Herramientas de Machine Learning Aplicadas al Cálculo de Efectos de Tratamiento en Campañas de Marketing

Abstract

Al querer estudiar o estimar el efecto causal de una política en cierta variable de interés, el ideal sería comparar el mismo individuo con y sin tratamiento, lo cual, en la práctica resulta, en general, imposible. Una alternativa es llevar a cabo un experimento aleatorio: elegir una muestra a la cual aplicarle el tratamiento y un grupo de control, para luego analizar cómo impactó la política en cuestión a distintos individuos. Este estudio no sólo sirve para evaluar la efectividad del tratamiento o política realizada, sino también para identificar a qué población conviene dirigir una futura política similar, de manera de aumentar su efectividad. En esta tesis se pretende consolidar bibliografía y teoría sobre efecto de tratamientos, a la vez de aportar un análisis completo al estudio en datos reales relativos a campañas de marketing. Se trabajó con un conjunto de datos publicado por Kevin Hillstrom comúnmente utilizado para probar nuevas metodologías de ML a la predicción de efectos causales para datos reales. Algunos ejemplos son los trabajos de Devriendt et at. y Berrevoets et al.