Descubriendo información: ¿qué nos enseña un árbol de decisión?
Tomemos un ejemplo con este árbol de Predicción generado en un sitio web de comercio electrónico:
Interpretar un árbol de decisión
El rojo representa una fuerte probabilidad de compra (cuanto más rojo, más probabilidad)
El azul representa una fuerte probabilidad de no compra (cuanto más azul, menos probabilidad de compra)
El primer punto a la izquierda representa al 100 % de la población; se produce una primera división con la variable total_order_amount (importe total de compra).
A un lado, tenemos a aquellos cuyas compras totales (de su historial de compras entero) representan un importe inferior a 25 € y que no es muy probable que compren (azul oscuro). Al otro, a aquellos cuyo importe de compras total supera los 25 € y es más probable que compren (azul claro)
De estos últimos, aquellos que estuvieron recientemente en el embudo son más propensos a comprar (círculo rojo claro) y de ellos, aquellos cuya última visita se produjo en los últimos 28 días son más propensos a comprar (círculo rojo muy oscuro).
Entre aquellos cuya primera visita se produjo hace más de 28 días, podemos apreciar que los que consultaron recientemente menos de 22 páginas son menos propensos a comprar, excepto cuando sus páginas consultadas totales son inferiores a 55 y visitaron recientemente más de cuatro páginas.
Sin embargo, aquellos que consultaron un total superior a 55 páginas y recientemente visitaron menos de ocho páginas, no efectuarán ninguna compra.
Y un largo etcétera siguiendo los nodos.
Las lecciones que extraemos
- La variable más predecible es el importe total de compra y debe tenerse en cuenta al crear los segmentos.
- La presencia reciente en el túnel de compra cambia drásticamente la probabilidad (sin sorpresas, de ahí la importancia de recuperar los carritos abandonados).
- La cantidad de páginas visitadas es un indicador de la probabilidad de compra y depende de la fecha de la última visita. Podemos deducir que existe una especie de proporción que puede determinar si alguien tiene una intención de compra basándonos en la fecha de su primera visita, la cantidad total de páginas visitadas desde entonces y la cantidad de páginas recientemente visitadas.
Por tanto, es necesario crear un segmento para cada nodo rojo de la derecha de la pantalla y encontrar a todos los visitantes con intención (o seguir profundizando en la proporción para crear una nueva proporción variable para facilitarlo en el futuro).
Analytics
-
Commanders Act fortalece su liderazgo en analítica de campañas y medios al adquirir Adloop, reforzando su compromiso con la optimización del rendimiento de marca.
-
¿Qué soluciones existen para sustituir las cookies de terceros?
CDP
-
¿Cómo conciliar el enriquecimiento de datos y el consentimiento?
-
6 buenas prácticas para optimizar sus tasas de consentimiento
Corporate
-
CMP Partner Program: Commanders Act recibe la certificación de Google tras el anuncio de sus nuevos requisitos de gestión del consentimiento
-
Privacy Barometer 2023
DATA
-
Reúnase con nosotros en E-Commerce Portugal
-
Cómo utilizar el CDP en cada etapa del ciclo de vida del cliente