2026-05-05T20:58:39Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/276662021-06-18T06:38:26Zcom_10324_38col_10324_787
Desarrollo de un modelo de segmentación y análisis de los consumidores en el canal digital de un e-commerce retail
Alonso Manzano, Diego
Miguel Jiménez, Ignacio de
Jiménez Cuadrillero, Miguel Ángel
Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
Aprendizaje automático
Clústering
CRISP-DM
Kmeans
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.
Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
Máster en Ingeniería de Telecomunicación
2017-12-14T18:12:26Z
2017-12-14T18:12:26Z
2017
info:eu-repo/semantics/masterThesis
http://uvadoc.uva.es/handle/10324/27666
spa
info:eu-repo/semantics/openAccess
application/pdf
https://uvadoc.uva.es/bitstream/10324/27666/3/TFM-G810.pdf.jpg
Hispana
TEXT
http://rightsstatements.org/vocab/CNE/1.0/
UVaDOC. Repositorio Documental de la Universidad de Valladolid
http://uvadoc.uva.es/handle/10324/27666