View
187
Download
3
Category
Preview:
Citation preview
Que es Big Data?
• Modelos estadísticos aceptados • Aplicado a un gran volumen de datos • Mismos desvíos, errores y outliers • Muchas veces montados sobre software • y otras veces, no…
Análisis de correlación (Relación lineal)
R2:$0,7$R:$0,83$
R:$Grado$de$asociación$(fuerza)$entre$las$variables$$ R2:$Explicación$de$la$variación$de$una$variable$respecto$de$la$otra$
Del$siguiente$análisis$se$puede$visualizar$una$fuerte$relación$entre$las$visitas$y$la$Carga$del$CV.$En$donde$se$afirma$que$la$variable$“Visitas”$se$encuentra$relacionada$$linealmente$de$una$manera$fuerte$con$la$variable$dependiente$(0,8).$$De$acuerdo$a$R2$podemos$indicar$que$el$70%$de$la$Carga$del$CVs$son$explicadas$por$la$variable$independiente$Visitas.$
Del$siguiente$análisis$$puede$visualizar$una$fuerte$relación$entre$la$Registración$y$la$Carga$del$CV.$En$donde$se$afirma$que$la$variable$“Registrados”$se$encuentra$relacionada$en$forma$directa$con$la$variable$dependiente$$(0,83).$$A$través$de$R2$podemos$indicar$que$el$65%$de$la$Carga$del$CVs$son$explicadas$por$la$variable$independiente$Registros.$
Correlación$entre$Visitas$y$Carga$de$CV$
Correlación$entre$Registración$$y$Carga$de$CV$
y$=$0.3282x$+$3752.5$R²$=$0.65654$
0$5000$
10000$15000$20000$25000$30000$35000$40000$45000$
0$ 20000$ 40000$ 60000$ 80000$ 100000$
Carga$de
$CV$
Registrados$(Postulantes)$
R2:$0,65$R:$0,81$
y$=$0.0101x$+$938.61$R²$=$0.69465$
0$
10000$
20000$
30000$
40000$
50000$
$T$$$$ $1,000,000$$ $2,000,000$$ $3,000,000$$ $4,000,000$$
Carga$de
$CV$
Visitas$
Análisis de correlación (Relación lineal)
R2:$0,02$R:$0,14$
Del$siguiente$análisis$puede$visualizar$que$no$existe$una$relación$directa$entre$la$inversión$publicitaria$y$la$variables$independientes$(Visitas$y$Carga$de$CV$desde$tráfico$pago)$$
Análisis$de$Ia$inversión$publicitaria$(Google$Adwords)$vs.$El$volumen$de$visitas$y$el$volumen$de$Carga$de$CV$
$$0$
$$100,000$
$$200,000$
$$300,000$
$$400,000$
$G$$$$
$1,000,000$$
$2,000,000$$
$3,000,000$$
$4,000,000$$
JulG1
2$
AugG12$
SepG12$
OctG12$
NovG12$
DecG12
$
JanG13$
FebG13$
MarG13$
AprG13$
MayG13$
JunG13$
JulG1
3$
Visitas$ Inversión$Publicitaria$
y$=$G1.1113x$+$2E+06$R²$=$0.02139$
$G$$$$
$1,000,000$$
$2,000,000$$
$3,000,000$$
$4,000,000$$
$$0$$$50,000$$$100,000$$$150,000$$$200,000$$$250,000$$$300,000$$$350,000$$$400,000$
Visitas$
Inversión$Publicitaria$
$G$$$$
$2,000$$
$4,000$$
$6,000$$
$$0$
$$100,000$
$$200,000$
$$300,000$
$$400,000$
JulG1
2$
AugG12$
SepG12$
OctG12$
NovG12$
DecG12
$
JanG13$
FebG13$
MarG13$
AprG13$
MayG13$
JunG13$
JulG1
3$
Inversión$ Carga$de$CV$[TP]$
y$=$G0.0016x$+$3838.3$R²$=$0.01976$
$G$$$$
$1,000$$
$2,000$$
$3,000$$
$4,000$$
$5,000$$
$6,000$$
100,000$ 150,000$ 200,000$ 250,000$ 300,000$ 350,000$ 400,000$
Carga$CV
$[TP]$
Inversión$Publicitaria$
R2:$0,019$R:$0,14$
R:$Grado$de$asociación$(fuerza)$entre$las$variables$$ R2:$Explicación$de$la$variación$de$una$variable$respecto$de$la$otra$
Inversión$ Carga$CV$[TP]$
Visitas$ Inversión$
Cliente Mercenario (compra ofertas y se queja)
Cliente fidelizado (compra y recomienda)
Cliente Nuevo c/potenical (compró y se repagó)
Cliente nuevo s/potenical (compró oferta no se repagó)
Cliente perezoso (le cuesta volver, pero al hacerlo compra)
Cliente fisgón (mira mucho pero compra poco)
Cliente offline (termina la compra offline)
Cliente estacional (tiene períodos de compra)
Como se ven nuestros clientes?
Cliente Mercenario desinvertir
Cliente fidelizado cosechar
Cliente Nuevo c/potenical sembrar / invertir
Cliente nuevo s/potenical fomentar interés sin inversión
Cliente perezoso activar / mantener activo
Cliente fisgón generar interés y probar (testing!!!)
Cliente offline Generar UX ideal según tipo de consumo
Cliente estacional activar y desactivar según ciclo
Que hacemos con esto?
• Lo nuevo es el volumen de información, no la metodología.
• El software nos ayuda a correr los modelos, no a tomar decisiones.
• Importa quien está analizando la información.
Big Data es una coyuntura, no una práctica.
Recommended