Los estudiantes deben asistir a dos clases en vivo con el docente, donde podrán reforzar conocimientos y resolver dudas. La asistencia a dichas clases es obligatoria vía streaming o asistiendo presencialmente, si esto último es posible, en los lugares y horarios de realización que se definan.

• Contexto: desafíos actuales del marketing en ambientes altamente competitivos
• Beneficios de la implementación de modelos analíticos de marketing para mejorar la toma de decisiones
• Problemáticas de marketing usualmente modeladas a través de minería de datos

• Entendimiento del negocio
• Comprensión de los datos
• Preparación de los datos
• Modelado
• Evaluación
• Implementación

• Modelos de prospección de clientes: identificación de buenos prospectos, elección de canales de comunicación de marketing, diseño de mensajes apropiados con las características del target
• Modelos de elección y optimización de herramientas de comunicación de marketing: encaje con el perfil del target, optimización de campañas de marketing directo, optimización de presupuesto y efectividad

• Perfilamiento en base a información conductual del cliente
• Determinación del valor del cliente (por ejemplo: CLV – customer life time value)
• Cross-selling, up-selling y recomendaciones

• Modelos de reconocimiento de intención de fuga
• Modelos de clasificación fugados/no fugados
• Modelos predictivos de fuga (¿predecir quienes se irán versus por cuánto tiempo se quedarán?

• Aspectos estratégicos de la interpretación de modelos analíticos de marketing
• Trade-off entre la precisión y el grado de comprensibilidad de los modelos (qué tan bueno es trabajar con modelos de “caja negra”)
• Implementación de modelamiento en tiempo real

• Qué es big data
• Las 3 V de big data
• Fuentes del big data
• Estudios de mercado y big data

• El valor del big data y analytics
• Aplicaciones de big data y analytics
• Algunos casos de estudio de big data y analytics

• Análisis de:
  – Clusters
  – Texto o text analytics
  – Fraudes
  – Imágenes
  – Redes
  – Series de tiempo
• Predicción
• Recomendaciones

• Beneficios de la segmentación
• Cálculo de distancias
• Segmentación jerárquica
• Segmentación variables RFM

• Objetivos de marketing y metodologías analíticas
• Clasificador Naive Bayes
• Árboles de clasificación y regresión (CART)

Los estudiantes deben asistir a dos clases en vivo con el docente, donde podrán reforzar conocimientos y resolver dudas. La asistencia a dichas clases es vía streaming o asistiendo presencialmente en los lugares y horarios de realización que se definan si esto es posible.

El curso contempla la entrega de un trabajo grupal, desarrollado a lo largo del bimestre, donde se espera que el estudiante aplique los conocimientos adquiridos mediante el diseño de propuestas de mejoras en contextos reales, evaluación de casos, elaboración de prototipos, etc.

• Qué es inferencia causal y contrafactual
• Cómo determinar si las acciones de una empresa tienen impacto causal en una variable de interés y cómo distinguirlo de la simple correlación
• Análisis del sesgo de selección y su amenaza para la estimación de impacto
• Revisión de evaluaciones reales en las empresas en las que podría afectar el sesgo de selección

• Cómo la aleatorización ayuda a inferir causalidad
• Cómo la aleatorización permite eliminar el sesgo de selección
• Ventajas y desventajas del método de aleatorización
• Formas de implementar una aleatorización

• Identificación de oportunidades de aleatorización en una empresa
• Reconocimiento de aspectos de las acciones que pueden aleatorizarse
• Aprovechamiento de los canales digitales
• Análisis sobre cómo decidir el nivel de aleatorización

• Análisis de los diversos aspectos que pueden ser aleatorizados
• Uso de diferentes diseños de aleatorización
• Discusión de pros, contras y consideraciones éticas
• Ejemplos prácticos en la empresa

• Qué es poder estadístico
• Cómo se determina el poder estadístico
• Cómo se relaciona la cantidad de individuos que participan en la aleatorización, la cantidad de elementos intervenidos con el poder estadístico
• Otros elementos de diseño

• Cómo los efectos generados por una evaluación provocan cambios en la empresa, amenazando la validez de las conclusiones
• Herramientas para limitar estos efectos
• Ejemplos prácticos en la empresa

• ¿Qué es la centralidad en el cliente?
• Pilares del foco en el cliente
• Pilar 1: Una cultura interna focalizada en el cliente
• Pilar 2: Competencias comerciales
• Pilar 3: Sistemas de información de clientes
• Pilar 4: Políticas de personas y el cliente

• Conociendo al cliente
• Técnicas de segmentación
• Jobs to be done: Segmentación por necesidad y tareas a cumplir para el cliente
• Segmentación por valor económico del cliente: Análisis del valor económico

• ¿Qué entendemos por métrica RFM?
• Utilidad de la métrica RFM
• Pasos para aplicar la métrica RFM
• Aplicaciones del RFM

• El valor del cliente
• Fórmula para calcular el valor del cliente
• Modelo de cálculo de una cartera de cliente
• Aplicaciones del LTV
• Algunas prevenciones respecto al cálculo del LTV

• Ciclo de relación empresa – cliente
• Gestión del valor de la cartera basada en datos: Adquisición de clientes y gestión de nuevas experiencias
• Gestión del valor de la cartera basada en datos: Rentabilización de los clientes potenciales

• Gestión del valor de la cartera en base a datos:
• Retención de clientes de alto potencial
• El indicador de abandono o churn
• Fidelización de clientes
• Reactivación y recuperación de los clientes de alto potencial