Resumen de Predicción de la intencion de compras usando árboles de decisión

Dario Šebalj, Jelena Franjković, Kristina Hodak

• español

  Introducción: El precio se considera un elemento descuidado del marketing-mix debido a la complejidad de la gestión de precios y la sensibilidad de los clientes en los cambios de precios. Esto lleva a reacciones más rápidas de los clientes a ese cambio. En consecuencia, el proceso de toma decisiones de compra puede ser muy desafiante para el cliente.

  Objetivo: Crear un modelo capaz de predecir la intención de la compra y clasificar a los encuestados en una de las dos categorías, dependiendo de si pretenden comprar o no.

  Métodos: La muestra de datos consta de 305 encuestados, que son personas mayores de 18 años involucrados en la compra de productos de alimentación para su hogar. La investigación se realizó en febrero de 2017. Con el fin de crear un modelo, se utilizó el método de árboles de decisión con sus diversos algoritmos de clasificación.

  Resultados: Todos los modelos, excepto el que utilizó el algoritmo RandomTree, lograron una tasa de clasificación relativamente alta (más del 80%). La precisión de clasificación más alta del 84,75% se dio con los algoritmos J48 y RandomForest. Dado que no hay diferencia estadísticamente significativa entre los dos algoritmos, los autores decidieron elegir el algoritmo J48 y construir un árbol de decisión.

  Conclusiones: El valor del dinero y el nivel de precios en la tienda fueron las variables más significativas para la clasificación de la intención de compra. Planes futuros de estudio para comparar este modelo con algunas otras técnicas de data mining, tales como redes neuronales o máquinas vectoriales de apoyo, ya que estas técnicas lograron muy buena precisión en algunas investigaciones previas en este campo.

• English

  Introduction: The price is considered to be neglected marketing mix element due to the complexity of price management and sensitivity of customers on price changes. It pulls the fastest customer reactions to that change. Accordingly, the process of making shopping decisions can be very challenging for customer.

  Objective: The aim of this paper is to create a model that is able to predict shopping intention and classify respondents into one of the two categories, depending on whether they intend to shop or not.

  Methods: Data sample consists of 305 respondents, who are persons older than 18 years involved in buying groceries for their household. The research was conducted in February 2017. In order to create a model, the decision trees method was used with its several classification algorithms.

  Results: All models, except the one that used RandomTree algorithm, achieved relatively high classification rate (over the 80%). The highest classification accuracy of 84.75% gave J48 and RandomForest algorithms. Since there is no statistically significant difference between those two algorithms, authors decided to choose J48 algorithm and build a decision tree.

  Conclusions: The value for money and price level in the store were the most significant variables for classification of shopping intention. Future study plans to compare this model with some other data mining techniques, such as neural networks or support vector machines since these techniques achieved very good accuracy in some previous research in this field.

• português

  Introdução: O preço é um elemento negligenciado na literatura em marketing devido à complexidade da sua gestão e sensibilidade dos clientes sobre as mudanças de preços. Consequentemente, o processo de tomada de decisões de compra pode ser muito desafiador para o cliente.

  Objetivo: Criar um modelo para prever a intenção de compra e segmentar os clientes em uma das duas categorias, dependendo da intenção de comprar ou não.

  Métodos: A amostra é composta por 305 entrevistados, pessoas com idade superior a 18 anos envolvidas na compra de mantimentos para sua casa. A pesquisa foi realizada em fevereiro de 2017. Para criar um modelo, o método decision trees foi usado com os seus vários algoritmos de classificação.

  Resultados: Todos os modelos, exceto onde foi usado o algoritmo RandomTree, alcançaram uma taxa de classificação relativamente alta (acima dos 80%). A classificação com maior precisão foi de 84,75% com algoritmos J48 e RandomForest.

  Como não há diferença estatisticamente significativa entre esses dois algoritmos, os autores decidiram escolher o algoritmo J48 e criar uma árvore de decisão.

  Conclusões: O valor monetário e o nível de preços na loja foram as variáveis mais significativas para a classificação da intenção de compra. No futuro pretende-se comparar esse modelo com algumas outras técnicas de data mining, como redes neurais ou support vector machines, uma vez que essas técnicas alcançaram uma precisão elevada em estudos anteriores neste campo.