Implementar un modelo de predicción del máximo segmento a alcanzar por un usuario en aplicación de q-commerce

Abstract

En este trabajo de investigación se desarrolló un modelo predictivo para identificar el máximo segmento de ciclo de vida que un usuario puede alcanzar dentro de una plataforma digital, utilizando datos históricos de transacciones y comportamientos. El proceso comenzó con la extracción del conjunto de datos, el cual contenía información clave sobre las primeras compras de los usuarios, verticales de preferencia, días de la semana de compra y otros factores relacionados. Una vez obtenidos los datos, estos fueron procesados y se realizaron diversas etapas: limpieza de valores nulos y valores atípicos, ingeniería de características para optimizar el poder predictivo, y análisis exploratorio de datos para identificar patrones y relaciones significativas. Variables como la vertical de la primera compra y las características temporales mostraron una influencia destacada en la predicción del máximo segmento alcanzado. Posteriormente, se implementaron técnicas de aprendizaje automático, incluyendo vecinos más cercanos, Random Forest y XGBoost, para predecir el máximo segmento de los usuarios. Se aplicaron métodos de ajuste de hiper parámetros y validación cruzada para maximizar la precisión del modelo. Finalmente, se analizaron los resultados para identificar factores clave en el comportamiento de los usuarios y evaluar el desempeño de las predicciones realizadas. Este trabajo incluye e integra un flujo completo de análisis de datos, desde la extracción y limpieza hasta la generación de predicciones, proporcionando un marco útil para entender el comportamiento de los usuarios y diseñar estrategias basadas en los segmentos de ciclo de vida identificados.