas veces se ha devuelto un producto (me daría una idea de qué tan rentable es tenerlo en stock ó cualquier otro problema derivado de la fabricación o documentación).
Posibles soluciones: Desde crear vídeos en línea especificos para el montaje hasta contactar a las compañías encargadas de elaborar los productos para darles ideas sobre actualizacion de manuales mas intuitivos o mejorar y supervisar la calidad y cantidad de piezas.
En fín … si eliminamos los problemas, desaparecerían en gran medida las quejas !

Reto:

Recordando el problema: Larga fila en sucursal de Banco.

1.Hipótesis: Los cajeros toman mucho tiempo para atender a los cliente.

2.Mi estrategia: Las variables siginificativas para confirmar o negar la hipótesis pueden ser:

  • El tipo de transacción bancaria realizada: ya que es necesario identificar el tipo de transacción con la que se tardan más los cajeros.

  • El monto requerido por el cliente: ya que es necesario saber si a mayor monto, el cajero se tarda más o viceversa.

3.Mis usuarios: propondría una segmentación en función a los tiempos, considerando el tipo de transacción y el monto requerido. La segmentación sería del tipo:

  • Tiempo de atención bajo.

  • Tiempo de atención medio.

  • Tiempo de atención alto.

En mi caso de ejemplo, entiendo que encajaría de manera similar, usando el NPS para segmentar. Como promedio de compras en este caso el tiempo de vida del cliente y cómo rario de quejas en telecomunicaciones le llaman reiteradas

Información resumida de esta clase
#EstudiantesDePlatzi

  • El análisis cuantitativo tiene que ver con los números y para esta información me sirve SQL

  • En el análisis cuantitativo primero descargo la información y luego identifico variables o patrones de comportamiento para poderlos definir

  • Importante definir un comportamiento normal que sea comparable

Analisis Cuntitativo:
Se indentifica las variables que nos ayudara a resolver el problema o ejercicio. Estas variables son:
DESCARGAR INFORMACION: Se optiene que existe los timpos de cada tramite de peticion. Se tiene que el proceso de proveedor demora en entragar los materiales y que existe un procedimiento para ingresar al SERCOP los tramites.
IDentificar: Precesos legales, Proceso actuales, tiempo en el proceso de entrega.
DEFINIR: Realizar una clasificacion tramites por tiempos, Tramite regular (5 dias a menos), tramite bronce( de 5 a 15 dias) y tramites plata(de 15 a 35) y finalmente tramites dorados (de 35 en adelante)

Resumen del capitulo en Notion
https://acortar.link/utmrsP

Creo que de todas los módulos, este me gustó más, muestra cómo haría el análisis cuantitativo un científico de datos, el cual es solo un ejemplo de customer service (sector donde trabajo); no me imagino el montón de casos de negocios que uno puede desarrollar simplemente pensando y analizando, es muy chévere esta carrera!

Brillante , Rappi tiene un sistema así para os clientes que mas compran y pagan sus suscripción Prime , atención especializada 👍

no entiendo cómo leer esos gráficos 😦

RECORDAR QUE ES UN CURSO DE INTRODUCCIÓN TEÓRICA, NO DE PROFUNDIZACIÓN O HERRAMIENTAS PRÁCTICSA.
Me gustó esta clase, porque muestra un ejemplo real y concreto de cómo se podrían aplicar teoría, técnicas y herramientas de ciencia de datos, que se aprenderán en la ruta de aprendizaje.
Pero OJO, no confundirse, esto es una aproximación. Después hay que aprender metodología y estadística, usar herramientas como SQL o Python, etc.
En otras palabras, no esperen que este video les sirva para aplicarse automáticamente a un problema, sino para mostrar cómo les podría servir si continúan la ruta o les interesa este ámbito (hay otras opciones dentro de ciencia de datos: machine learning, ingeniería de software, etc.).
Saludos!

pero deberían enseñar como como sacar esas frecuencias ajustadas, así se pasa fácil solo se habla pero no se aprender.

En una empresa de transporte y envíos aéreos, se detectó fraude en la facturación y recaudo de cierto tipo de envíos a todo el país.

  • Clasificación numérica: código de factura, en el código del paquete del envío. El número de facturación por día debe coincidir con el stock de paquetes y estos con los despachos por día.

