Optimización de ROI de Campañas de Marketing

Dirigido a:

• Especialistas en Data Mining, personas encargadas de la gestión o realización
  de campañas de marketing o retención.

Modalidad:

• teórico-práctica

Duración:

• 16 horas

Prerrequisitos Conocimientos básicos de interpretación y ejecución de programas en lenguaje SAS Conocimientos básicos y experiencia en tareas de data mining aplicadas al marketing
directo o la retención de clientes Conocimientos básicos de estadística Descripción del Curso

• El ROI de una campaña de marketing no se maximiza mediante la tasa de respuesta
  o alguna otra métrica estándar de performance. Tampoco se logra, necesariamente,
  usando una medida económica vinculada a la aplicación en sí, como por ejemplo,
  alguna función de la ganancia o costo a partir de las predicciones del modelo.
  La única manera de hacerlo es tomar en cuenta el impacto incremental de la cam-
  paña, esto es, la tasa de respuesta o ganancia adicional atribuible a la campaña
  de marketing y que no se hubiera generado sin ella. La técnica típica en data
  mining de generar modelos de respuesta busca maximizar la selección de los casos
  propensos a una compra, pero confunde en un mismo grupo a los clientes que compra-
  rían el producto independientemente de la campaña y aquellos que dejarían de com-
  prarlo debido justamente a la campaña con el grupo sobre el que debiera realmente
  concentrarse, aquellos clientes que pueden ser influenciados positivamente por la
  misma. Esta confusión produce una selección de clientes que deteriora considerable-
  mente el ROI. Los modelos de uplifting buscan maximizar el impacto incremental
  seleccionando lo más limpiamente posible al grupo de influenciables y descartando
  a los otros grupos. Estos modelos deben utilizar una función objetivo distinta de
  la de los modelos de respuesta, una función que podría denominarse de «segundo
  grado», es decir, un diferencial de respuestas en dos escenarios distintos (ser
  contactado o no mediante la campaña de marketing). Este cambio en la función obje-
  tivo exige modificaciones correlativas en los distintos componentes del proceso y
  técnicas de modelización, que son el tema principal de este curso.

Temario:

1. Modelización tradicional en marketing directo
   1. Análisis del problema
   2. Supuestos del paradigma tradicional de data mining
   3. Metodología tradicional de modelización
   4. >Modelización tradicional
2. Extensión de la modelización tradicional
   1. Introducción
   2. Conceptos de Peso de la evidencia (WOE) y Valor de la Información (IV)
   3. Estimación de WOE y IV
   4. Modelos de respuesta flexibles
3. Metodología de modelización de uplifting
   1. Diseño experimental
   2. Función objetivo
   3. Exploración y selección de variables relevantes
   4. Medidas de performance
4. Modelos de lift incremental (1) Dos modelos
   1. Introducción
   2. Modelo de diferencia de puntajes (DSM)
   3. Modelos de descomposición de probabilidades (PDM)
   4. Interpretación de un modelo de uplift
   5. Nodo de respuesta incremental en SAS Enterprise Miner 7.1
5. Modelos de lift incremental (2) Un solo modelo
   1. Introducción
   2. Modelos de regresión con términos de interacción o bifurcados
   3. Arboles de decisión de uplift
   4. Modelo NKNN
   5. Modelos aditivos generalizados incrementales
   6. Comparación de modelos
6. Aplicaciones y Beneficios de los modelos de uplift