Estimación bayesiana de conversión en campañas bancarias

Caso útil para marketing analytics porque cambia la conversación de “cuál fue la conversión observada” a “qué rango de conversión es plausible y con qué probabilidad”. Esa lógica ayuda a decidir sin sobrerreaccionar al ruido.

En marketing, no basta con saber la conversión observada. Hay que distinguir variabilidad normal de cambios reales en rendimiento. La inferencia bayesiana permite actualizar creencias conforme llega nueva evidencia y estimar rangos plausibles para la toma de decisiones.

Proyecto académico individual de Gestión empresarial con información externa. Enfoqué el problema, interpreté el dataset, comparé prior informativa y no informativa, apliqué aprendizaje secuencial Binomial-Beta en dos etapas y traduje la distribución predictiva a expectativas operativas.

1. 01Definir el problema de decisión.
2. 02Interpretar el dataset y la variable de conversión.
3. 03Seleccionar prior informativa y no informativa.
4. 04Actualizar a posterior con STAGE1 y usar esa posterior como prior de STAGE2.
5. 05Comparar sensibilidad de resultados a la prior.
6. 06Construir distribución predictiva para 100 contactos futuros.
7. 07Traducir probabilidades a expectativas operativas.

• Dataset externo.
• Modelo univariante para tasa global de conversión.
• No incorpora variables predictoras individuales.
• La unidad de análisis es el contacto de campaña, no necesariamente cliente único.
• No sustituye un modelo de scoring o uplift.

• Incorporar variables del cliente.
• Comparar segmentos.
• Construir modelo predictivo.
• Usar machine learning para propensity scoring.
• Crear simulador de conversión por presupuesto.