  • Usuarios: hacer seguimiento hasta que todas las entregas estén listas.

-Hipótesis: no existe suficiente control con la facturación, codificación, stock, despachos y entregas.

  • Desglose: Recaudo por paquete y por envío, bodega de stock de transición, despacho en las cargas, entrega a los usuarios finales. Estar atentos al recaudo, paquetes recibidos y paso a stock de transición.

Por último, determinamos que dentro de los gráficos, están la suma de las personas correspondientes a cada clasificación:

Descargar información con SQL, primero de manera genérica. En caso de BTC: corrección diaria>= 2%. Datos por un año. Datos por intervalo de estructura de mercado.

Identificar. Patrones de comportamiento y variables significativas.

a) Tamaño del retroceso (%)
b) Fase de la tendencia alcista o bajista (1,2,3,4,5 ó 6)
c) Intervalo de tiempo desde su último retroceso >2%
e) Cuánto porcentaje ha retrocedido en las últimas 3 correcciones
f) En cuánto aumentó el precio después de cada corrección (%)

Definir. Retrocesos según rentabilidad, si el incremento luego de la corrección es mayor a la corrección no hay problema que corrija más. Threshold, dónde está el límite entre varias correcciones rentables y un signo de que algo anda mal en el mercado.

Retrocesos regulares (los que recuperan 25% de su precio luego de la corrección en menos de 48 horas)
Retrocesos tipo 01 (los que recuperan 50% de su precio luego de la corrección en menos de 48 horas)
Retrocesos tipo 02 (los que recuperan 75% de su precio luego de la corrección en menos de 48 horas)
Barrida (los retrocesos que recuperan 100% de su precio luego de la corrección en menos de 48 horas)
Falsa ruptura (los retrocesos que recuperan más del 100% de su precio luego de la corrección en menos de 48 horas).

En el caso de Binance, una casa de cambio de criptomonedas, habría que separar a los usuarios por el numero de transacciones que estos han realizado en la plataforma , luego se separan los usuarios por el tipo de reputación que tengan y además se toma en cuenta el el porcentaje de transacciones totales de ellos en la plataforma.

Basados en esta data formulamos la hipótesis de que los usuarios que están poco familiarizados con la plataforma tenderán a generar más quejas debido a la poca experiencia mientras que los usuarios con mayor cantidad de transacciones y en especial de transacciones exitosas y que tengan una alta reputación serán los menos propensos a realizar quejas de algún tipo.

  • Mi hipótesis: Los conductores que son menos especificos al respecto de su solicitud suelen ser los que más se quejan por las repuestas repetidas, aquellos que son más especificos suelen recibir solucion a su problema a una mayor brevedad
  • Mi estrategia: Identificar aquellos tipos de reporte en los que los coductores suelen ser menos especificos con respecto a su inconveniente y trabajar en métodos que le ayuden a explicar a los conductores estos inconvenientes de manera mas especifica en la aplicación
  • Mis usuarios: Conductores cuyo reporte es por un tema de mala experiencia en un viaje, conductores cuyo reporte es por un accidente, conductores cuyo reporte es por una multa o detención de transito, conductores cuyo reporte es por uso de drogas o alcohol por parte del usuario, conductores cuyo reporte es por temas de tarifa.

Tambien seria interesante ver cuales de esos clientes cambian entre clasificacion y clasificacion… desde mi punto de vista la hipotesis planteada puede que no sea correcta… puede que los que compraron una vez y se quejaron una vez, no volvieron nunca a comprar y puede que no sea pq no entendieron el producto sino por x razon diferente… el peligro con esta hipotesis que se basa en asumir que la culpa es del cliente es que no permite descubrir nuevas oportunidades de mejora en el producto, perdiendo potenciales clientes que en el futuro se pueden convertir en plata u oro… al eliminarlos de tajo del estudio perdemos informacion importante y valiosa… creo que se deberia en este punto profundisar mas en el estudio de esas quejas… muchas veces los numeros pueden ser enganosos como podrian serlo en este caso, si se parte de una hipotesis incompleta y existen numeros que aparentemente la sustenta se pueden cometer errores graves.

