Echeverri Calderón, Juan CamiloCálad Noreña, Felipe2019-05-282019-05-282015https://repository.eia.edu.co/handle/11190/228888 páginasTiendacol S.A es una empresa del sector de la moda ubicada en la ciudad de Medellín, Colombia, que se dedica al comercio al por menor de prendas de vestir y accesorios en establecimientos especializados. Debido a que la compañía tiene una preocupación por mejorar los esfuerzos comerciales y de servicio al cliente, donde se es consciente de contar con gran cantidad de información en sus sistemas que está siendo subutilizada, se vio la necesidad de desarrollar proyectos que permitan hacer un mejor uso de la información disponible en especial con respecto a estos esfuerzos. Con tal necesidad se planteó implementar un modelo de minería de datos indirecta, a través del cual se logre analizar la información que se tiene de los clientes para clasificarlos automáticamente y agruparlos en grupos de características similares de acuerdo a los patrones de compra. Todo el proceso de minería de datos se diseñó con base en la metodología CRISP-DM que se caracteriza por los buenos resultados en proyectos de esta índole. Con esta se buscó emplear un procedimiento estándar, que tuviera validez en la industria y que se encontrará bien estructurado. Siguiendo dicha metodología se empezó entonces por entender el contexto de los clientes dentro de la empresa, tanto desde el punto de vista del negocio como de la capa de datos. A partir de ello se identificaron las ventas y la cartera como principales procesos relacionados con los clientes, los cuales se encontraban representados por 7 modelos dimensionales dentro de un sistema de inteligencia de negocios. Posteriormente se procedió a diseñar y ejecutar el modelo de clasificación. Inicialmente se extrajeron los datos que constituirían las variables del modelo y se prepararon mediante una estandarización en Z para, finalmente, poder obtener los segmentos a partir del algoritmo k-means clustering. Con los resultados obtenidos se ejecutó adicionalmente un árbol de decisión con el fin de encontrar características adicionales en los grupos encontrados. Se hicieron en total 3 modelos que seguían el proceso anterior pero que diferían en cuanto a sus variables. Los resultados finales permitieron diferenciar 3 segmentos de clientes: i) los mejores, ii) los intermedios y iii) los peores. Los mejores representan los clientes más constantes, que son los que compran montos más grandes, con mayor frecuencia y además adquieren mayor cantidad de créditos; los intermedios son los que compran un número aceptable de veces al año, con montos no muy altos y que además recurren poco a créditos; finalmente, los peores constituyen los clientes más esporádicos y los que menos compran.application/pdfspaDerechos Reservados - Universidad EIA, 2015Trabajo de grado - PregradoEl autor de la obra, actuando en nombre propio, hace entrega del ejemplar respectivo y de sus anexos en formato digital o electrónico y autoriza a la ESCUELA DE INGENIERIA DE ANTIOQUIA, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995, y demás normas generales sobre la materia, utilice y use por cualquier medio conocido o por conocer, los derechos patrimoniales de reproducción, comunicación pública, transformación y distribución de la obra objeto del presente documento. PARÁGRAFO: La presente autorización se hace extensiva no sólo a las dependencias y derechos de uso sobre la obra en formato o soporte material, sino también para formato virtual, electrónico, digital, y en red, internet, extranet, intranet, etc., y en general en cualquier formato conocido o por conocer. EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realiza sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARÁGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la ESCUELA DE INGENIERÍA DE ANTIOQUIA actúa como un tercero de buena fe.info:eu-repo/semantics/openAccessAtribución-NoComercialSegmentación de clientesMinería de datosk-means clusteringCentroideSector de la modaCustomer segmentationData miningCentroidFashion industryCálad Noreña, F. (2015). Segmentación de clientes automatizada a partir de técnicas de minería de datos (K-Means Clustering) (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/2288http://purl.org/coar/access_right/c_abf2