7 Conclusiones finales

Author

Rubén Oliva Zamora

7.1 Objetivos y conocimientos adquiridos

Tras una larga y ardua tarea, el proyecto ha llegado a su fin, y hemos obtenido algunos conocimientos valiosos:

La no linearidad de los datos es un factor clave en la predicción de la recompra de vehículos. Los modelos lineales no lograron capturar adecuadamente la complejidad de los datos, lo que llevó a un rendimiento deficiente. Aunque el modelo Random Forest representó una mejora y permitió confirmar esta no linealidad, su rendimiento predictivo para la fecha de recompra no fue sobresaliente. A pesar de esto, el proceso de modelado y el análisis exploratorio general del proyecto sí permitieron extraer insights valiosos sobre el comportamiento del cliente. Lamentablemente, no se pudo abordar la profundidad la predicción del next_class_bodytype, lo que hubiese ofrecido una visión más completa del ciclo de recompra. La complejidad inherente a los datos sugiere que, para futuras mejoras, se requerirían algoritmos predictivos más avanzados o un tratamiento de datos aún más exhaustivo.
La ingeniería de características y el análisis de patrones son fundamentales para mejorar el rendimiento de los modelos. La creación de variables objetivo y la selección cuidadosa de características relevantes pueden marcar una diferencia significativa en la capacidad predictiva.
La lista de deseados muestra una baja adopción y un impacto limitado en la predicción directa de la recompra. Solo un pequeño porcentaje de la base de clientes (aproximadamente 3%) utiliza activamente esta función. El análisis de patrones reveló una fuerte correlación: la gran mayoría de los clientes que no utilizan la wishlist han experimentado algún tipo de daño en su vehículo, y viceversa. Este perfil “con daño y sin uso de wishlist” es, de hecho, dominante en la base de clientes. Esto sugiere que la experiencia de un daño podría influir en el desinterés por la wishlist, o que la función no está bien integrada en el ciclo de vida del cliente post-servicio. En cualquier caso, es un aspecto que merece una revisión más profunda y, óptimamente, una inversión de recursos por parte de Mercedes-Benz para entender las barreras de uso y mejorar su propuesta de valor.
Existen clusteres de clientes con patrones de compra similares (grupos de recompra rápida, grupos con patrones de compra comunes…). Esto sugiere que la segmentación de clientes puede ser una estrategia efectiva para personalizar las campañas de marketing y mejorar la experiencia del cliente. La identificación de estos grupos puede ayudar a Mercedes-Benz a adaptar sus estrategias de ventas y marketing a las necesidades específicas de cada segmento.

7.2 Reflexiones

Por último, me gustaría compartir algunas reflexiones sobre el proyecto y sobre lo que supone ser científico de datos:

R es un lenguaje de programación muy potente para el análisis de datos, pero también tiene sus limitaciones. A pesar de ser sorprendentemente fácil de aprender, la curva de aprendizaje puede ser empinada en algunos aspectos. La comunidad de R es muy activa y hay una gran cantidad de recursos disponibles, pero a veces puede ser difícil encontrar la información adecuada para resolver problemas específicos. La clave creo que sería combinar lo mejor de todos los mundos: utilizar R para el análisis de datos y Python para la implementación de modelos en producción. Esto permite aprovechar las fortalezas de ambos lenguajes y maximizar la eficiencia en el trabajo.
La data science es difícil. Trabajar con datos no solo supone un reto puramente técnico, sino que también implica un profundo conocimiento del negocio y de los procesos que lo rodean. La capacidad de traducir los resultados técnicos en recomendaciones prácticas y comprensibles para el cliente es esencial, y sin duda es la parte más difícil de este trabajo. Saber conducir tu análisis para obtener resultados que sean útiles para el cliente es un arte que requiere tiempo, dedicación y, sobre todo, experiencia.
La data science no es solo difícil, sino que también es apasionante. La posibilidad de descubrir patrones ocultos en los datos y de utilizar esos conocimientos para mejorar la toma de decisiones es una experiencia increíblemente gratificante. Cada paso es un nuevo desafío que requiere creatividad, pensamiento crítico y habilidades técnicas. Es un poco como tener superpoderes: puedes ver cosas que otros no pueden ver y utilizar esa información para mejorar, innovar y crear valor.

7.3 Mirando hacia adelante

Este proyecto ha sentado las bases para futuras exploraciones y mejoras. La continuación del análisis, la incorporación de nuevas fuentes de datos o la aplicación de técnicas de modelado más avanzadas podrían desvelar aún más insights y mejorar la capacidad predictiva. El camino del análisis de datos es continuo, y cada conclusión es, en realidad, el comienzo de una nueva pregunta.