No me quedó claro de donde surge el porcentaje Límite, entiendo su rol, pero sigo sin entender cómo lo determinan. Helpppp

Ejercicio:
.
Variables categóricas en mi caso de negocio:
• Experiencia de los operadores.
• Modelo y marca del vehículo.
• Kilometraje del vehículo.
• Rendimiento en litros/km por operador y por vehículo.

la clase estuvo muy interesante

ANALISIS CUANTITATIVO:  ANALISIS DE DATOS.

PASO 1: DESCARGAR LA INFORMACION:
Descargar los datos información  de 1 mes, de los clientes  que presentan al menos 1 queja.
Extraer los  datos de forma  genérica  con variables de país, ciudad, etc; para realizar la consulta el mes que viene.

PASO 2: IDENTIFICAR  PATRONES DE COMPORTAMIENTO.
Identificar patrones de comportamiento y variables significativas.
Ejemplo:
Madurez: Respecto al número de compras realizadas, ya que puede haber problemas al utilizar la plataforma las
Primeras veces, ante una persona que lo haya realizado muchas veces.
Quejas:  Número de quejas, de acuerdo a l número de quejas.
Compras mensuales: Numero de compras /  número de quejas establecer algún patrón o relación.
Gasto mensual:  Gasto en compras de la plataforma. / tipo de productos.
Crédito / dinero devuelto:  tipo de quejas, / tipo de gestión de la satisfacción del cliente.
Margen operativo: gastos de la empresa / luego de venta  de productos / solventar problemas.

PASO 3: DEFINIR LIMITES:
Segmentación de clientes segun su rentabilidad (Cuanto compra a la empresa ).
Threshold (Limite de si un cliente es un top-offender o no)
 Threshold  por categorías.

Mi hipótesis:

Identificar si en realidad por mala atención han bajado las ventas en los diferentes puntos de las franquicias de restaurante

Mi estrategia:

Identificar patrones de comportamiento y variables significativas, cómo tiempo de espera, el precio, quejas mensuales, compras mensuales y gasto mensual de los clientes según clasificación

Mis usuarios:

Teniendo en cuenta que es un restaurante los clasifique de la siguiente manera

  • Clientes regulares (entre 1 y 5 visiyas al mes).
  • Clientes Bronce ( entre 6 y 10 visitas al mes).
    -Clientes plata ( entre 7 y 15 visitas al mes).
  • Clientes dorados (entre 16 y 24 visitas al mes)

Esta es la mejor clase que he tomado, muy buena!

DEBEMOS buscar a las personas que mas impacten en nuestra empresa, para hacerles caso y eliminar todo el porcentaje que ese 20% representa, el 20% de los usuarios mas frecuentes, tienen una opinion mas fuerte e importante y representan MAS que el 80% de los clientes restantes.

Al buscar a los mas frecuentes, evitariamos gastar energia y recursos de mas, y asi, afectariamos a las clientes promedios y comunes, menos esfuerzo + recursos y atencion a los clientes importantes (20%) = mas impacto en clientes promedios (80%) ya que estos son representados por el 20%

Esta se volvio una de mis clases favoritas de todo platzi, wow

Análisis cuantitativo:
Expresamos los dato en cantidades , podríamos saber que porcentaje del total de compradores se quejan.

  • Debemos clasificar a los clientes para poder ubicar en donde se encuentra la mayor cantidad de top ofenders y conocer sus motivos.
  • Creación de Hipótesis: Definir que es un top ofender, para no confundirlos con las consultas de los usuarios recientes.
  • Ubicar donde se encuentra el mayor porcentaje de top ofenders y el porque de las quejas para solucionarlas.
  • Impactar al mínimo de personas posibles , pero afectando la mayor cantidad de quejas.

ABS
.Clasificar,definir,hipotesis.

