Proyecto: Optimización de Ventas Online en el Sector de Informática y Gaming mediante Ciencia de Datos

Proyecto Final de María Ana Fernanda Courtade
Diplomatura de Ciencia de Datos con R y Python

En el competitivo mundo digital actual, las empresas del rubro informática y gaming enfrentan el desafío constante de mejorar sus canales de venta online. A través del uso estratégico de la ciencia de datos, es posible identificar factores clave, maximizar ganancias y personalizar campañas que potencien la conversión de los clientes.
Este fue precisamente el objetivo del proyecto final de María Ana Courtade, presentado en la Diplomatura en Ciencia de Datos con R y Python del Instituto Data Science Argentina, titulado “Optimización de Ventas Online en el Sector de Informática y Gaming”.

Análisis Exploratorio y Preprocesamiento de Datos

El proyecto se desarrolló sobre datos reales anonimizados para preservar la confidencialidad de la fuente.
El primer paso fue el análisis exploratorio de datos (EDA), donde Mariana trabajó con múltiples dataframes (ventas, clientes, sucursales y productos).
Entre las tareas más relevantes se destacan:

Tratamiento de valores ausentes y outliers para garantizar resultados confiables.
Ingeniería de características, incorporando variables como precio ajustado por inflación, utilizando datos históricos y funciones personalizadas.
Corrección geográfica de coordenadas para asegurar la validez de las sucursales distribuidas a lo largo del país.
Integración de fuentes de datos mediante la función merge() de Pandas, consolidando toda la información en una única estructura analítica.

Además, se detectó un desequilibrio de clases entre ventas online y ventas por otros canales, lo que llevó a aplicar una técnica de sobremuestreo (oversampling) para evitar sesgos en los modelos predictivos.

Modelos Predictivos y Optimización de Parámetros

En la siguiente etapa, Mariana implementó tres modelos de clasificación:

Decision Tree
Random Forest
XGBoost

Cada modelo fue evaluado según su rendimiento y capacidad de predicción. El Random Forest se destacó como el más robusto y rentable, mostrando una ganancia promedio de 8,31 millones, superando a los demás algoritmos.

Para maximizar el rendimiento, se aplicó una optimización de hiperparámetros con Random Search CV, ajustando variables como profundidad máxima, número de estimadores y tamaño mínimo de muestras.
Además, se incorporó una optimización de umbral de decisión, con el fin de equilibrar falsos positivos y verdaderos positivos, priorizando la rentabilidad y reduciendo esfuerzos publicitarios mal orientados.

Enfoque Económico y Matriz de Valoración

Una de las grandes innovaciones del proyecto fue la implementación de una matriz de valoración económica, donde se monetizaron los verdaderos y falsos positivos y negativos.
Este enfoque permitió traducir los resultados técnicos del modelo en impactos económicos reales, alineando la analítica con los objetivos de negocio.

Gracias a esta metodología, el modelo Random Forest ajustado por umbral logró una mejor relación costo-beneficio, superando a Decision Tree en un 15% y a XGBoost en un 40%.

Segmentación de Clientes con K-Means

Como complemento al modelo supervisado, se aplicó un análisis no supervisado mediante el algoritmo K-Means, lo que permitió identificar tres segmentos de clientes:

Clientes cercanos y frecuentes: prefieren compras físicas.
Compradores ocasionales mixtos: combinan canales físicos y online.
Clientes de alta distancia y preferencia digital: orientados al canal online.

Esta segmentación facilita la personalización de campañas y la definición de estrategias comerciales más efectivas.

Resultados, Conclusiones y Recomendaciones

El análisis reveló que las variables con mayor impacto en las ventas online fueron:

Distancia cliente-sucursal (41%)
Precio (28%)
Edad (18%)
Cantidad de productos (12%)

El modelo Random Forest no solo mejoró la precisión de las predicciones, sino que también maximizó las ganancias netas y demostró cómo la ciencia de datos puede transformar la estrategia digital de una empresa.

Entre las principales recomendaciones del proyecto se destacan:

Implementar estrategias basadas en la distancia geográfica para optimizar campañas locales.
Aplicar precios dinámicos según el comportamiento y rentabilidad del cliente.
Desarrollar herramientas de segmentación y personalización en tiempo real.
Incorporar análisis de sentimientos y comportamiento de compra para una visión más completa del cliente.

Conclusión: Ciencia de Datos como Motor de Crecimiento

El proyecto “Optimización de Ventas Online en el Sector de Informática y Gaming” demuestra que el uso inteligente de la ciencia de datos puede marcar la diferencia entre una estrategia digital promedio y una altamente rentable.

Gracias a la aplicación de modelos predictivos, análisis económico y segmentación avanzada, las empresas del sector pueden aumentar sus conversiones, fortalecer la relación con sus clientes y tomar decisiones basadas en evidencia.

Sin duda, este trabajo de Mariana Cade es un excelente ejemplo de cómo la analítica de datos aplicada al negocio impulsa la innovación y la competitividad en el mercado digital argentino.

LinkedIn de María Ana Courtade: https://www.linkedin.com/in/mar%C3%ADaanacourtadearias/