Segmentación de clientes y optimización de su fidelización mediante aprendizaje computacional

Abstract

En un entorno cambiante como el del mercado actual, la capacidad de las empresas de entender los deseos y necesidades de su público resulta crucial para su fidelización y la implementación de una estrategia de venta eficaz. Este trabajo final de máster explora la aplicación de técnicas de aprendizaje computacional, tanto supervisado como no supervisado, en la segmentación y retención de clientes. Además, se analiza la maximización del valor del tique con el objetivo de mejorar la identificación de oportunidades de venta y la personalización de las ofertas. Partiendo de un conjunto de datos de venta en línea de información comercial, de riesgo y financiera de empresas de Colombia, se analiza la relevancia de las diferentes variables para la segmentación empleando técnicas estadísticas y de aprendizaje automático, incluyendo algoritmos de agrupamiento jerárquicos y no jerárquico, y redes neuronales. A continuación, y a través del entrenamiento de modelos predictivos, se identifican posibilidades de compra y se definen estrategias de venta personalizadas. Los resultados obtenidos muestran cómo el empleo de técnicas basadas en datos permite identificar criterios óptimos de segmentación para mejorar la tasa de conversión y la retención. Este trabajo proporciona un sustento teórico de la aplicación del aprendizaje computacional a las técnicas de mercadotecnia, pero también pretende servir como guía práctica de aplicación de estas herramientas en un entorno real para toda clase de negocios.

In the changing environment of the current market, the ability of companies to understand the desires and needs of their audience is crucial for customer loyalty and the implementation of an effective sales strategy. This master's thesis explores the application of machine learning techniques, both supervised and unsupervised, in customer segmentation and retention. Additionally, it analyzes the maximization of ticket value with the aim of improving the identification of sales opportunities and the personalization of offers. Using a dataset of online sales and commercial, risk, and financial information from companies in Colombia, the relevance of different variables for segmentation is analyzed using statistical and machine learning techniques, including hierarchical and non-hierarchical clustering algorithms, and neural networks. Subsequently, through the training of predictive models, purchasing possibilities are identified and personalized sales strategies are defined. The results obtained show how the use of data-driven techniques allows for the identification of optimal segmentation criteria to improve conversion rates and retention. This work provides a theoretical foundation for the application of machine learning to marketing techniques, but it also aims to serve as a practical guide for applying these tools in a real environment for all types of businesses.