Problema: En el restaurante “El Chef”, las ganancias regulares que se tenían han bajado en comparación a las ganancias obtenidas el año pasado, ¿a qué se deberá?
'
- Mi hipótesis: Identificar el por qué las ganancias de la empresa han bajado con respecto al año pasado, y también de la misma forma buscar identificar a los “Bad Workers” (malos trabajadores del Restaurante) y a los “Bad Customers” (malos clientes o también podríamos decirlos Top Offenders, siendo aquellos que se quejan mucho).
'
- Mi estrategia: Identificar los patrones de comportamiento y variables significativas que han afectado para que nuestras ganacias bajen, ya sea por elevar mucho nuestros precios de nuestros platos (luego del éxito del año pasado) en comparación con otros restaurantes similares, lo que provocaría que nuestra clientela disminuye, o tal vez al cobrar al consumidor por la entrega de nuestros platos a su domicilio con un precio adicional relativamente bajo (debido a que gastamos en gasolina, sueldo del repartidor, etc.) o también la mala atención de servicio al cliente.
'
- Mis usuarios:

a) Customers (Compras por mes): Red Customers (1 o menos), Irregular Customers (2 - 5), Green Customers (6 o más)
'
b) Workers (quejas e indisciplinas por mes): Red Workers (7 o más), Regular Workers (6-3) y Green Workers (2-0)

El Threshold como el indicador límite que consiste en que a partir de pocos factores puedes explicar la mayor variabilidad del fenómeno que te interesa. En estadística inferencial se crean modelos que sean significativos y que expliquen un porcentaje alto de variabilidad del fenómeno, en este caso pocos clientes muchas quejas. Pocos factores incidentes que explican mucha variabilidad, fundamental en procesos de optimización, gestión, etc.

que clase tan aclaradora!! Silvia eres buenisima!!

Hola. En mi proyecto de vehiculos a los que les roban mercancías sería muy extensa la numerologia, pero me enfoque mas en los montos de robos por zonas, que en otras variables que generarían otras estrategias. Mi analisis supone dividir los tipos de clientes de las zonas que son robadas, determinar un % de crecimiento en Ventas para igual estimar si vale la pena seguir invirtiendo en la zona, si por ejemplo no crece la venta y además es poco lo que se vende pues supondria ya no vender mas en esas localidades. Al final identificaría en donde estoy perdiendo mas por zona por tipos de clientes y si esa zona esta en crecimiento podría implementar una estrategia de invertir en un local para entregar a clientes, etc.

¿Cómo sería tu clasificación numérica para resolver el caso de negocio de los retos anteriores?

  • ¿Qué usuarios buscarías?
  • ¿Cuál sería tu hipótesis?

Recuerda que no necesitas llegar a un número, solo definir tu estrategia e hipótesis numérica.

Mi hipótesis: … Identificar por que bajaron las ventas en los nuevos productos de la empresa (Venta de autos), identificar a los NotBuyers.
Mi estrategia: …Identificar patrones de comportamiento y variables significativas, cómo Tiempo de espera, El precio, Ofertas, Wuejas mensuales, Compras mensuales.
Mis usuarios: …Clientes regulares (1 o menos). Clientes Bronce (2-3 compras). Clientes plata (4-5 compras). Clientes dorados (6-10 compras)

Mi hipótesis: Cuantas quejas por el mal estado de los artivculos que llegan por Mercado Libre e identificar los posibles Top offenders.

  • Mi estrategia: Identificar sobre la poblacion Oro, cuantas son sus comprar en un período ( Mes) vs su # de quejas.
  • Mis usuarios: los usuarios son personas que consumen por plataformas web diferentes productos ( Tecnología, Ropa, Etc)
  • Variables numéricas que son relevantes.
  • Descargar información, en un periodo de tiempo definido y sector definido.
  • Identificar. Patrones de comportamiento. Variables: Madurez, Cantidad de incidencias, Compras mensuales, Crédito y dinero devuelto, Margen operativo neto.
  • Definir. Segmentación según rentabilidad. Límites de la definición. Categoría por frecuencia de compra.
  • Mapeo. Cuantos usuarios tenemos de cada categoría.
    • Cuál es el comportamiento normal
    • Tener un marco de referencia
  • Hipótesis: Los usuarios que más compran entienden mejor el servicio (Maduros). Se busca validar con datos.
  • Aplicación: Se aplica lo encontrado en el análisis y aplicamos el modelo generado para solucionar el problema con la hipótesis validada.
  • Caso Platzi:
    • Variables numéricas: Cantidad de prospectos. Comentarios negativos en redes sociales. Tiempo de ser prospecto.
    • Categoría. Prospectos: Entusiasta. Decidido. Indeciso. Negativo. Odio. Definido por la cantidad de comentarios positivos y negativos en redes sociales.
    • Mapeo: Entusiasta +3, Decidido +1, Indeciso 0, Negativo -1, Odio -3. Comportamiento normal +0.5.
    • Hipótesis: No conocen la plataforma por lo que su Madures es baja.
    • Aplicación: Eliminar a los prospectos por arriba de los -2 comentarios negativos en redes sociales. Porque dentro de un comportamiento anómalo en comparación al comportamiento normal.

