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