Análisis de cadenas de Markov

Probabilidad avanzada: la incertidumbre en los datos

Maarten Van den Broeck

Senior Content Developer at DataCamp

¿Qué son las cadenas de Markov?

• Modelan sistemas con distintos estados
• Transición entre estados según probabilidades
• Idea clave: la transición solo depende del estado actual
• Aplicación clave: entender el customer journey

Elementos de una cadena de Markov

• Estados: distintas condiciones o etapas

Elementos de una cadena de Markov

• Estados: distintas condiciones o etapas
• Transiciones: probabilidades de pasar de un estado a otro

Elementos de una cadena de Markov

• Probabilidades en estado estacionario: probabilidades a largo plazo de estar en un estado
  • Se calculan con software estadístico o herramientas de BI
  • Ej.: estado estacionario para soleado: 66,67%

Matriz de transición

	Soleado	Nublado
Soleado	80%	20%
Nublado	40%	60%

Aplicaciones de las cadenas de Markov

• Retención de clientes:
  • Identificar probabilidades de transición entre estados de engagement y churn
• Optimización de conversiones:
  • Progresión por el embudo de ventas
• Recomendación de productos:
  • Predecir interacciones futuras del cliente

Ejemplo: e‑commerce$^1$

¹ C de Cupón, P de Compra, E de Salida

Ejemplo: e‑commerce

	Usó un (nuevo) cupón	Hizo una (nueva) compra	Salió
Usó un cupón	10%	60%	30%
Hizo una compra	5%	90%	5%
Salió	15%	5%	80%

Ejemplo: e‑commerce

	Usó un (nuevo) cupón	Hizo una (nueva) compra	Salió
Usó un cupón	10%	60%	30%
Hizo una compra	5%	90%	5%
Salió	15%	5%	80%

¡Vamos a practicar!

Probabilidad avanzada: la incertidumbre en los datos