¿Cómo haría yo para un análisis cuantitativo?

Después de descargar la información, paso a identificar a los quejosos. Las variables que yo tomaría sería:

  1. ¿En que numero de compra surgen la mayor parte de sus quejas?

    Por ej. Si una persona me compra en un mes unas 10 veces, y durante las primeras 5 es donde se quejo más, me da a mi pensar que al principio no sabía como comprar a través de mi página.

  2. ¿Sobre que se quejan respecto a mi producto?

    Hay aspectos de un producto o servicio, que pesan más que otros. Por ej. para las computadoras HP, su calidad de imagen es una de las razones por la cual destacan.

    Que alguien se queje de eso, es más grave que si alguien se queje de la duración de la batería.

Desde mi punto de visto:

  • La hipótesis: … identificar la casua del incremento del número de llamadas en la cola de soporte tecnico.
  • La estrategia: … clasificar el tipo de soporte atendido en las llamadas, el numero de soportes brindado al cliente en un determinado tiempo.
  • Los usuarios: … clasificar la edad de cliente, la antigüedad del cliente y el tipo de cliente.

**++Mi hipótesis: ++**Hay poco flujo de efectivo porque en ciertos casos hay más esfuerzo en cobrar a un cliente muy rentable, pero muy difícil de cobrar por lo que tomara más tiempo, mientras que se desatiende los casos menos rentables, pero fáciles de cobrar que en conjunto son rentables.

Mi estrategia: Los clientes más fáciles de cobrar con mayor rentabilidad deberían ser la prioridad, luego los clientes con menor rentabilidad, pero fáciles de cobrar, luego los clientes con mayor rentabilidad, pero difíciles de cobrar y finalmente los que son menos rentables y más difíciles de cobrar.

Mis usuarios: Organizados por rentabilidad económica

yo como lo hice con items en un almacen cambiare levemente la preguntas
¿Cómo sería tu clasificación numérica para resolver el caso de negocio de los retos anteriores?

  • ¿Qué items buscarías? los items que mas cambios tiene a lo largo del año
  • ¿Cuál sería tu hipótesis?
    por las temporadas hay cosas que se compran mas o menos, aire acondicionados mas en las epocas calientes y calefaccion mas en las frias, por dar un ejemplo

Recuerda que no necesitas llegar a un número, solo definir tu estrategia e hipótesis numérica.

resumen:

descargar información:
clientes con >= 1 queja
Datos por un mes
Macros por ciudad y mes

Identificar
Patrones de comportamiento
variables significativas

ejemplo(A) madurez compras realizadas
b) quejas mensuales
c) compras mensuales
g) gasto mensual
e) créditos y dinero devuelto
f) margen operativo neto )

DEFINIR
segmentacion segun rentabilidad
Threshold (limite) Top offender
THreshold para cada categoria
ejemplo Clientes regulares (9 compras o menos )
clientes bronce (10-19 )
clientes plata (20-39)
clientes dorados (40 o mas )

tenemos que hacer un mapeo
Comprobar hipótesis:
Los antiguos se quejan menos que los nuevos porque ya entienden la plataforma
Aplicación
Top ofenders
Debemos encontrar los tops ofender de cada categoría
Lo que buscamos, impactar el mínimo a los usuarios, pero muchas quejas

Traté de hacerlo diferente, espero que me haya quedado bien…
Contexto: estamos dentro de un equipo de carreras de formula 1, y queremos saber cual es la mejor manera de afrontar una pista en medio de un periodo de lluvia en la próxima carrera importante.

  • Mi hipótesis: podemos hacer un estimado antes de la carrera cuantas curvas hay, cuantas veces nuestros competidores han corrido en la pista y en cuantas de esas carreras ha llovido.
  • Mi estrategia: con los datos que recolectemos observamos cuales han sido los mejores tiempos y que características tenia el auto cuando se lograron.
  • Mi usuario: buscaría los top competidores de la compañía, los que más corrieron en esa pista y los que mejor lo hicieron.

