Este tutorial utiliza el nodo Modelo de respuesta de autoaprendizaje (SLRM), que genera y permite actualizar un modelo para predecir qué ofertas son las más adecuadas para los clientes y la probabilidad de que las ofertas sean aceptadas. Estos tipos de modelos son muy beneficiosos en la gestión de relaciones con los clientes, incluidas las aplicaciones de marketing y los centros de llamadas.
Este ejemplo se basa en una empresa bancaria ficticia. El departamento de marketing quiere conseguir resultados más rentables en futuras campañas haciendo coincidir la oferta adecuada de servicios financieros a cada cliente. Específicamente, el ejemplo utiliza un modelo de respuesta de autoaprendizaje para identificar las características de los clientes que tienen más probabilidad de responder favorablemente en base a ofertas y respuestas anteriores y a promocionar la mejor oferta actual en función de los resultados.
Pruebe el tutorial
En esta guía de aprendizaje, realizará estas tareas:
Ejemplo de flujo de modelización y conjunto de datos
Este tutorial utiliza el flujo Hacer ofertas a los clientes - Autoaprendizaje en el proyecto de ejemplo. Los archivos de datos utilizados son pm_customer_train1.csv, pm_customer_train2.csv y pm_customer_train3.csv. La siguiente imagen muestra el flujo del modelador de muestra.
Tarea 1: Abrir el proyecto de ejemplo
El proyecto de muestra contiene varios conjuntos de datos y flujos de modelado de muestra. Si aún no tiene el proyecto de ejemplo, consulte el tema Tutoriales para crear el proyecto de ejemplo. A continuación, siga estos pasos para abrir el proyecto de ejemplo:
- En ' watsonx, en el menú Navegación '
, seleccione Proyectos > Ver todos los proyectos. - Haga clic en ProyectoSPSS Modeler.
- Haga clic en la pestaña Activos para ver los conjuntos de datos y los flujos del modelador.
' Comprueba tu progreso
La siguiente imagen muestra la pestaña Activos del proyecto. Ahora está listo para trabajar con el flujo del modelador de ejemplo asociado a este tutorial.
Tarea 2: Examinar el activo de datos y el nodo de relleno
el flujo del modelador Hacer ofertas a los clientes - Autoaprendizaje ' incluye varios nodos. Siga estos pasos para examinar los nodos Activo de datos y Relleno:
- En la pestaña Activos, abra el flujo de modelado Hacer ofertas a los clientes - Autoaprendizaje y espere a que se cargue el lienzo.
- Haga doble clic en el nodo pm_customer_train1.csv. Este nodo es un nodo de Activo de Datos que apunta al archivo pm_customer_train1.csv en el proyecto.
- Revise las propiedades del formato de archivo.
- Opcional: Haga clic en Vista previa de datos para ver el conjunto de datos completo.
- Haga doble clic en el nodo Relleno.Los nodos de relleno se utilizan para sustituir valores de campo y modificar el almacenamiento. Puede sustituir los valores en función de una condición CLEM especificada, como
@BLANK(FIELD). También puede sustituir todos los espacios vacíos o valores nulos por un valor específico. Los nodos de relleno se utilizan a menudo con el nodo Tipo para reemplazar los valores que faltan.En la sección Rellenar campos, puede especificar los campos del conjunto de datos cuyos valores desea examinar y sustituir. En este caso, la columna "campaign" se especifica junto con una selección Siempre en la sección Sustituir. - Haz clic en Cancelar.
' Comprueba tu progreso
La siguiente imagen muestra el nodo Relleno. Ahora está listo para examinar los nodos Tipo y Reclasificar.
Tarea 3: Examinar los nodos Tipo y Reclasificar
Siga estos pasos para examinar los nodos Tipo y Reclasificar:
- Haga doble clic en el nodo Tipo para ver sus propiedades.Con el nodo Tipo, puede indicar los tipos de campos que está utilizando y cómo se utilizan para predecir los resultados. Fíjese en que la función de los campos "
campaign" y "response" es " Objetivo. Los objetivos especificados son los campos en los que desea basar sus predicciones. La Medida se establece en Indicador para el campo "response". - Haz clic en Leer valores.
Figura 3. Niveles de medición 
- Pulse Guardar.
Puesto que los datos del campo campaña se muestran como una lista de números (1, 2, 3 y 4), puede reclasificar los campos para que tengan títulos significativos.
- Haga doble clic en el nodo Reclasificar para ver sus propiedades.
- En la sección Reclasificar en, seleccione Campo existente.
- A continuación, en la sección Reclasificar campo, seleccione campaña.
- Pulse Obtener valores. Los valores de la campaña se añaden a la columna "
ORIGINAL VALUE". - Observe que en la sección Valores de la columna "
NEW VALUE" hay cuatro filas:- Mortgage
- Car loan
- Savings
- Pension
- Pulse Guardar.
' Comprueba tu progreso
La siguiente imagen muestra el nodo Reclasificar. Ya está listo para explorar el nodo SLRM.
