Predicción del éxito del telemarketing bancario mediante el uso de árboles de decisión

Palabras clave: Telemarketing, Árboles de decisión, Inteligencia artificial

Resumen

El telemercadeo es una técnica interactiva de mercadeo directo en la que un agente de telemercadeo solicita clientes potenciales a través del teléfono para realizar una venta de mercadería o servicio. Uno de los grandes problemas del telemarketing es especificar la lista de clientes que presentan una mayor probabilidad de comprar el producto que se ofrece. En este artículo proponemos un sistema de apoyo en la toma de decisiones personalizado que puede predecir automáticamente la decisión del público objetivo luego de realizar una llamada de telemarketing, con el fin de aumentar la efectividad de las campañas publicitarias directas y en consecuencia reducir el costo y tiempo de la campaña. El método de inteligencia artificial utilizado en este trabajo es el árbol de decisión evaluado con las métricas de precisión, exactitud y exhaustividad. Luego de aplicar el método de inteligencia artificial obtenemos una exactitud, precisión y exhaustividad mayor al 80%. Las conclusiones a los que el equipo llegó son que para mejorar el modelo de árbol de decisión es importante realizar un análisis previo de los datos mediante técnicas estadísticas o diagramas, para obtener referencia de los datos y aplicar técnicas de balanceo para obtener el mejor modelo posible.

Descargas

La descarga de datos todavía no está disponible.

Citas

ESAN, “El Marketing y sus definiciones | Conexión ESAN,” 2016. https://www.esan.edu.pe/conexion-esan/el-marketing-y-sus-definiciones (accessed Jun. 22, 2022).

S. Chintalapati and S. K. Pandey, “Artificial intelligence in marketing: A systematic literature review,” Int. J. Mark. Res., vol. 64, no. 1, pp. 38–68, 2022, doi: 10.1177/14707853211018428.

Vajiramedhin, C., & Suebsing, A. (2014). Feature selection with data balancing for prediction of bank telemarketing. Applied Mathematical Sciences, 8(114), 5667-5672.

Moro, S., Cortez, P., & Rita, P. (2014). A data-driven approach to predict the success of bank telemarketing. Decision Support Systems, 62, 22-31.

Asare-Frempong, J., & Jayabalan, M. (2017, September). Predicting customer response to bank direct telemarketing campaign. In 2017 International Conference on Engineering Technology and

Technopreneurship (ICE2T) (pp. 1-4). IEEE

Moro, S., Cortez, P., & Rita, P. (2018). A divide‐and‐conquer strategy using feature relevance and expert knowledge for enhancing a data mining approach to bank telemarketing. Expert Systems, 35(3), e12253.

Lau, Kn., Chow, H. & Liu, C. A database approach to cross selling in the banking industry: Practices, strategies and challenges. J Database Mark Cust Strategy Manag 11, 216–234 (2004).

Ghatasheh, N., Faris, H., AlTaharwa, I., Harb, Y., & Harb, A. (2020). Business analytics in telemarketing: cost-sensitive analysis of bank campaigns using artificial neural networks. Applied Sciences, 10(7), 2581.

Kim, K. H., Lee, C. S., Jo, S. M., & Cho, S. B. (2015, November). Predicting the success of bank telemarketing using deep convolutional neural network. In 2015 7th International Conference of Soft Computing and Pattern Recognition (SoCPaR) (pp. 314-317). IEEE.

Albrecht, Tobias; Rausch, Theresa Maria; Derra, Nicholas Daniel (2021). Call me maybe: Methods and practical implementation of artificial intelligence in call center arrivalsâ forecasting. Journal of Business Research, 123(), 267–278, doi:10.1016/j.jbusres.2020.09.033

E. Zeinulla, K. Bekbayeva and A. Yazici, "Comparative study of the classification models for prediction of bank telemarketing," 2018 IEEE 12th International Conference on Application of Information and Communication Technologies (AICT), 2018, pp. 1-5, doi: 10.1109/ICAICT.2018.8747086.

"Google Colab". Google Research.https://research.google.com/colaboratory/intl/es/faq.html#:~:text=Colaboratory,%20o%20"Colab"%20para,an álisis%20de%20datos%20y%20educación. (accedido el 17 de agosto de 2022).

G. Stalidis, D. Karapistolis, and A. Vafeiadis, “Marketing Decision Support Using Artificial Intelligence and Knowledge Modeling: Application to Tourist Destination Management,” Procedia - Soc. Behav. Sci., vol. 175, pp. 106–113, 2015, doi: 10.1016/j.sbspro.2015.01.1180.

pandas - Python Data Analysis Library. (n.d.). Retrieved August 14, 2022, from https://pandas.pydata.org/

pandas · PyPI. (n.d.). Retrieved August 14, 2022, from https://pypi.org/project/pandas/

MARTÍNEZ, Guillermo Roberto Solarte; MEJÍA, José A. Soto. Árboles de decisiones en el diagnóstico de enfermedades cardiovasculares. Scientia et technica, 2011, vol. 16, no 49, p. 104-109.

GARCÍA PICHARDO, Víctor Hugo, et al. Algoritmo ID3 en la detección de ataques en aplicaciones Web.

PEDREGOSA, Fabian, et al. Scikit-learn: Machine learning in Python. the Journal of machine Learning research, 2011, vol. 12, p. 2825-2830.

Larranaga, P., Inza, I., & Moujahid, A. Tema 10: árboles de clasificación. 2020 from http://www. sc. ehu.es/ccwbayes/docencia/mmcc/docs/t10arboles. pdf.

Recibido: 2022-12-28
Aceptado: 2023-02-10
Publicado: 2023-03-30
Cómo citar
[1]
R. T. Ventura Ramos, A. P. Jacobo Castillo, J. Begazo Ticona, y B. J. Gomez Velasco, «Predicción del éxito del telemarketing bancario mediante el uso de árboles de decisión», Innov. softw., vol. 4, n.º 1, pp. 122-137, mar. 2023.
Sección
Artículos originales