Acepto feedback. 😃

Contexto: Empresa que desarrolla una página web para anunciar casas nuevas de diversos constructores

  • Mi hipótesis: hay builders que cada vez anuncian menos comunidades en nuestro sitio web
  • Mi estrategia: definir una media normal de disminución de comunidades y detectar aquellos que han disminuido sus comunidades activas en un x% por encima de esa media
  • Mis usuarios: Builders corporativos, Builders individuales

Usualmente la compensación económica se busca cuando existe una disrupción en el servicio o producto entregado, la busqueda de la informacion precisa para solucionar este problema puede encontrarse en la persuacion o en la calidad.

cool, esto es genial, todo lo que podemos saber con la información que tenemos.

Mi hipótesis: …Clientes con >= 1 queja, recopilación de data de la ultima temporada de cosecha de fruta. Macros afectaciones de descarte de fruta, por pais y mes
Mi estrategia: …Se han recolectado data de la fruta entregada a destino. Analizar el origen de esta, es decir, de que pais, cuidad esta cultivada, para conocer donde se origino estas afectaciones, Determinando una mejora para la siguiente temporada.
Mis usuarios: …Los usuarios serian los clientes con mayor quejas en la calidad de la fruta.

Análisis cuantitativo; lo primero es identificar variables numéricas y ver cuales son relevantes para nuestro análisis, necesitas identificar patrones de comportamiento y variables significativas

Problema: algunos clientes de una barbería prefieren pagar en efectivo y no por medio de la plataforma de la compañía.

hipótesis: puede que los clientes no se sienten motivados para pagar por medio de la plataforma o sientan que que puede no es seguro hacerlo, también puede que crean que pagar en efectivo es mas rápido.

  1. identificar la cantidad de usuarios que utilizan los servicios de la barbería con mas recurrencia.

  2. identificar los nuevos clientes por mes.

  3. identificar los usuarios intermitentes.

Un ejemplo interesante para realizar un análisis cuantitativo son las empresas de delivery de comidas (Yummy, Pedidos Ya, Didi Food, etc), quienes diariamente reciben quejas de sus clientes.
La diferencia en estas empresas es que ellas prestan servicios a otras empresas, como Mac Donal´s, KFC y muchas otras, lo cual amplía la categorización de estos usuarios.
Los usuarios se pueden clasificar de acuerdo a la cantidad de compras que realizan durante el mes y el tipo de comida que suele consumir (comida tailandesa, comida rápida, menús ejecutivos, etc).
En función de eso, nuestra primera hipótesis puede ser “los clientes que más se quejan son aquellos que se encuentran descontentos por la atención de las empresas de comida directamente”. Una segunda hipótesis puede ser “el principal motivo de queja es el retraso en las entregas”.

Un ejemplo de un análisis cuantitativo en una empresa como TIGO puede ser la cantidad de clientes que llaman por quejas que tengan servicios de tv, telefonía, internet, o que tengan todos los servicios.

Ya después se puede analizar de acuerdo a la categoría de servicio que tenga el cliente, el motivo por el cual se están quejando y clasificarlos internamente de acuerdo al tipo de queja por servicio y obtener un valor numero promedio por cada tipo.

Puedo hacer hipótesis de sobre ratio quejas monto por compra. Esperando que los usuarios con más quejas igual tengan promedio de dinero por compra alto lo cuál sería queja normal.

porque el video esta en velocidad 0.7x ?. Cuando intento hacer el cambio para otra velocidad, el video vuelve a 0.7x. Ya cambie de servidor y el problema continua. PLATZI, POR FAVOR SOLUCIONA ESTE PROBLEMA!