Tarea 4: Explorar el nodo SLRM
Siga estos pasos para explorar el nodo SLRM:
- Haga doble clic en el nodo de campaña (SLRM ) para ver sus propiedades.
- Seleccione "
campaign" para el campo Target, y "response" para el campo Target response. - En Opciones del modelo, en Número máximo de predicciones por registro, reduzca el número a 2. Esto significa que para cada cliente se identifican dos ofertas que tienen la mayor probabilidad de ser aceptadas.
- Asegúrese de que la opción Tener en cuenta la fiabilidad del modelo está seleccionada.
- Pulse Guardar.
' Comprueba tu progreso
La imagen siguiente muestra el flujo. Ya está listo para generar el modelo.
Tarea 5: Generar el modelo
Siga estos pasos para generar el modelo:
- Pase el ratón por encima del nodo de la campaña (SLRM) y haga clic en el icono Ejecutar '
. - En el panel Salidas y modelos, haga clic en el modelo de campaña para ver los resultados.
La vista inicial muestra la precisión estimada de las predicciones de cada oferta. También puede pulsar Importancia del predictor para ver la importancia relativa de cada predictor en la estimación del modelo, o bien pulsar Asociación con respuesta para mostrar la correlación de cada predictor con la variable objetivo.
Figura 4. Rendimiento del modelo de campaña 
- Para cambiar entre cada una de las cuatro ofertas para las que hay predicciones, utilice el menú Ver.
- Vuelva al flujo.
' Comprueba tu progreso
La imagen siguiente muestra el flujo. Ahora está listo para experimentar con otros nodos de Activos de datos.
Tarea 6: Experimentar con otros nodos de Activos de Datos
Siga estos pasos para experimentar con otros nodos de Activos de datos:
- Desconecte el nodo pm_customer_train1.csv del nodo Filler.
- Conecte el nodo pm_customer_train2.csv al nodo Filler.
- Haga doble clic en el nodo de la campaña (SLRM) y, en las Opciones de construcción, asegúrese de que está seleccionada la opción Continuar con el entrenamiento del modelo existente.
- Pulse Guardar.
- Ejecute el flujo para volver a generar el nugget de modelo. Pase el ratón por encima del nodo de la campaña (SLRM) y haga clic en el icono Ejecutar ' .
- En el panel Salidas y modelos, haga clic en el modelo de campaña para ver los resultados. El modelo muestra ahora las estimaciones de precisión revisadas de las predicciones de cada oferta.
Figura 5. Rendimiento del modelo de campaña 
- Desconecte el nodo pm_customer_train2.csv del nodo Filler.
- Conecte el nodo pm_customer_train3.csv al nodo Filler.
- Ejecute el flujo para volver a generar el nugget de modelo. Pase el ratón por encima del nodo de la campaña (SLRM) y haga clic en el icono Ejecutar ' .
- En el panel Salidas y modelos, haga clic en el modelo de campaña para ver los resultados.
Figura 6. Rendimiento del modelo de campaña 
Ahora el modelo muestra la precisión final estimada de las predicciones de cada oferta. Como puede ver, la precisión media cayó ligeramente a medida que se añadieron orígenes de datos adicionales. Sin embargo, esta fluctuación es mínima y podría atribuirse a ligeras anomalías en los datos disponibles.
- Pase el ratón por encima del nodo Tabla y haga clic en el icono Ejecutar ' .
- En el panel Salidas y modelos, haga clic en el modelo Tabla para ver los resultados.
Figura 7. Rendimiento del modelo de campaña
Las predicciones de la tabla muestran qué ofertas es más probable que acepte un cliente y la confianza en que acepte esa oferta, en función de los datos de cada cliente. Por ejemplo, en la primera fila, sólo hay un 13.2 confianza (denotado por el valor " 0.132 " en la columna " $SC-campaign-1 ) en que un cliente que antes pidió un préstamo para un coche acepte una pensión si se la ofrecen. Sin embargo, las líneas segunda y tercera muestran a otros dos clientes que también pidieron un préstamo para comprar un coche; en sus casos, hay un 95.7 confianza en que ellos, y otros clientes con historiales similares, abran una cuenta de ahorro si se la ofrecen, y más de un 80% de confianza en que acepten una pensión.
Las explicaciones de los fundamentos matemáticos de los métodos de modelado que se utilizan en SPSS Modeler están disponibles en la Guía de Algoritmos deSPSS Modeler.
Estos resultados se basan únicamente en los datos de entrenamiento. Para evaluar la generalización del modelo a otros datos del mundo real, se utiliza un nodo Partición para seleccionar un subconjunto de registros con fines de prueba y validación.
' Comprueba tu progreso
La imagen siguiente muestra el flujo.
Resumen
Este ejemplo mostraba cómo utilizar el nodo Modelo de respuesta de autoaprendizaje (SLRM ) para predecir qué ofertas es más probable que acepte un cliente y la confianza en que acepte la oferta, en función de los datos de cada cliente.
Próximos pasos
Ahora está preparado para probar otros tutorialesSPSS® Modeler.