--- title: "Conclusiones finales" author: "Rubén Oliva Zamora" editor: visual --- ## Objetivos y conocimientos adquiridos Tras una larga y ardua tarea, el proyecto ha llegado a su fin, y hemos obtenido algunos conocimientos valiosos: - La **no linearidad de los datos es un factor clave en la predicción de la recompra de vehículos**. Los modelos lineales no lograron capturar adecuadamente la complejidad de los datos, lo que llevó a un rendimiento deficiente. Aunque el modelo Random Forest representó una mejora y permitió confirmar esta no linealidad, su rendimiento predictivo para la fecha de recompra no fue sobresaliente. A pesar de esto, el proceso de modelado y el análisis exploratorio general del proyecto sí permitieron extraer *insights* valiosos sobre el comportamiento del cliente. Lamentablemente, no se pudo abordar la profundidad la predicción del `next_class_bodytype`, lo que hubiese ofrecido una visión más completa del ciclo de recompra. La complejidad inherente a los datos sugiere que, para futuras mejoras, se requerirían algoritmos predictivos más avanzados o un tratamiento de datos aún más exhaustivo. - La **ingeniería de características y el análisis de patrones** son fundamentales para mejorar el rendimiento de los modelos. La creación de variables objetivo y la selección cuidadosa de características relevantes pueden marcar una diferencia significativa en la capacidad predictiva. - La **lista de deseados muestra una baja adopción y un impacto limitado en la predicción directa de la recompra**. Solo un pequeño porcentaje de la base de clientes (aproximadamente 3%) utiliza activamente esta función. El análisis de patrones reveló una fuerte correlación: la gran mayoría de los clientes que **no utilizan la wishlist han experimentado algún tipo de daño en su vehículo**, y viceversa. Este perfil "con daño y sin uso de wishlist" es, de hecho, dominante en la base de clientes. Esto sugiere que la experiencia de un daño podría influir en el desinterés por la wishlist, o que la función no está bien integrada en el ciclo de vida del cliente post-servicio. En cualquier caso, es un aspecto que merece una revisión más profunda y, óptimamente, una inversión de recursos por parte de Mercedes-Benz para entender las barreras de uso y mejorar su propuesta de valor. - Existen **clusteres de clientes con patrones de compra similares** (grupos de recompra rápida, grupos con patrones de compra comunes...). Esto sugiere que la segmentación de clientes puede ser una estrategia efectiva para personalizar las campañas de marketing y mejorar la experiencia del cliente. La identificación de estos grupos puede ayudar a Mercedes-Benz a adaptar sus estrategias de ventas y marketing a las necesidades específicas de cada segmento. ## Reflexiones Por último, me gustaría compartir algunas reflexiones sobre el proyecto y sobre lo que supone ser *científico de datos*: - **R es un lenguaje de programación muy potente** para el análisis de datos, pero también tiene sus **limitaciones**. A pesar de ser sorprendentemente fácil de aprender, la curva de aprendizaje puede ser empinada en algunos aspectos. La comunidad de R es muy activa y hay una gran cantidad de recursos disponibles, pero a veces puede ser difícil encontrar la información adecuada para resolver problemas específicos. La clave creo que sería combinar lo mejor de todos los mundos: utilizar R para el análisis de datos y Python para la implementación de modelos en producción. Esto permite aprovechar las fortalezas de ambos lenguajes y maximizar la eficiencia en el trabajo. - La **data science es difícil**. Trabajar con datos no solo supone un reto puramente técnico, sino que también implica un profundo conocimiento del negocio y de los procesos que lo rodean. La capacidad de traducir los resultados técnicos en recomendaciones prácticas y comprensibles para el cliente es esencial, y sin duda es la parte más difícil de este trabajo. Saber conducir tu análisis para obtener resultados que sean útiles para el cliente es un arte que requiere tiempo, dedicación y, sobre todo, experiencia. - La **data science** no es solo difícil, sino que **también es apasionante**. La posibilidad de descubrir patrones ocultos en los datos y de utilizar esos conocimientos para mejorar la toma de decisiones es una experiencia increíblemente gratificante. Cada paso es un nuevo desafío que requiere creatividad, pensamiento crítico y habilidades técnicas. Es un poco como tener superpoderes: puedes ver cosas que otros no pueden ver y utilizar esa información para mejorar, innovar y crear valor. ## Mirando hacia adelante Este proyecto ha sentado las bases para futuras exploraciones y mejoras. La continuación del análisis, la incorporación de nuevas fuentes de datos o la aplicación de técnicas de modelado más avanzadas podrían desvelar aún más *insights* y mejorar la capacidad predictiva. El camino del análisis de datos es continuo, y cada conclusión es, en realidad, **el comienzo de una nueva pregunta**.