• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
ESTYLF'2008: Modelado Causal en Marketing mediante Aprendizaje no Supervisado de Reglas de Asociación Difusas
 

ESTYLF'2008: Modelado Causal en Marketing mediante Aprendizaje no Supervisado de Reglas de Asociación Difusas

on

  • 938 views

 

Statistics

Views

Total Views
938
Views on SlideShare
935
Embed Views
3

Actions

Likes
0
Downloads
3
Comments
0

2 Embeds 3

http://www.slideshare.net 2
http://www.albertorriols.net 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    ESTYLF'2008: Modelado Causal en Marketing mediante Aprendizaje no Supervisado de Reglas de Asociación Difusas ESTYLF'2008: Modelado Causal en Marketing mediante Aprendizaje no Supervisado de Reglas de Asociación Difusas Presentation Transcript

    • Modelado Causal en Marketing mediante g Aprendizaje no Supervisado de Reglas de Asociación Dif A i ió Difusas Albert Orriols-Puig1 Jorge Casillas2 Francisco J. Martínez-López3 p 1Grup de Recerca en Sistemes Intel·ligents, Enginyeria i Arquitectura La Salle, Universitat Ramon Llull 2Dpto. Ciencias de la computación e Inteligencia Artificial, Universidad de Granada 3Dpto. Comercialización e Investigación de Mercados, Universidad de Granada
    • Índice 1. Descripción del Problema 1D i ió d l P bl 2. 2 Reglas de Asociación 3. 3 Descripción de Fuzzy CSar Fuzzy-CSar 4. 4 Metodología Experimental 5. 5 Resultados 6. Conclusiones y Trabajo Futuro Slide 2 Grup de Recerca en Sistemes Intel·ligents
    • Descripción del Problema Búsqueda de oportunidades de mercado Sistemas de apoyo a la gestión de marketing Extraer información clave para la toma de decisiones Modelado d l M d l d del comportamiento del consumidor t i t dl id Definir las características o variables que se quieren medir Variables d V i bl de primer orden i d Variables de segundo orden definidas por varias variables de primer orden Datos recogidos de cuestionarios Preguntas indirectas para evaluar las variables g p Slide 3
    • Descripción del Problema ítems Modelado de la compra por internet v1 Velocidad de v2 interacción f1 Nivel de v3 atención Habilidad/ h1 f2 control h2 Habilidad H bilid d Metodología clásica Asumir modelo estructural y plantear hipótesis c1 Estudiar analíticamente las hipótesis p Control Problema: fijar la estructura puede limitar el c2 descubrimiento de conocimiento interesante. Velocidad de interacción v1: La interacción con las páginas Web es rápida y estimulante: {1,…,9} v2: Internet es rápido: {1,…,9} v3: Las páginas Web que visito usualmente se cargan lo suficientemente rápido: {1,…,9} {1 9} Slide 4 Grup de Recerca en Sistemes Intel·ligents
    • Cómo Afrontar el Problema? Trabajo previo (Martínez & Casillas, 2008) Método multi-objetivo GCCL Fijar variable de salida Extracción de reglas difusas Fuzzificación multi-ítem para tratar los datos multi ítem Permitió descubrir conocimiento clave no detectado por el método clásico Propósito del trabajo actual Extraer reglas de asociación difusas con el objetivo de extraer relaciones entre variables que sean útiles y desconocidas para el experto en marketing Comparar el nuevo sistema con el GCCL Slide 5 Grup de Recerca en Sistemes Intel·ligents
    • Índice 1. Descripción del Problema 1D i ió d l P bl 2. 2 Reglas de Asociación 3. 3 Descripción de Fuzzy CSar Fuzzy-CSar 4. 4 Metodología Experimental 5. 5 Resultados 6. Conclusiones y Trabajo Futuro Slide 6 Grup de Recerca en Sistemes Intel·ligents
    • Reglas de Asociación Objetivo: Extraer reglas que denoten relaciones entre variables con alto soporte y confianza SI X = {x1, x2, …, xp} es {Fx1, Fx2, …, Fxp} ENTONCES Y = {y1, y2, …, yp} es {Gy1, Gy2, …, Gyp} SI velocidad es alta y habilidad es media ENTONCES nivel d atención es alto lt i l de t ió Evaluación por soporte y confianza: p p Slide 7 Grup de Recerca en Sistemes Intel·ligents
    • Índice 1. Descripción del Problema 1D i ió d l P bl 2. 2 Reglas de Asociación 3. 3 Descripción de Fuzzy CSar Fuzzy-CSar 4. 4 Metodología Experimental 5. 5 Resultados 6. Conclusiones y Trabajo Futuro Slide 8 Grup de Recerca en Sistemes Intel·ligents
    • Descripción de Fuzzy-CSar Sistema clasificador de estilo Michigan g Sistema de aprendizaje online Uso de algoritmos g g genéticos para evolucionar el modelo p Representación del conocimiento Evolución de una población de clasificadores Cada clasificador contiene Regla de asociación difusa con 1 sola variable en consecuente Conjunto de parámetros Donde cada variable está Soporte definida po varios ítems. de da por a os te s Confianza Fuzzificación multi-ítem. Fitness … Slide 9 Grup de Recerca en Sistemes Intel·ligents
    • Fuzzificación Multi-ítem Objetivo: Unir la información de los ítems para determinar el grado de emparejamiento por cada variable Computar la T-conorma grado de emparejamiento de la variable i con cada ítem de los pi que representan la variable Variables de segundo orden se computan como la T-norma Slide 10 Grup de Recerca en Sistemes Intel·ligents