  • Mi hipótesis: Los tiempos de la actividad de toma de evidencias toma mas tiempo de lo planeado debido a que algunos certificadores son muy exahustivos con las pruebas.
  • Mi estrategia: Se han recolectado Los tiempos de ejecución de cada una de las actividades en la ejecución. Analizar Los tiempos de las diferentes actividades, conocer la distribución de cada una de ellas con respecto al tiempo total.
    Determinar el tiempo de la toma de evidencias entre las personas que la toman exhaustivamente y quienes la toman ligeramente.
  • Mis usuarios: certificadores de pruebas UAT

Gracias

El caso es de una empresa que hace ventas online
PROBLEMA: Para Algunos pedidos existen fechas comprometidas en la entrega de envío del producto , sin embargo se atrasan en las fechas comprometidas a veces hasta 1 semana, lo cual genera descontento con el cliente
MI ESTRATEGIA:
Dado que la empresa tiene que cumplir los tiempos de entrega que indica en su sitio web al momento de que el cliente hace la compra , buscaría de entre los repartidores del proveedor de paquetería a los que les fueron asignadas esas entrega.
MIS USUARIOS:
Mis usuarios a buscar serian los repartidores de con los cuales se asocian los atrasos en las entregas.
MI HIPÓTESIS:
Los repartidores con los cuales se asocian las quejas en los tiempos de entrega desfasados son empleados de recien contratación

Me ha quedado muy clara la información

Resumen del analisis cuantitativo:

  1. Descaragar la información
  2. Identificar (objetivo)
  3. Definir.

Aplicación del análisis cuantitativo.

Establecimiento de la hipótesis en el análisis cuantitativo.

Mapeo para análisis cuantitativo.

La definición de las variables o nuestro objetivo final en el análisis cuantitativo de un caso de negocio.

Definición de margen operativo neto

Identificación de variables

Identificación de variables cuantitativas

Reto:
Analisis cuantitativo: Cancelación de membresía en una aplicación de stream.
Descargar la información: Cualquier cliente que haya dejado la plataforma
Identificación: Madurez, cuanto tiempo duro su membresía. Tiempo en la aplicación, cuanto tiempo dedicó a la aplicación durante los meses de permanencia.Tipo de consumo, que genero de musica/peliculas vieron mas.
Definir:
Objetivo : Evitar la salida de clientes
Threshold: Quienes luego de 1 año se retiran de la plataforma (Considerando que los que se quedan +2, difícilmente se retiran)

Me costó un poco el desafío jeje
Esto es en lo que pensé:

PROBLEMA: Algunos clientes de un banco no pagan sus deudas a tiempo.

DESCARGAR INFORMACIÓN
La información a descargar sería:
Clientes con >= 1 deuda pendiente
Datos por país y ciudad
Datos por año

IDENTIFICAR:
Hipótesis: Los que tienen más de una deuda pendiente han solicitado muy pocas o ninguna vez un préstamo con el banco.

Variables significativas para la hipótesis:
a) Tiempo transcurrido desde el vencimiento de la deuda
b) Monto del préstamo
c) Monto de ahorros en el Banco
d) Ingreso mensual
e) # veces en las que ya ha pedido préstamo

DEFINIR:
Desglosaría las " # veces en las que ya ha pedido préstamo" en:
Clientes nuevos => 0 - 1 préstamos
Clientes intermedios => 2 - 5 préstamos
Clientes veteranos => 6 a más préstamos

Mi hipótesis: Las escuelas públicas otorgan beca de bajos recursos a los alumnos que no pertenecen a esa categoría. Los alumnos que no son de bajos recursos son a los que se les otorga mas este tipo de beca.
Mi estrategia: Identificar aquellos alumnos que no son de bajos recursos y solicitaron la beca (identificando que información es la que falsifican más y clasificarlos). Posteriormente identificar a cuales de ellos efectivamente les otorgaron la beca al menos una vez y clasificarlos por las veces que se les han otorgado dicha beca
Mis usuarios:
Oro (10 o más becas otorgadas)
Plata ( 9-7 becas otorgadas)
Bronce (6-4 compras)
Nuevo (3-1 beca otorgada)

Mi hipótesis: los ciudadanos los asaltan por razones de localización y razones socioculturales.
Mi estrategia: analizar el 20% de los robos que representan el 80% y segmentar por área demográfica, por horas, entre otras variables.
Mis usuarios: ciudadanos que fueron robados en la ciudad de Ibagué

'- Mi hipótesis: los usuarios tienen un exceso de problemas a principios de año

  • Mi estrategia: observar los usuarios que se quejan más de 1 vez en los promeros meses del año
  • Mis usuarios: clientes viejos, nos contactan más de una vez a principios de año por problemas,

Mi caso es sobre una empresa que vende un ERP software:

