• Identificar los problemas en los negocios y determinar
los métodos analíticos apropiados.
• Entender las dificultades que se presentan en el estudio de datos masivos
y oportunísticos.
• Usar los árboles de decisiones, las redes neuronales y las técnicas
de regresión en modelos predictivos.
• Utilizar de forma adecuada la metodología de trabajo de la minería
de datos.
• Operar de forma elemental una herramienta computacional de minería
de datos para realizar la determinación de los perfiles de clientes,
el análisis de rentabilidad de los clientes, la segmentación de
clientes en general, la asociación de los productos para la ventas cruzadas,
el análisis de lealtad, retención y conversión de prospectos,
análisis de respuesta a promociones y campañas publicitarias,
análisis de fraudes, análisis de riesgos, etc.
Temas y subtemas del curso:TEMA
I: INTRODUCCIÓN A LA INVESTIGACIÓN DE MERCADOS EN BASES DE DATOS
• El enfoque estrecho de algunos modelos de soporte para la toma de decisiones.
• Características de los modelos de minería de datos.
• Relación de las herramientas de database marketing con el CRM.
• Conceptos fundamentales de la minería de datos.
• Relación de la minería con las técnicas estadísticas
de análisis.
• Algunos proyectos genéricos de database marketing.
• Casos de proyectos exitosos en México.
• El futuro de los proyectos de minería de datos en mercadotecnia.
TEMA II: UNA APROXIMACIÓN
PRÁCTICA A LA HERRAMIENTA DE MINERÍA DE DATOS
• Una primera aproximación a la herramienta de minería de
datos.
• La plataforma
• El minero
• El espacio de trabajo
• La programación.
• La creación de las bibliotecas.
• La metodología de minería de datos SEMMA.
• La implementación en la práctica de las soluciones.
TEMA III: LA MODELACIÓN
PREDICTIVA Y LA SEGMENTACIÓN SUPERVISADA DE MERCADOS
• Los árboles de decisión.
• El análisis de regresión logística.
• Los modelos de redes neuronales.
• La evaluación e implementación de los modelos en análisis
de lealtad (customer attrition), análisis de respuesta a las campañas
de mercadotecnia (response analysis), análisis de rentabilidad (por clientes,
grupos de clientes, productos, categorías de productos), segmentación
supervisada de mercados y otros análisis relacionados.
TEMA IV: LA SELECCIÓN
Y TRANSFORMACIÓN DE VARIABLES DE MERCADO
• El análisis y trasformación de variables.
• La selección de variables.
• La aplicación en la determinación de la capacidad predictiva
de los datos y la disminución de las dimensiones del problema.
TEMA V: LA SEGMENTACIÓN
NO SUPERVISADA DE MERCADOS
• Análisis de conglomerados por el método de los centroides
(K-means cluster analysis).
• Análisis de conglomerados por el método de redes neuronales
(Self-organizing map, Kohonen Methods).
• Las aplicaciones del análisis de conglomerados a la segmentación
de mercados y la determinación de perfiles de clientes.
TEMA VI: EL ANÁLISIS
DE ASOCIACIONES Y SECUENCIAS
• Una introducción al análisis de asociaciones (basket analysis,
afinity analysis).
• La interpretación del análisis de asociaciones y secuencias.
• La aplicación del análisis de asociaciones a las ventas
cruzadas, análisis de categorías de productos y al análisis
de canastas.
Objetivos específicos
de aprendizaje:TEMA I: INTRODUCCIÓN A LA INVESTIGACIÓN DE MERCADOS
EN BASES DE DATOS
Objetivo:
Proporcionar al participante una panorámica del enfoque de investigación
de mercados en bases de datos y su comparación con la investigación
de mercados tradicional (cualitativa y cuantitativa). El contexto técnico
y de negocio en los modelos de soporte para la toma de decisiones en mercadotecnia.
La relación de la minería de datos, como técnica de modelación
matemática del database marketing con otras técnicas estadísticas,
como la estadística inferencial (análisis univariado y divariado
de datos) y el análisis multivariante.
