Informe Ejecutivo - Arboles de Clasificación
-
Upload
jorge-barrios -
Category
Documents
-
view
10 -
download
3
description
Transcript of Informe Ejecutivo - Arboles de Clasificación
Maestría Supply Chain Management
ESIC 2014-2
Curso: Business Intelligence & Customer Relationship Management
Profesor: Luis Felipe Chumbiauca, ME
Caso: Árboles de Clasificación
Nombre: GD5-Informe-GrupoN°01.doc
Grupo Nº: 01
El presente trabajo ha sido realizado de acuerdo a los reglamentos de la UNIVERSIDAD ESAN por:
Barrios De la Cruz Melo Jorge
Carhuas Anculle Cristina
Chirinos Salas Wili
Tello Revilla Raúl
Yacarine Zamudio Ítalo
Santiago de Surco, 16 de Julio de 2015
2015
RESUMEN EJECUTIVO
Un árbol de clasificación es la representación gráfica de una serie de reglas de
decisión. A partir de un nodo raíz, que incluye todos los casos, el árbol se va
ramificando en diferentes nodos “hijo” que contienen un subgrupo de casos. El
criterio de ramificación (o partición) es seleccionado de manera óptima después
de examinar todos los posibles valores de todas las variables predictivas
disponibles. En los nodos terminales (“hojas” del árbol) se obtiene una
agrupación de los casos de la manera más homogénea posible en cuanto al valor
de la variable dependiente.
1
I. OBJETIVO.
Adquirir habilidades para crear un Árbol de Clasificación, a partir de un Data Set,
validar su desempeño creando un modelo que predice el valor de una variable de
destino en función de diversas variables de entrada.
II. ALCANCE.
El archivo de Datos 5-2 GD5-Datos.xlsx contiene el Data Set para la elaboración del Árbol de Clasificación. El Data Set debe ser dividido en 30% para entrenamiento y generación del Modelo (Reglas) y 70% para Validación.
III. LIMITACIONES.
Ninguna.
IV. ANÁLISIS.
1. Reglas del Modelo y sus probabilidades de compra.
La creación de las reglas del modelo se realizó en base a la información
detallada en el archivo de Datos 5-2 GD5-Datos.xlsx, que contiene el Data Set para la elaboración del Árbol de Clasificación.
Se establecen las siguientes reglas de decisión:
SEXO EDAD ESTCIV Probabilidad COMPRA EscenariosF >40 S 38% 1 152M >40 - 20% 1 155M <=40 C 71% 1 305
REGLAS
2. Tasa de Selección del Modelo.
1 01 1488 413 19010 2415 3625 6040
3904 4038 7941
MATRIZ CLASIFICACION
3. Tasa de Precisión de Modelo para Predecir la Compra.
2
1 01 1488 413 19010 2415 3625 6040
3904 4038 7941
49.2%
64.4%35.6%
78.3%60.0%
38.1%Precisión Compra=
ESPECIFICIDAD=
MATRIZ CLASIFICACION
Tasa de Selección=
PRECISION=ERROR=
SENSITIVIDAD=
.
La tasa de precisión del modelo para predecir solo la compra es 38.1%
4. Si dispone de 45,000 soles para la Campaña. Que cantidad de clientes deberán
recibir la promoción? Cuál será el Beneficio esperado?
Calcularemos el saldo neto para la campaña
Monto Disponible - Costo Fijo Campaña: S/45,000 - S/. 8,500 = s/.36,500
Cantidad de personas que deberían recibir según % de precisión de compra
- Población * Precisión de Compra= 50000*38.1%= 19,045 clientes
Como solo disponemos de S/.36,500 y cada cliente nos cuesta S/.3.50
36,500/3.5= 10,429 -> Solo nos alcanza para atender a 10,429 clientes
Beneficio Esperado por cliente S/.25
10429* 25= 260,715, el beneficio esperado es S/.260,715
5. Monto máximo a invertir en la Campaña.
El monto máximo a invertir si se desea lograr el máximo beneficio.
Cantidad de personas que deberían recibir según % de precisión de compra
3
- Población * Precisión de Compra= 50,000*38.1%= 19,045 clientes
Inversión por Cliente S/.3.5
- Clientes * Inv. por Cliente= 19,045*3.5= S/.66,657 es el monto máximo a invertir
Máximo beneficio
- Clientes * beneficio por cliente= 19,045*25= S/.476,116 es el máximo beneficio
Recomendación: Incrementar el monto destinado para la campaña, para poder llegar a todos los cliente potenciales
V. CONCLUSIONES
La tasa de precisión del modelo para predecir solo la compra es 38.1%
Beneficio Esperado por cliente S/.25
4