Archive for ‘Integración de Datos’ Category

16
ago
Anticiparse a la Fuga de Clientes mediante Palancas de Retención
  • Rubén Granados
  • 1437 Views
  • 0 Comment
  • Big Data . Churn Prediction . Data Science . Fuga de Clientes . Machine Learning . Palancas de Retencion .

  Identificación y análisis de sendas de desvinculación de clientes Saber qué clientes pueden dejar de serlo ha sido el objetivo de los clásicos modelos de fuga (churn) cuyo output final consistía en una probabilidad de abandono asociada a cada cliente en determinado rango temporal. Sin embargo, una vez que sabemos que el cliente se va a ir, nos surge una pregunta: ¿Qué hacer para evitar su marcha? Incluso llegar más allá: ¿Qué hacer para conseguir que el cliente ni siquiera se plantee su marcha? Medidas preventivas de fuga de clientes en el sector bancario En Synergic Partners hemos realizado un proyecto para una de las entidades bancarias más importantes de España en el cual se responde a estas preguntas…

17
sep
Precauciones a la hora de normalizar datos en Data Science
  • Santiago Morante
  • 3660 Views
  • 2 Comments
  • No tags

Para que funcionen mejor muchos algoritmos de Machine Learning usados en Data Science, hay que normalizar las variables de entrada al algoritmo. Normalizar significa, en este caso, comprimir o extender los valores de la variable para que estén en un rango definido. Sin embargo, una mala aplicación de la normalización, o una elección descuidada del método de normalización puede arruinar tus datos, y con ello tu análisis. Vamos a ver unos ejemplos de los métodos de normalización más usados actualmente. Escalado de variables (Feature Scaling o MinMax Scaler) En este caso, cada entrada se normaliza entre unos límites definidos: El problema de este tipo de normalization, es que comprime los datos de entrada entre unos límites empíricos (el máximo y…

Clientes destacados