    • Proceso de Aprendizaje Flujo de Entorno ejemplos j l Match Set [M] Ejemplo 1A C sup conf F n as exp Covering 3A C sup conf F n as exp if |[M]| < θmna 5A C sup conf F n as exp Población [P] 6A C sup conf F n as exp … 1A C sup conf F n as exp 2A C sup conf F p n as exp p Generar todos G td 3A C sup conf F n as exp los posibles conjuntos 4A C sup conf F n as exp de asociación [A] 5A C sup conf F n as exp Generación 6A C sup conf F n as exp del Match set … Se d S da una probabilidad d b bilid d de selección a cada [A] proporcional Actualización a su confianza media de los parametros [A] selection Borrado Association Set [A] Selección, Reproducción, mutación Algoritmo Genético 3 A C sup conf F n cs as exp 6 A C sup conf F n cs as exp … Slide 11 Grup de Recerca en Sistemes Intel·ligents
    • Índice 1. Descripción del Problema 1D i ió d l P bl 2. 2 Reglas de Asociación 3. 3 Descripción de Fuzzy CSar Fuzzy-CSar 4. 4 Metodología Experimental 5. 5 Resultados 6. Conclusiones y Trabajo Futuro Slide 12 Grup de Recerca en Sistemes Intel·ligents
    • Metodología Experimental Experimentación en el modelo causal presentado por p p p Novak et al. (2000) {1,2,…9} {1,2,…9} Habilidad Control {0.25, 0.5, 1.5, 2.5, 3.5, 4.5} {1,2,…9} HABILIDAD/ Inicio de uso de la Web CONTROL FLOW {1,2,…9} {1,2,…9} {1 2 9} DESAFÍO/ Velocidad ESTÍMULO interacción Comportamiento Desafío exploratorio Estímulo {1,2,…9} Implicación con p Nivel de TELEPRES/ la Web atención DIST. TIEMPO {1,2,…9} {1,2,…9} Distorsión Tele- Tiempo presencia i {1,2,…9} Slide 13 Grup de Recerca en Sistemes Intel·ligents
    • Metodología Experimental Comparativa entre Fuzzy-CSar y GCCL basado en NSGA-II NSGA II diseñado por Martínez & Casillas (2008) Experimento 1 (4in1out): 1 variable de salida: flow 4 variables de entrada: habilidad/control velocidad de interacción habilidad/control, interacción, desafío/estímulo y telepresencia/distorsión del tiempo Experimento 2 (8in1out): 1 variable de salida: flow Resto de variables como entrada ¿Los resultados son similares a los obtenidos con 4 variables? Experimento 3 (9in9out): Se permite cualquier variable en entrada o salida ¿Se obtiene conocimiento interesante no detectado previamente? Slide 14 Grup de Recerca en Sistemes Intel·ligents
    • Índice 1. Descripción del Problema 1D i ió d l P bl 2. 2 Reglas de Asociación 3. 3 Descripción de Fuzzy CSar Fuzzy-CSar 4. 4 Metodología Experimental 5. 5 Resultados 6. Conclusiones y Trabajo Futuro Slide 15 Grup de Recerca en Sistemes Intel·ligents
    • Resultados: Análisis de los Paretos Pareto de Fuzzy-CSar sin consecuente fijado Pareto del GCCL P dl Pareto de Fuzzy-CSar con flow como consecuente Pareto de Fuzzy-CSar sin consecuente fijado y sólo considerando las reglas con la variable flow en el consecuente Slide 16 Grup de Recerca en Sistemes Intel·ligents
    • Análisis del Valor de las Reglas Obtención de reglas no contempladas en el modelo propuesto por Novak et al. (2000) SI i li ió web es M y h bilid d/ t l es P o M y nivelAtención es P o M y implicación b habilidad/control i lAt ió flow es P o M ENTONCES comportamientoExploratorio es M Soporte = 0,22 y conf = 0,87 SI implicación web es P o M y desafío/estímulo es P o M y telepresencia/distancia de tiempo es M o L ENTONCES nivelAtención es M Soporte = 0,21 y conf = 0,84 Utilidad de los resultados: Denotan relaciones no incluidas en el modelo estructural de Novak et al. (2000), proporcionando información útil Permiten la revisión del modelo inicial Slide 17 Grup de Recerca en Sistemes Intel·ligents
    • Índice 1. Descripción del Problema 1D i ió d l P bl 2. 2 Reglas de Asociación 3. 3 Descripción de Fuzzy CSar Fuzzy-CSar 4. 4 Metodología Experimental 5. 5 Resultados 6. Conclusiones y Trabajo Futuro Slide 18 Grup de Recerca en Sistemes Intel·ligents
    • Conclusiones y Trabajo Futuro Fuzzy CSar Fuzzy-CSar es un sistema competente que: Aprende reglas de asociación sin tener que fijar los co secue es consecuentes de las reglas as eg as Extrae reglas de asociación útiles y originales para los expertos de marketing p g Obtiene frentes de Pareto similares a los extraídos por un sistema optimizador de frentes Pareto p Aprende online Grandes volúmenes de datos Actualización del conocimiento frente cuestionarios nuevos Trabajo futuro: Estudio detallado de las capacidades de Fuzzy-CSar Análisis de la diversidad de las reglas. Las reglas g g dominadas también pueden tener información útil Slide 19 Grup de Recerca en Sistemes Intel·ligents
    • Modelado Causal en Marketing mediante g Aprendizaje no Supervisador de Reglas de Asociación Dif A i ió Difusas Albert Orriols-Puig1 Jorge Casillas2 Francisco J. Martínez-López3 p 1Grup de Recerca en Sistemes Intel·ligents, Enginyeria i Arquitectura La Salle, Universitat Ramon Llull 2Dpto. Ciencias de la computación e Inteligencia Artificial, Universidad de Granada 3Dpto. Comercialización e Investigación de Mercados, Universidad de Granada