TEMA II: UNA APROXIMACIÓN
PRÁCTICA A LA HERRAMIENTA DE MINERÍA DE DATOS
Objetivo:
El participante podrá conocer de una manera práctica y sencilla
una herramienta de minería de datos. La operación básica
de la misma, así como la forma en que se implementan las soluciones para
la obtención de los modelos.
TEMA III: LA MODELACIÓN
PREDICTIVA Y LA SEGMENTACIÓN SUPERVISADA DE MERCADOS
Objetivo:
El participante conocerá las técnicas para la modelación
predictiva del comportamiento de las variables de mercado y su utilización
en la administración de los mismos. Aplicación de la modelación
predictiva en la segmentación supervisada de mercados
TEMA IV: LA SELECCIÓN
Y TRANSFORMACIÓN DE VARIABLES DE MERCADO
Objetivo:
El participante aprenderá cómo seleccionar y transformar las variables
del comportamiento de los mercados de forma tal que sea capaz de obtener el
máximo de información que poseen las mismas.
TEMA V: LA SEGMENTACIÓN
NO SUPERVISADA DE MERCADOS
Objetivo:
El participante trabajará con las técnicas que le permitan la
segmentación de los clientes, es decir, la creación de grupos
similares con respecto a ciertos indicadores, de forma que se facilite la comprensión
y administración de los mismos
TEMA VI: EL ANÁLISIS
DE ASOCIACIONES Y SECUENCIAS
Objetivo:
El participante se relacionará con técnicas para el estudio de
asociaciones y secuenciaciones de productos, servicios, etc., para poder adelantarse
a las necesidades de los clientes y de esta forma aumentar el volumen y efectividad
de las ventas.
Metodología de enseñanza:ñanza
Tiempo estimado de cada tema: 8 horas para cada uno de los 6 temas propuestos
incluyendo evaluación, total 48 horas.
Políticas de evaluacion sugeridas:Tres examenes parciales 10% c/u (10+10+10)
=30%
Examen final 25%
Tareas en equipo 25%
Participación 10%
Tareas individuales 10%
100 %
Libro de texto1:1. R. G.
Drozdenko, P. D. Drake Optimal Database Marketing.
Libro de texto2:
Libro de texto3:
Libro de consulta:1. Pyle D. Data Preparation for Data Mining.
2. Berry J.A., Linoff S. Mastering Data Mining.
3. Berry J.A., Linoff S. Data Mining Techniques.
4. Mena J. Data Mining Your Website.
5. William J.E. Potts. Data Mining Primer: Overview of Applications and Methods.
SAS Institute Inc., Cary, NC, USA. 1998.
6. Doug Wielenga, Bob Lucas & Jim Georges. Enterprise Miner: Applying Data Mining Techniques Course Notes. SAS Institute Inc., Cary, NC, USA. 1999.
7. Berberena V. Formación
de Investigadores: Estadística. Universidad Central de Las Villas. Cuba.
1997.
8. Berberena V. Formación de Investigadores: Diseño de Experimentos.
Universidad Central de Las Villas. Cuba. 1997.
9. Hair J.F., Anderson R.E.,
Tatham R.L., Black W.C. Análisis Multivariante. Prentice Hall.
10. Budnick F.S. Matemáticas Aplicadas para la Administración,
Economía y Ciencias Sociales. Tercera Edición. McGraw-Hill. 1990.
11. Haeussler E.F. & Paul R.S. Matemáticas para la Administración y Economía. Segunda Edición. Grupo Editorial Iberoamérica, 1992.
\0Material de apoyo:Se entregarán materiales didácticos complementarios -textos, lecturas, notas técnicas, casos e instructivos- que serán editados y distribuidos en colaboración con el SAS Institute de México.
Perfil del Profesor:El curso
será impartido por el Dr. Viterbo H. Berberena González, Director
de Minería de Datos de Pearson S.A. de C.V., profesor de asignatura Departamento
de Mercadotecnia del ITESM Campus Ciudad de México quién ha recibido
entrenamiento especial en Minería de Datos en el SAS Institute, Inc.
en Los Estados Unidos de Norteamérica y es consultor de empresas privadas
en este tema.
Fecha de la última
actualización : 27 de julio de 2004(M)