1-)Descargar la informacion
-Empezaria colectando la informacion de todas las quejas

2-) Patrones de comportamiento:
-Antiguedad del cliente
-Tama;o de la empresa
-Rubro de la empresa

3-) Definir segmentacion:
-Segmentaria la informacion por las versiones del software
-identificar que Feature del software es la que genera mas quejas

De acuerdo, lo voy a intentar, espero retroalimentación ya que me parece un poco complicado este asunto…

Mi caso es de una empresa ficticia que vende en linea suplementos y proteínas para deportistas.

primer supuesto:
“La mayoría de las quejas es porque los tiempos de entrega no se cumplen en tiempo”.

segundo supuesto:
la gente no confía tanto en el servicio por ser una pequeña empresa y una vez tomado el riesgo de la venta están con la duda de su pedido.

tercer supuesto:
Los clientes que eran nuevos tienen la desconfianza de comprar por primera vez en linea.

¿De ahi supongo sigue darle solución, no?

¡Increíble que todo se resuma al Principio o Ley de Pareto! El 80% de las consecuencias es originado por el 20% de las causas. Al parecer, una vez que encontremos estos números, podemos estar más tranquilos, ya que tendremos el problema y sus consecuencias claras. Así que nos será más fácil encontrar las respuestas.

Reto:
Mi hipótesis es que el x% de los celulares ofrecidos por empresas de telefonía no se adecuan a la exposición continua de condiciones ambientales adversas al mediano plazo
Mi estrategia sería atender el y% de trabajadores agrarios que representan el 80% de quejas sobre sus dispositivos celulares antes de terminar su plan de renovación.
Mis usuarios son los trabajadores agrarios y las empresas de telefonía.

DIRECTV GO en su proceso de creación de cuenta tiene una prueba gratis por 7 días en la que se debe incluir datos de una TC real.

  • Mi hipótesis: … La empresa tiene muchas cuentas falsas con TC que se repiten para aprovechar la prueba gratis de 7 días y que no vuelven a usar las cuenta repitiendo el proceso cada semana y asi poder usar los servicios gratis, generando perdidas económicas y llenando la BD con cuentas falsas.
  • Mi estrategia: … primero clasificar las cuentas por numero de TC, luego excluir las cuentas que tienen un plan activo y quedarse con las cuentas que unicamente se quedaron con la prueba gratis, si para una misma TC existen 4 cuentas que se quedaron con la prueba gratis se identifica un patrón y se procede a bloquear la TC para que no se creen más cuentas falsas.
  • Mis usuarios: … Top hackers
la verdad que creí que este curso iba a ser puro bla bla, y pan comido. Ya llevo algunos cursos de python, web scraping, pandas y sql. y vine a ver este por que es requisito en la ruta. Puedo decir que este curso superó mis espectativas!, si, es solo teoría, pues es un curso básico, pero el hecho de mostrar un caso real e invitar a que uno piense en un problema y en todo lo que conlleva el proceso de solución, es más de lo que esperaba, pensé que terminaría el curso en 3 días, y pude hacerlo, sin embargo de nada serviría si no me esfuerzo en seguir los retos y ahora veo más estructura en un problema que al principio parecía ambiguo. Muchos dicen que quieren ver cómo se hace todo, pero si uno no sabe estructurar el problema, no va a saber que buscar, ni cómo encontrar la mejor solución.

Que interesante estrategia. Te agradezco

Hola a todos!
La solución al reto:

¿Cómo sería tu clasificación numérica para resolver el caso de negocio de los retos anteriores?

  • ¿Qué usuarios buscarías?
  • ¿Cuál sería tu hipótesis?

Recuerda que no necesitas llegar a un número, solo definir tu estrategia e hipótesis numérica.

- Mi hipótesis: ¿Cuáles son los clientes que no pueden acumular puntos?
- Mis usuarios: los usuarios en los cuales me centraría son todos los que en el mes hicieron al menos una acumulación independientemente en que comercio fue y de que valor.
- Mi estrategia: Toma toda la información en general y ver en donde se han hecho mas acumulaciones y a partir de ahí seleccionar todas las transacciones que no hicieron la acumulación de puntos.

es muy buena esplicacion para saber como va nuetra empre en cuanto a satisfaccion de los clientes y saver que clientes no le combienen mucho a la empresa