By means of data-driven marketing as well as big data technology, this paper presents the investigation of a case study from travel industry implemented by a combination of propensity model and a business model “2W1H”. The business model “2W1H” represents the purchasing behavior “What to buy”, “When to buy”, and “How to buy”. This paper presents the process of building propensity models for the application in behavioral targeting in travel industry.     Combined the propensity scores from predictive analysis and logistic regression with proper marketing and CRM strategies when communicating with travelers, the business model “2W1H” can perform personalized targeting for evaluating of marketing strategy and performance. By analyzing the business model “2W1H” and the propensity model on each business model, both the validation of the model based on training model and test data set, and the validation of actual marketing activities, it has been proven that predictive analytics plays a vital role in the implementation of travelers’ purchasing behavioral targeting in marketing.

Magíster en Gestión de Operaciones. Ingeniero Civil Industrial / Con el crecimiento del uso de smartphones e internet móvil, se ha producido un aumento en el uso de aplicaciones, y ante ello la publicidad móvil aparece como uno de los mercados más importantes en la industria. Una de las posibilidades que entrega este medio de comunicación, es el aprovechamiento de la geo localización como herramienta de targeting, permitiendo entregar publicidad en función del contexto en que se encuentra el usuario, además de identificarlo a partir de la información ingresada y su interacción con la aplicación. El presente trabajo consiste en realizar un modelo de decisión para una aplicación que envía promociones geo localizadas de distintas marcas a sus usuarios, con el objetivo de asignar promociones en función de su probabilidad de apertura y rentabilidad. Para ello se generó un set de datos, donde las variables predictivas fueron clasificadas en grupos según la información que contenían, esto es, información sobre el usuario, la promoción, la marca que envía la promoción, la relación del usuario con la aplicación y con la marca, y el tiempo. A partir de este set de datos se busca generar un modelo de propensión y en base a él, crear un modelo que tome decisiones respecto al envío de promociones. Para calcular la probabilidad de apertura de cada envío, se utilizó un enfoque econométrico, utilizando una regresión logística como algoritmo predictivo. A través de los análisis y sus resultados, se descubrieron diferencias significativas en el poder predictivo de los distintos grupos de variables, según la edad de los usuarios y la cantidad de promociones que han recibido. Por lo tanto, para internalizar estas diferencias en el modelo, se probaron modelos heterogéneos, así como interacciones entre variables. Para el modelo de decisión en tanto, se utilizó un enfoque económico que permita beneficiar a la compañía y a sus usuarios. A partir de los resultados obtenidos se concluye que la interacción entre variables permite tener mejoras en el poder predictivo del modelo, sin complejizar la implementación del sistema a diferencia de los modelos heterogéneos. De esta manera, la preferencia de marcas varía según la edad de los usuarios y la importancia de la geo localización es más relevante en las primeras etapas del usuario. Finalmente, a través de una simulación, se comprobó que el modelo permite tener mejoras en la asignación de promociones, incrementando la tasa de apertura, y permitiendo aumentar las utilidades de la compañía, al disminuir el envío de promociones no relevantes y no rentables. Además, el modelo permite comprender los factores que inciden en la apertura, estimar el resultado de las campañas y automatizar el proceso de segmentación para el envío de promociones. / 28/11/2022

No description available.