Semana 5

1 / 10
 Toma de decisiones (Mercadotecnia)

• Toma de decisiones con riesgo

• Es una situación en la cual podrán presentarse
varios posibles estados de la naturaleza, y se
conocen las probabilidades de todos ellos.

2
• Valor Monetario Esperado
• En una determinada tabla de decisión con valores
condicionales (pagos) que son los valores
monetarios, y evaluaciones de probabilidad de
todos los estados de la naturaleza, es posible
determinar el valor monetario esperado de cada
una de las alternativas cuya definición es el valor
promedio a largo plazo de esa decisión. Es la suma
de los posibles pagos, cada uno ponderado por la
probabilidad de que el pago ocurra

3
• El Criterio del Valor Monetario Esperado (VME), es una
técnica que se utiliza para tomar decisiones en condiciones
de incertidumbre, bajo el supuesto de que se conocen las
probabilidades de cada estado de la naturaleza. El contexto
de un proceso de toma de decisiones bajo incertidumbre,
un tomador de decisiones se enfrenta a estados de la
naturaleza inciertos y una serie de alternativas de decisión
que se pueden elegir. La decisión tomada y el estado final
de la naturaleza (que el tomador de decisiones no conoce
de antemano) determina la recompensa.
• Bajo este criterio de EMV, la persona que toma decisiones
calcula el valor esperado de la recompensa para cada
alternativa y luego elige la decisión que tiene el promedio
ponderado máximo.

4
• Para la alternativa de decisión ii, el valor monetario
esperado es
• EMV_i = \sum_{j=1}^k p_j \times
M_{ij}EMVi​=j=1∑kpj×Mij​El Criterio EMV no es la
única estrategia para tomar decisiones en
condiciones de incertidumbre. Dependiendo de la
postura de riesgo y de si se conoce o no la
probabilidad de los estados de la naturaleza puede
utilizarse otros metodos

5
6
• https://www.youtube.com/watch?v=5Gdm5QMee
YQ

7
• Valor esperado de la información perfecta y Valor
esperado con la información perfecta
• El valor esperado con la información perfecta
(VECIP) es el rendimiento esperado o promedio, a
largo plazo, si es que se tiene información perfecta
antes de que se deba de tomar la decisión. Para
calcular este valor se elige la mejor alternativa de
cada estado de la naturaleza y se multiplica su
ganancia por la probabilidad de que ocurra ese
estado de la naturaleza.

8
9
• https://www.youtube.com/watch?v=5Gdm5QMee
YQ

10
• Pérdida de oportunidad esperada
• Una metodología alternativa para maximizar el
VME consiste en minimizar la pérdida de
oportunidad esperada.

11
• Arboles de decisiones
• Los árboles de decisiones son algoritmos que se basan
en aprender una serie de reglas explícitas que dan
como resultado una decisión que predice el valor
objetivo.
• Se construyen partiendo de un nodo raíz, dónde el
modelo busca cuál es la característica que produce una
mayor división de información de los datos, a partir de
este nodo raíz se irán creando ramas y nodos hoja con
el resto de las características que generen división.
Aquellos nodos cuyo resultado es el mismo valor
objetivo, se denominan puros, por el contrario,
aquellos nodos con varios valores se denominan
mixtos.

12
• Los árboles de decisión son algoritmos de
aprendizaje supervisado, es decir, se necesita
entrenar el modelo con una muestra de registros
de los que previamente conocemos la entrada y la
salida. Además, este tipo de algoritmos se puede
utilizar tanto en problemas de clasificación, por
ejemplo, predecir si un cliente te va a comprar o no
un producto, como en problemas de regresión, por
ejemplo, predecir el número de visitas que va a
tener una página web.

13
• Puntos positivos:
• Son fácilmente interpretables debido a su
visualización.
• Trabajan bien tanto con características continuas,
como categóricas, y no necesitan un gran
tratamiento de los datos ya que son algoritmos que
no se ven afectados por las distintas escalas de los
datos.

14
• Puntos negativos:
• Los árboles de decisión suelen tender a sobre
ajustarse, lo cual es una problemática habitual en
machine learning. Esto ocurre cuando un algoritmo
aprende perfectamente el comportamiento de los
datos de entrenamiento, pero cuando se replica el
modelo en un conjunto de datos nuevo el resultado
pierde precisión.

15
• Usos
• Mejorar los esfuerzos de outbound marketing.
• Los árboles de decisión se pueden utilizar para
analizar los datos de los clientes y responder
preguntas de marketing como por ejemplo qué
acciones de outbound marketing deberíamos hacer
más. También, mediante árboles de decisión, los
responsables de marketing podrían predecir qué
clientes tienen más probabilidades de responder
favorablemente cuando reciben un email
promocional o un catálogo de ventas por correo.

16
• Incrementar la fidelidad de los clientes.
• Los árboles de decisiones se pueden utilizar para
determinar qué clientes tienen más probabilidades
de gastar más dinero en una marca, cuando se les
entrega una tarjeta de fidelización por puntos. El
modelo podría generar un valor objetivo que
predice la probabilidad de que cada cliente gaste
más con la tarjeta. Por ejemplo, un valor de «1»
significaría que es probable que el cliente gaste más
y un valor de «0» significaría que es poco probable
que el cliente gaste más.

17
• Conocer la probabilidad de abandono de un cliente.
• Gracias a los árboles de decisiones, podemos conocer
con anterioridad qué probabilidad de abandono tiene
un cliente o lo que también es conocido como churn.
Para ello es necesario disponer de datos históricos de
clientes activos y clientes perdidos.

• Predecir el volumen de visitas en una página web.

• Gracias a los árboles de decisiones, podemos
establecer diferentes escenarios ante diversas acciones
que incidan en el tráfico de nuestra página web o
eCommerce y hacer una predicción de en función de
qué acción o acciones obtendremos más visitas

18
• Predecir el volumen de ventas de un producto.
• Al igual que los casos anteriores, gracias al análisis
anterior del histórico de datos relacionados con las
ventas y acciones relacionadas con cada venta,
podremos utilizar los árboles de decisión para
predecir cuáles serían nuestras ventas en función
de qué acciones de marketing pongamos en
marcha

19
• Probabilidad de que un lead se convierta a cliente.
• Dentro del lead management hay una fase en la
cual se debe de dar un scoring a ese lead, el cual
nos permita cualificarlo y darle una temperatura
que nos sirva para saber cuáles debemos pasar al
equipo de ventas. Gracias a los árboles de
decisiones, podemos conocer la probabilidad de
que ese lead compre, otorgando así un scoring más
alto al lead

20
21
• http://repositorio.cucea.udg.mx/jspui/bitstream/1
23456789/472/1/Toma%20de%20decisiones%20co
n%20riesgo%20.pdf
• https://www.youtube.com/watch?v=2DvMC36DYh
s

22