En cooperación con el Grupo MásMóvil que ha puesto a nuestra disposición un conjunto de datos sobre la actividad de sus clientes en el uso de mensajería por el servicio SMS y el uso de llamadas entre los propios clientes y usuarios de terceras compañías. Se pretende elaborar una base de datos basada en grafos donde poder analizar redes de influencia en los clientes que puedan impactar sobre la tasa de fuga y ventas. Para ello se ha decidido utilizar Python en el entorno de Jupyter Notebook dentro de la plataforma Google Cloud con BigQuery como base de datos para los datos iniciales y como proveedor de bases de datos basadas en grafos utilizaremos la plataforma Neo4J en sus instancias AuraDS, especializadas para el análisis de datos.
Para conseguir esto se pretenden ejecutar algoritmos sobre los grafos creados y así poder obtener comunidades de clientes que se comuniquen frecuentemente y saber cuáles son las personas más influyentes dentro de cada comunidad. Posteriormente se elaborarán unos grupos de clientes que compartan características similares tratando de maximizar la tasa de fuga de estos grupos, obteniendo su tasa de mejora respecto a la tasa de fuga general.
Abstract:
In cooperation with the MásMóvil Group, which has made available to us a set of data on the activity of its customers in the use of SMS messaging service and the use of calls between its own customers and users of third party companies. The aim is to develop a graph-based database to analyze networks of influence on customers that can impact on the Churn Rate and sales. For this purpose, it has been decided to use Python in the Jupyter Notebook environment within the Google Cloud platform with BigQuery as database for the initial data and as a graph-based database provider we will use the Neo4J platform in its AuraDS instances, specialized for data analysis.
To achieve this we intend to run algorithms on the graphs created and thus be able to obtain communities of customers who communicate frequently and know which are the most influential people within each community. Subsequently, groups of customers that share similar characteristics will be created, trying to maximize the Churn Rate of these groups, obtaining their rate of improvement with respect to the general Churn Rate.
En cooperación con el Grupo MásMóvil que ha puesto a nuestra disposición un conjunto de datos sobre la actividad de sus clientes en el uso de mensajería por el servicio SMS y el uso de llamadas entre los propios clientes y usuarios de terceras compañías. Se pretende elaborar una base de datos basada en grafos donde poder analizar redes de influencia en los clientes que puedan impactar sobre la tasa de fuga y ventas. Para ello se ha decidido utilizar Python en el entorno de Jupyter Notebook dentro de la plataforma Google Cloud con BigQuery como base de datos para los datos iniciales y como proveedor de bases de datos basadas en grafos utilizaremos la plataforma Neo4J en sus instancias AuraDS, especializadas para el análisis de datos.
Para conseguir esto se pretenden ejecutar algoritmos sobre los grafos creados y así poder obtener comunidades de clientes que se comuniquen frecuentemente y saber cuáles son las personas más influyentes dentro de cada comunidad. Posteriormente se elaborarán unos grupos de clientes que compartan características similares tratando de maximizar la tasa de fuga de estos grupos, obteniendo su tasa de mejora respecto a la tasa de fuga general.
Abstract:
In cooperation with the MásMóvil Group, which has made available to us a set of data on the activity of its customers in the use of SMS messaging service and the use of calls between its own customers and users of third party companies. The aim is to develop a graph-based database to analyze networks of influence on customers that can impact on the Churn Rate and sales. For this purpose, it has been decided to use Python in the Jupyter Notebook environment within the Google Cloud platform with BigQuery as database for the initial data and as a graph-based database provider we will use the Neo4J platform in its AuraDS instances, specialized for data analysis.
To achieve this we intend to run algorithms on the graphs created and thus be able to obtain communities of customers who communicate frequently and know which are the most influential people within each community. Subsequently, groups of customers that share similar characteristics will be created, trying to maximize the Churn Rate of these groups, obtaining their rate of improvement with respect to the general Churn Rate. Read More
Related posts:
Desarrollo de un gemelo digital para un sensor de mediciones medioambientales
Renovado de llantas se prepara para el futuro
E-commerce eficiente: técnicas para minimizar las devoluciones
Efectos del rango de movimiento y el torque sobre la hipertrofia muscular. Revisión sistemática
Por qué los datos industriales son claves para el crecimiento sostenible
Explorando el Papel Transformador de los Recursos Educativos Digitales en la Promoción de la Conciencia Ambiental: Una revisión sistemática.