Kaggle: Coupon Purchase Prediction
Descargar como PPTX, PDF0 recomendaciones794 vistas
El documento detalla un proyecto de predicción de compras de cupones utilizando un sistema de recomendación, inspirado en algoritmos como el del premio Netflix. Se busca mejorar la capacidad de predecir cupones que los clientes están propensos a comprar, basándose en datos históricos de compras y navegación. El modelo analítico desarrollado tiene en cuenta similitudes entre usuarios y la calidad se mide mediante métricas específicas para maximizar su efectividad.
Kaggle: Coupon Purchase Prediction
- 1. Kaggle: Coupon Purchase Prediction. Predecir que es lo que los clientes quieren antes que ellos. Alejandro Tobon Karen Viviana Torres Roby Rubiano
- 2. Sistemas de recomendación El Premio Netflix era un concurso abierto para el mejor algoritmo de recomendación. Premio un millón de dólares. Amazon cuenta con un algoritmo personalizado de recomendación que ellos llaman filtrado colaborativo ítem a ítem. Fue desarrollado en casa y esta patentado en los Estados Unidos. Los videos recomendados representaron aproximadamente el 60% de los clics en la página principal. Se encontró la tasa de clics (CTR) se incrementó en un 207% para los videos recomendados. Un sistema de recomendación es un sistema inteligente que proporciona a los usuarios una serie de sugerencias personalizadas
- 3. Contenido Antecedentes Solución propuesta
- 4. Contenido Antecedentes Solución propuesta
- 5. Antecedentes Ponpare es un sitio web muy parecido a Groupon. Ponpane el es sitio web líder en Japón, que ofrece grandes descuentos de todo tipo, desde el yoga, hasta sushi gourmet Por medio del uso de la información histórica de compras y el comportamiento de navegación, se quiere predecir que cupones el cliente va a comprar en un período determinado de tiempo Se utilizarán los modelos resultantes para mejorar el sistema de recomendación actual.
- 6. Contenido Antecedentes Solución propuesta
- 7. Solución propuesta: Planteamiento Clientes y cupones Información Histórica de compras. Información de histórica de navegación. Información detallada de los groupones Datos demográficos del cliente Modelo Analítico El modelo entrega como resultado por cada cliente la lista de los 10 cupones mas propensos a la compra.
- 8. Modelo Analítico Fases Calculo de similitud de usuarios. Esta medida depende de los productos que compren en común. Vector de preferencias de cada usuario. VP: vector que contiene la proporción de cuponesque compro o visito con sus características Se emiten recomendaciones Se mide la calidad y efectividad del modelo 1 2 3 4
- 9. Diana Pilar Modelo Analítico: Similitud La medida de similitud es un indador de 0 a 1, donde 1 significa que compraron lo mismo y 0 significa lo contrario
- 10. Modelo Analítico: Vector de preferencias de su comunidad Cada variable que se define en el vector tiene un peso. Diana • 20% de los cupones los compro en SPA • 40% de los cupones los comro en restaurantes. • 50% de los cupones los compro en Bogota • 40% de los cupones costaban menos de 50.000 Pilar…….. Arturo ……..
- 11. Modelo Analítico: Calidad Se entrena con todos los registros que están entre las fechas (2011-07-01 to 2012-06-16), casi un año. Se mide la calidad con las compras que se efectuaron entre (2011-06-13 to 2012-06-23) Se debe encontrar la combinación de pesos en el vector de preferencias que maximizan la métrica de calidad del modelo La métrica que se utiliza es la MAP@10
Notas del editor
- #2: Ponpare
- #3: Amazon: Jeffrey Bezos 1994
- #12: where if the denominator is zero, the result is set zero; P(k) means the precision at cut-off k in the item list, i.e., the ratio of number of users followed up to the position k over the number k, and P(k) equals 0 when k -th item is not followed upon recommendation; n = 10 (1) If the user follows recommended nodes #1 and #3 along with another node that wasn't recommend, then ap@10 = (1/1 + 2/3)/3 ≈ 0.56 (2) If the user follows recommended nodes #1 and #2 along with another node that wasn't recommend, then ap@10 = (1/1 + 2/2)/3 ≈ 0.67 (3) If the user follows recommended nodes #1 and #3 and has no other missing nodes, then ap@10 = (1/1 + 2/3)/2 ≈ 0.83