PREDICCIÓN DE LA TASA DE CONVERSIÓN DE LEADS EN EL SECTOR EDUCATIVO CON TÉCNICAS DE MACHINE LEARNING
DOI:
https://doi.org/10.47820/recima21.v2i9.712Palabras clave:
crisis provocada por COVID-19 aceleró los procesos de cambioResumen
La crisis provocada por COVID-19 aceleró los procesos de cambio en la economía global, provocando cambios en las estructuras, modelos de negocio y rutinas de las empresas. Las pequeñas y medianas empresas (pymes) en particular se han enfrentado al desafío de encontrar caminos para el viaje de la transformación digital y la adaptación en la era de la industria 4.0, lo que hace que necesiten apoyo para integrar sus transformaciones. El objetivo del trabajo es predecir la probabilidad de conversión de leads utilizando Machine Learning (ML) con el fin de mejorar el proceso de cierre de oportunidades de matrícula en pymes del sector educativo. El trabajo se basa en el Modelo de Transformación Digital para Pymes (MTD_SMEs), enfoque específico en tecnología ML y Knowledge Discovery in Database (KDD). La metodología implica una secuencia de tres pasos del proceso KDD_AZ. Los datos fueron recolectados de un centro universitario en el sur de Brasil. Los resultados indican que los 8 atributos utilizados son importantes para predecir la conversión de clientes potenciales. La técnica ML, Regresión logística alcanzó una precisión bruta del 100%, contribuyendo así a un aumento en la tasa de conversión, ahorrando tiempo a los equipos y filtrando clientes potenciales "improbables", y también ayuda al marketing a mejorar su objetivo de traer clientes potenciales calificados / calientes.
Descargas
Referencias
Almeida, T. D., Cavalcante, C. G. S., & Fettermann, D. C. (2017, setembro). Indústria 4.0: Tecnologias e nível de maturidade de suas aplicações. 11º Congresso Brasileiro de Inovação e Gestão de Desenvolvimento do Produto, São Paulo, Brasil.
Altinkaya, M,, & Zontul, M. (2013). Urban bus arrival time prediction: a review of computational models. International Journal of Recent Technology and Engineering, 2(4), 164-169.
Batista, M. R. S. (2019). A utilização de algoritmos de máquinas em problemas de classificação. 112p. Dissertação (Mestrado Profissional em Matemática, Estatística e Computação Aplicada à Indústria) - Universidade de São Paulo, Instituto de Ciências Matemáticas de Computação, São Paulo. Recuperado em 30 abril, 2021, de <http://www.teses.usp.br/teses/disponiveis/55/55137/tde-25032019-141126/en.php>.
Biagioni, J., Gerlich, T., Merrifield, T., & Eriksson, J. (2011). Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones. Proceedings of the 9th ACM Conference on Embedded Networked Sensor Systems (pp. 68-81). ACM
Breiman, L. (2001, October). Random Forests. (R. E. Schapire, Ed.) Machine Learning, 45, 5-32. doi:10.1023/A:1010933404324 [GS Search]
Bruce, P., & Bruce, A. (2017). Practical Statistics for Data Scientists. O’Reilly Media.
Calipinar, H., & Ulas, D. (2013). Model suggestion for SMEs economic and environmental sustainable development. In: Nwankwo, S.; Ndubisi, N. Oly (Ed.). Enterprise Development in SMEs and Entrepreneurial Firms (pp. 270-290). Business Science Reference, IGI Global.
Costa, O. S., & Gouveia, L. B. (2021). Industria 4.0: Uma Proposta de Modelo de Transformação Digital para as Pequenas e Médias Empresas. In: Martins, E. R. Engenharia de Produção Planejamento e Controle da Produção em Foco. (Vol. 1, cap. 9, pp. 117-133). Guarujá, SP: Cientifica Digital. doi: 10.37885/201102037.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17[3], 1-6.
Ghotra, B, McIntosh, S., & Hassan, A. E. (2015, May). Revisiting the impact of classification techniques on the performance of defect prediction models. Proceedings of the 37th International Conference On Software Engineering (pp. 789-800), Florence, Italy: IEEE Press.
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. (3nd ed). Morgan Kaufmann Publishers, Burlington.
Kassambara, A. (2017). Machine Learning Essential: Practical guide in R. STHDA.
Heller, K. A., Williamson, S., & Ghahramani, Z. (2008). Statistical models for partial membership. Proceedings of the 25th International Conference on Machine Learning (pp. 392-399).
Kormáksson, M., Barbosa, L., Viera, M. R., & Zadrozny, B. Bus travel time predictions using additive models. (2014). Proceedings of the 14th International Conference On Data Mining (pp. 875-880), Shenzhen, China, IEEE.
Machado, V. P. (2011). Inteligência Artificial. Teresina: EDUFPI.
Menezes, V. V., Farrar, J. T., & Bower, A. S. (2018). Westward mountain-gap wind jets of the northern Red Sea as seen by QuikSCAT. Remote Sensing of Environment (pp. 677-699), 209. https://doi.org/10.1016/j.rse.2018.02.075
Mirković, V., Lukić, J., & Martin, V. (2019). Key characteristic of organizational structure that supports digital transformation. Strategic Management and Decision Support Systems in Strategic Management. Proceedings of the 24th International Scientific Symposium (pp. 255-261). Subotica, Republic of Serbia.
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos de aprendizado de máquina. In: Rezende, S. O. Sistemas inteligentes: fundamentos e aplicações (pp. 89-94). Barueri, SP: Manole.
Neves, D. V., Dias, F. C. A., & Cordeiro, D. (2018) Uso de aprendizado supervisionado para análise de confiabilidade de dados de crowdsourcing sobre posicionamento de ônibus. Escola de Artes, Ciências e Humanidades Universidade de São Paulo.
NVIDIA. (2018, August 2). Blog: Supervised Vs. Unsupervised Learning. The Official NVIDIA Blog. Recovered in 27 may, 2021, from <https://blogs.nvidia.com/blog/2018/08/02/supervised-unsupervised-learning/>.
Oh, J., Hessel, M., Czarnecki, W. M., Xu, Z., Van Hasselt, H., Singh, S., & Silver, D. (2021). Discovering reinforcement learning algorithms.
Tan, M., & Shao, P. (2015). Prediction of student dropout in e-learning program through the use of machine learning method. International Journal of Emerging Technologies in Learning (IJET), 10[1], 11-17.
Ulas, D. (2019). Digital Transformation Process and SMEs. Procedia Computer Science, 158, 662-671. doi: 10.1016/j.procs.2019.09.101.
Wang, Y., Wang, F., Huang, J., Wang, X., & Liu, Z. (2009). Validation of artificial neural network techniques in the estimation of nitrogen concentration in rape using canopy hyperspectral reflectance data. Int. J. Remote Sens. 30, 4493-4505. doi: 10.1080/01431160802577998
Willing, P., & Johnson, S. (2004). Factors that influence students’ decision to dropout of online courses. Journal of Asynchronous Learning Network, Nashville, 8 [4], 105-118.
Descargas
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2021 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
