Skip navigation
Please use this identifier to cite or link to this item: http://uvadoc.uva.es/handle/10324/27666
Title: Desarrollo de un modelo de segmentación y análisis de los consumidores en el canal digital de un e-commerce retail
Authors: Alonso Manzano, Diego
Editors: Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
Tutor: Miguel Jiménez, Ignacio de
Jiménez Cuadrillero, Miguel Ángel
Issue Date: 2017
Degree : Máster en Ingeniería de Telecomunicación
Abstract: En este proyecto se presenta una prueba de concepto del despliegue de un modelo de aprendizaje automÁtico, desde la implementaciÓn de la arquitectura siguiendo los principios de la metodologÍa CRISP-DM hasta el desarrollo concreto del algoritmo predictivo mediante técnicas de clasificación, que ofrece la probabilidad de compra de un usuario de un e-commerce retail a partir de su interacción en el canal digital. Se trata del trabajo realizado durante unas prácticas en la empresa Luce IT. La primera parte de la definición y preparación de la infraestructura necesaria se ha llevado a cabo conjuntamente con José Marcial González Cea. La herramienta de análisis de experiencia de usuario existente en el cliente se configura adecuadamente para la extracción de los datos definidos del contexto de la navegación de los usuarios. En Splunk se recogen y almacenan esos datos, los cuales son exportados a R, donde se realizan los análisis de los datos. Se ofrece también una propuesta del despliegue de un posible modelo mediante el uso de OpenCPU, ofreciéndose éste como un servicio web accesible de forma remota para su consulta. La parte central del proyecto se ha desarrollado de forma individual y aborda el análisis de los datos mediante el uso de una técnica de aprendizaje automático no supervisado conocida como clústering, en concreto usando el algoritmo k-means que se basa en distancias euclídeas. En la aplicación de esta técnica se incluye todo el procesamiento previo necesario (incluyendo pasos de normalización o análisis de componentes principales) y el análisis posterior de los resultados. Al final se determina el mejor método para segmentar las sesiones y encontrar grupos coherentes, es decir, con características similares entre ellos y distintas a las de los demás grupos.
Classification: Aprendizaje automático
Clústering
CRISP-DM
Kmeans
Departament : Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
Language: spa
URI: http://uvadoc.uva.es/handle/10324/27666
Rights: info:eu-repo/semantics/embargoedAccess
Appears in Collections:Trabajos Fin de Máster UVa

Files in This Item:
File Description SizeFormat 
TFM-G810.pdf96,35 kBAdobe PDFThumbnail
View/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Suggestions
University of Valladolid
Powered by MIT's. DSpace software, Version 5.5
UVa-STIC